Ensembles de CNN profonds et annotations suggestives pour la segmentation des IRM cérébrales d'infants

La segmentation 3D précise des tissus cérébraux d'infants est une étape cruciale pour les études volumétriques complètes et l'analyse quantitative du développement précoce du cerveau. Cependant, le calcul de telles segmentations est très complexe, en particulier pour les cerveaux d'infants âgés de 6 mois, en raison de la mauvaise qualité des images, parmi d'autres difficultés inhérentes à l'IRM cérébrale infantile, comme le contraste iso-intense entre la matière blanche et la matière grise et l'effet de volume partiel sévère dû aux petites tailles de cerveau. Cette étude examine ce problème à l'aide d'un ensemble de réseaux neuronaux convolutifs (CNN) semi-denses, qui utilise des images IRM pondérées en T1 et en T2 comme entrée. Nous démontrons que l'accord au sein de l'ensemble est fortement corrélé avec les erreurs de segmentation. Par conséquent, notre méthode fournit des mesures qui peuvent guider les corrections locales effectuées par l'utilisateur. À notre connaissance, cette œuvre constitue le premier ensemble de CNN 3D destiné à suggérer des annotations au sein des images. De plus, inspirés par les succès très récents des réseaux denses, nous proposons une nouvelle architecture, SemiDenseNet, qui connecte toutes les couches convolutives directement à la fin du réseau. Notre architecture permet une propagation efficace des gradients pendant l'entraînement tout en limitant le nombre de paramètres, nécessitant un ordre de grandeur moins de paramètres que des réseaux populaires de segmentation d'images médicales tels que 3D U-Net. Une autre contribution de notre travail est l'étude de l'impact que les fusions précoces ou tardives de plusieurs modalités d'imagerie peuvent avoir sur les performances des architectures profondes. Nous présentons des évaluations de notre méthode sur les données publiques du Défi MICCAI iSEG-2017 concernant la segmentation IRM cérébrale infantile à 6 mois, et montrons des résultats très compétitifs parmi 21 équipes, se classant première ou deuxième dans la plupart des métriques.