MILD-Net : Réseau Dilaté à Perte d'Information Minimale pour la Segmentation d'Instances de Glands dans les Images Histologiques du Côlon

L'analyse de la morphologie glandulaire dans les images d'histopathologie du côlon est une étape cruciale pour déterminer le grade du cancer du côlon. Malgré l'importance de cette tâche, le segmentage manuel est fastidieux, chronophage et peut souffrir de subjectivité parmi les pathologistes. L'émergence de la pathologie computationnelle a conduit au développement de méthodes automatisées pour le segmentage des glandes, visant à surmonter les défis du segmentage manuel. Cependant, cette tâche n'est pas triviale en raison de la grande variabilité de l'apparence des glandes et de la difficulté à différencier certaines structures histologiques glandulaires et non-glandulaires. De plus, une mesure d'incertitude est essentielle pour la prise de décisions diagnostiques. Pour relever ces défis, nous proposons un réseau neuronal convolutif entièrement convolutionnel qui contrebalance la perte d'information causée par le max-pooling en réintroduisant l'image originale à plusieurs niveaux au sein du réseau. Nous utilisons également un module de pyramide spatiale dilaté avec des taux d'étalement variables pour préserver la résolution et effectuer une agrégation multirésolution. Pour intégrer l'incertitude, nous introduisons des transformations aléatoires lors des tests afin d'améliorer le résultat du segmentage tout en générant simultanément une carte d'incertitude, mettant en évidence les zones ambiguës. Nous montrons que cette carte peut être utilisée pour définir une métrique permettant d'éliminer les prédictions présentant une forte incertitude. Le réseau proposé atteint des performances de pointe sur l'ensemble de données du défi GlaS (Gland Segmentation Challenge) et sur un deuxième ensemble de données indépendant concernant le carcinome adénocarcinoïde colo-rectal. De plus, nous réalisons un segmentage d'instances glandulaires sur des images complètes issues de deux autres ensembles de données pour souligner la généralisation possible de notre méthode. Comme extension, nous introduisons MILD-Net+ pour le segmentage simultané des glandes et des lumes, afin d'accroître la puissance diagnostique du réseau.