Réseau de Transformation de Saliences Récursif : Intégration de Indices Visuels Multistades pour la Segmentation d'Organes Petits

Nous visons à segmenter de petits organes (par exemple, le pancréas) à partir de scanners abdominaux par tomographie computed (CT). Étant donné que la cible occupe souvent une région relativement petite dans l'image d'entrée, les réseaux neuronaux profonds peuvent facilement être perturbés par un arrière-plan complexe et variable. Pour atténuer ce problème, des chercheurs ont proposé une approche de type grossière à fine (coarse-to-fine), qui utilise la prédiction de la première étape (grossière) pour indiquer une région d'entrée plus petite pour la deuxième étape (fine). Bien que cette méthode soit efficace, elle traitait les deux étapes séparément, ce qui manquait d'une optimisation d'une fonction énergétique globale et limitait sa capacité à intégrer des indices visuels multistages. L'absence d'informations contextuelles a conduit à une convergence insatisfaisante lors des itérations, et parfois la deuxième étape (fine) produisait même une précision de segmentation inférieure à celle de la première étape (grossière).Cet article présente un Réseau de Transformation de Saliences Récursif (Recurrent Saliency Transformation Network). L'innovation clé est un module de transformation de salience, qui convertit répétitivement la carte de probabilité de segmentation issue de l'itération précédente en poids spatiaux et applique ces poids à l'itération actuelle. Cela nous apporte deux avantages majeurs. Pendant l'entraînement, cela permet une optimisation conjointe sur les réseaux profonds traitant différentes échelles d'entrée. Pendant les tests, cela propage les informations visuelles multistages tout au long des itérations pour améliorer la précision de segmentation. Les expériences menées sur le jeu de données NIH pour la segmentation du pancréas montrent une précision sans égale, surpassant le meilleur précédent résultat avec une moyenne supérieure à 2 %. Des précisions beaucoup plus élevées sont également rapportées pour plusieurs petits organes dans un ensemble de données plus large collecté par nos soins. De plus, notre approche bénéficie de meilleures propriétés de convergence, ce qui la rend plus efficace et fiable en pratique.