Amélioration de RetinaNet pour la détection de lésions par TDM avec des masques denses à partir d'étiquettes RECIST faibles

La détection précise et automatisée des lésions en tomographie computée (TC) est une tâche importante mais complexe, en raison de la grande variabilité des types, tailles, emplacements et aspects des lésions. Les travaux récents sur la détection des lésions en TC utilisent des méthodes à deux étapes basées sur la proposition de régions, formées avec des annotations de centroïdes ou de boîtes englobantes. Nous proposons un détecteur de lésions à une seule étape, d'une grande précision et efficacité, en redessinant un RetinaNet pour répondre aux défis spécifiques de l'imagerie médicale. Plus précisément, nous optimisons les configurations d'ancres en utilisant un algorithme de recherche par évolution différentielle. Pour l'entraînement, nous utilisons les critères d'évaluation de la réponse dans les tumeurs solides (RECIST), mesurés lors des routines cliniques. Nous intégrons des masques denses issus des labels RECIST faibles, obtenus automatiquement via GrabCut, dans l'objectif d'entraînement. Cette combinaison avec d'autres avancées permet d'obtenir de nouvelles performances au niveau de l'état de l'art. Nous évaluons notre méthode sur le benchmark public DeepLesion, composé de 32 735 lésions réparties dans tout le corps. Notre détecteur à une seule étape atteint une sensibilité de 90,77 % à 4 faux positifs par image, surpassant significativement les meilleures méthodes rapportées jusqu'à présent avec plus de 5 %.