3D U-Net : Apprentissage de la segmentation volumique dense à partir d'annotations sparse

Ce document présente un réseau pour la segmentation volumique qui apprend à partir d'images volumiques annotées de manière éparses. Nous détaillons deux cas d'utilisation attractifs de cette méthode : (1) Dans une configuration semi-automatique, l'utilisateur annotate certaines tranches dans le volume à segmenter. Le réseau apprend à partir de ces annotations éparses et fournit une segmentation 3D dense. (2) Dans une configuration entièrement automatique, nous supposons qu'un ensemble de données d'entraînement représentatif et annoté de manière éparses existe. Formé sur cet ensemble de données, le réseau segmente densément de nouvelles images volumiques. Le réseau proposé étend l'architecture u-net précédente de Ronneberger et al. en remplaçant toutes les opérations 2D par leurs équivalents 3D. L'implémentation effectue des déformations élastiques en temps réel pour une augmentation de données efficace pendant l'entraînement. Il est formé de bout en bout à partir de zéro, c'est-à-dire qu'aucun réseau pré-entraîné n'est nécessaire. Nous testons les performances de la méthode proposée sur une structure 3D complexe et hautement variable, le rein du Xenopus, et obtenons de bons résultats pour les deux cas d'utilisation.