Réseau de neurones convolutif 3D multi-échelle efficace avec CRF pleinement connecté pour une segmentation précise des lésions cérébrales

Nous proposons un réseau neuronal convolutif (Convolutional Neural Network, CNN) tridimensionnel à 11 couches et double voie pour la tâche ardue de segmentation des lésions cérébrales. L'architecture conçue est le résultat d'une analyse approfondie des limites des réseaux actuellement proposés pour des applications similaires. Pour surmonter la charge de calcul liée au traitement des scanners médicaux 3D, nous avons élaboré un schéma d'entraînement dense efficace et performant qui combine le traitement de patches d'images adjacents en une seule passe à travers le réseau tout en s'adaptant automatiquement au déséquilibre de classe inhérent aux données. De plus, nous analysons le développement de CNNs 3D plus profonds, donc plus discriminants. Afin d'intégrer à la fois les informations locales et contextuelles plus larges, nous utilisons une architecture double voie qui traite les images d'entrée à plusieurs échelles simultanément. Pour le post-traitement de la segmentation douce du réseau, nous employons un champ aléatoire conditionnel (Conditional Random Field, CRF) entièrement connecté en 3D qui élimine efficacement les faux positifs. Notre pipeline est évalué de manière exhaustive sur trois tâches difficiles de segmentation des lésions dans les données IRM multicanal de patients présentant des traumatismes crânio-cérébraux, des tumeurs cérébrales et des accidents vasculaires cérébraux ischémiques. Nous améliorons l'état de l'art pour chacune de ces trois applications, avec une performance classée parmi les meilleures sur les benchmarks publics BRATS 2015 et ISLES 2015. Notre méthode est computionnellement efficace, ce qui permet son utilisation dans divers contextes de recherche et cliniques. Le code source de notre implémentation est rendu publiquement disponible.