Réseaux multi-tâches à passage unique avec attention guidée inter-tâches pour la segmentation des tumeurs cérébrales

Le déséquilibre de classes est apparu comme l'un des principaux défis pour le segmentage d'images médicales. La stratégie en cascade de modèles (MC) atténue considérablement ce problème de déséquilibre de classes en exécutant une série de modèles profonds individuels pour un segmentage allant du grossier au fin. Malgré ses performances exceptionnelles, cette méthode conduit à une complexité systémique indésirable et ignore également les corrélations entre les modèles. Pour remédier à ces inconvénients, nous proposons un modèle profond léger, à savoir le Réseau Multi-tâches en Un Passage (OM-Net), qui résout le problème de déséquilibre de classes mieux que la MC tout en nécessitant uniquement un calcul en un passage. Premièrement, OM-Net intègre les tâches de segmentation distinctes dans un seul modèle profond, composé de paramètres partagés pour apprendre des caractéristiques conjointes ainsi que de paramètres spécifiques à chaque tâche pour apprendre des caractéristiques discriminantes. Deuxièmement, afin d'optimiser OM-Net plus efficacement, nous exploitons les corrélations entre les tâches pour concevoir une stratégie de transfert dynamique des données d'entraînement et une stratégie d'entraînement basée sur l'apprentissage par programme progressif. Troisièmement, nous proposons également le partage des résultats prédits entre les tâches et concevons un module d'attention guidée inter-tâches (CGA) qui peut recalibrer adaptivement les réponses aux caractéristiques par canal selon les statistiques spécifiques à chaque catégorie. Enfin, une méthode simple mais efficace de post-traitement est introduite pour affiner les résultats de segmentation. Des expériences approfondies sont menées pour démontrer l'efficacité des techniques proposées. De manière particulièrement impressionnante, nous obtenons des performances de pointe sur l'ensemble de test BraTS 2015 et l'ensemble de validation en ligne BraTS 2017. En utilisant ces approches proposées, nous avons également obtenu la troisième place ex æquo au défi BraTS 2018 parmi 64 équipes participantes. Le code est librement disponible sur https://github.com/chenhong-zhou/OM-Net.