DUNet : Un réseau déformable pour le segmention des vaisseaux rétiniens
La segmentation automatique des vaisseaux rétiniens dans les images de fond d'œil joue un rôle crucial dans le diagnostic de certaines maladies telles que le diabète et l'hypertension. Dans cet article, nous proposons Deformable U-Net (DUNet), qui exploite les caractéristiques locales des vaisseaux rétiniens avec une architecture en forme de U, de manière intégrée pour la segmentation des vaisseaux rétiniens. Inspirés par les réseaux de neurones convolutifs déformables récemment introduits, nous avons intégré la convolution déformable au réseau proposé. Le DUNet, doté d'opérateurs d'échantillonnage ascendant pour augmenter la résolution de sortie, est conçu pour extraire des informations contextuelles et permettre une localisation précise en combinant des cartes de caractéristiques de bas niveau avec celles de haut niveau. De plus, DUNet capture les vaisseaux rétiniens sous diverses formes et échelles en ajustant adaptativement les champs récepteurs selon les échelles et les formes des vaisseaux.Trois jeux de données publics, DRIVE, STARE et CHASE_DB1, ont été utilisés pour entraîner et tester notre modèle. Des comparaisons détaillées entre le réseau proposé et les réseaux neuronaux déformables ainsi que U-Net sont fournies dans notre étude. Les résultats montrent que DUNet extrait des vaisseaux plus détaillés et présente des performances de pointe pour la segmentation des vaisseaux rétiniens, avec une précision globale de 0,9697/0,9722/0,9724 et une AUC (Area Under the Curve) de 0,9856/0,9868/0,9863 sur DRIVE, STARE et CHASE_DB1 respectivement.De plus, afin de démontrer la capacité de généralisation du DUNet, nous avons utilisé deux autres jeux de données vasculaires rétiniennes : l'un nommé WIDE et l'autre étant un jeu de données synthétiques avec divers styles nommé SYNTHE. Nous avons effectué une analyse qualitative et quantitative pour comparer ces méthodes avec d'autres approches. Les résultats indiquent que DUNet surpasse d'autres méthodes d'état de l'art.