Aggrégation spatiale de réseaux de neurones convolutionnels holistiquement imbriqués pour la localisation et la segmentation automatisées du pancréas

La segmentation précise et automatique des organes à partir de scanners radiologiques 3D est un problème important mais complexe pour l'analyse d'images médicales. En particulier, le pancréas présente une variabilité anatomique très élevée entre les patients, tant en ce qui concerne sa forme que son volume. Dans cet article, nous présentons un système automatisé utilisant des volumes de tomographie computée (TC) 3D par une approche en deux étapes : la localisation du pancréas et sa segmentation. Pour la première étape, nous localisons le pancréas dans l'ensemble du scanner TC 3D, fournissant une boîte englobante fiable pour l'étape de segmentation plus fine. Nous introduisons une approche entièrement basée sur l'apprentissage profond, reposant sur une application efficace de réseaux de neurones convolutifs holistiquement imbriqués (HNNs) aux trois vues orthogonales axiale, sagittale et coronale. Les cartes de probabilités par pixel issues des HNNs sont ensuite fusionnées par pooling pour produire fiablement une boîte englobante 3D du pancréas qui maximise le rappel. Nous montrons que notre localisateur introduit se compare favorablement à la fois à une méthode conventionnelle non basée sur l'apprentissage profond et à une approche hybride récente fondée sur l'agrégation spatiale de superpixels par classification par forêt aléatoire. La deuxième phase, celle de segmentation, opère au sein de la boîte englobante calculée et intègre des indices sémantiques intermédiaires des cartes d'intérieur et de contour d'organe apprises en profondeur, obtenus par deux réalisations supplémentaires et distinctes d'HNNs. En intégrant ces deux indices intermédiaires, notre méthode est capable de générer des cartes de labels de classe par pixel préservant les contours qui aboutissent à la segmentation finale du pancréas. Une évaluation quantitative est effectuée sur un ensemble de données publiquement disponible comprenant 82 scanners TC de patients en utilisant une validation croisée (VC) à quatre plis. Nous obtenons un coefficient de similarité Dice (CSD) de 81,27±6,27 % lors de la validation, ce qui dépasse considérablement les méthodes précédentes d'avant-garde qui rapportent respectivement des CSDs de 71,80±10,70 % et 78,01±8,20 % sur le même ensemble de données.