SegAN : Réseau Adversarial avec Perte $L_1$ Multi-échelle pour la Segmentation d'Images Médicales

Inspirationnée par les réseaux adverses génératifs classiques (GAN), nous proposons un nouveau réseau neuronal adverse de bout en bout, appelé SegAN, pour la tâche de segmentation d'images médicales. Étant donné que la segmentation d'images nécessite une étiquetage dense et au niveau des pixels, la sortie scalaire unique vrai/faux du discriminateur d'un GAN classique peut être inefficace pour produire un retour de gradient stable et suffisant aux réseaux. À la place, nous utilisons un réseau neuronal entièrement convolutif comme segmenteur pour générer des cartes d'étiquettes de segmentation, et nous proposons un nouveau réseau critique adverse avec une fonction de perte multi-échelle $L_1$ afin de forcer le critique et le segmenteur à apprendre à la fois des caractéristiques globales et locales qui capturent les relations spatiales à longue et courte portée entre les pixels. Dans notre cadre SegAN, les réseaux segmenteur et critique sont entraînés alternativement dans un jeu min-max : le critique prend en entrée un couple d'images (image_originale * carte_d'étiquettes_prédites, image_originale * carte_d'étiquettes_véritables) puis est entraîné en maximisant une fonction de perte multi-échelle ; le segmenteur est quant à lui entraîné uniquement avec les gradients transmis par le critique, dans l'objectif de minimiser la fonction de perte multi-échelle. Nous montrons que ce cadre SegAN est plus efficace et stable pour la tâche de segmentation, et qu'il offre des performances supérieures à la méthode de segmentation U-net considérée comme l'état de l'art. Nous avons testé notre méthode SegAN sur des jeux de données issus du défi MICCAI BRATS de segmentation des tumeurs cérébrales. De nombreux résultats expérimentaux démontrent l'efficacité du SegAN proposé avec une fonction de perte multi-échelle : sur BRATS 2013, SegAN offre des performances comparables à celles de l'état de l'art pour la segmentation totale des tumeurs et celle du noyau tumoral tout en atteignant une meilleure précision et sensibilité pour la segmentation du noyau tumoral amélioré par le gadolinium (Gd-enhance tumor core) ; sur BRATS 2015, SegAN obtient des performances supérieures à celles de l'état de l'art tant en termes de score Dice que de précision.