Champs aléatoires conditionnels comme réseaux de neurones récurrents pour la segmentation d'images médicales 3D

Le Champ Aléatoire Conditionnel en tant que couche de Réseau de Neurones Récursifs est un algorithme récemment proposé, destiné à être placé au-dessus d'un Réseau de Neurones Convolutifs Entièrement Convolué existant afin d'améliorer la qualité de la segmentation sémantique. Dans cet article, nous testons si cet algorithme, qui a été montré capable d'améliorer la segmentation sémantique pour des images 2D RGB, peut également améliorer la qualité de la segmentation pour des images médicales multimodales 3D. Nous avons développé une implémentation de l'algorithme fonctionnant pour tout nombre de dimensions spatiales, de canaux d'images d'entrée/sortie et de canaux d'images de référence. À notre connaissance, c'est la première implémentation publiquement disponible de ce type. Nous avons testé l'algorithme avec deux ensembles distincts de données d'imagerie médicale 3D et nous avons conclu que les différences de performance observées n'étaient pas statistiquement significatives. Enfin, dans la section discussion de l'article, nous abordons les raisons pour lesquelles cette technique se transpose mal des images naturelles aux images médicales.