Réseaux de neurones convolutifs avec perte intermédiaire pour la super-résolution 3D des scans CT et IRM

Les scanners TDM couramment utilisés dans les hôpitaux actuels produisent des images à faible résolution, pouvant atteindre 512 pixels de côté. Un pixel dans l’image correspond à un fragment de tissu d’un millimètre de taille. Afin de segmenter précisément les tumeurs et d’élaborer des plans de traitement, les médecins ont besoin de scanners TDM à résolution plus élevée. Ce problème se retrouve également dans les IRM. Dans cet article, nous proposons une méthode pour la super-résolution d’images uniques en 3D à partir de scanners TDM ou IRM. Notre approche repose sur des réseaux neuronaux convolutifs profonds (CNN) composés de 10 couches convolutives et d’une couche intermédiaire de redimensionnement située après les six premières couches convolutives. Notre premier CNN, qui augmente la résolution sur deux axes (largeur et hauteur), est suivi par un second CNN qui augmente la résolution sur le troisième axe (profondeur). Contrairement aux autres méthodes, nous calculons la perte par rapport à la sortie haute résolution de référence immédiatement après la couche de redimensionnement intermédiaire, en plus du calcul de la perte après la dernière couche convolutive. Cette perte intermédiaire contraint notre réseau à produire une sortie plus proche de la vérité terrain. Une approche couramment utilisée pour obtenir des résultats nets consiste à appliquer un flou gaussien avec un écart-type fixe. Pour éviter le surapprentissage lié à un écart-type fixe, nous appliquons un lissage gaussien avec divers écart-types, contrairement aux approches existantes. Nous évaluons notre méthode dans le cadre de la super-résolution 2D et 3D de scans TDM et IRM provenant de deux bases de données, en la comparant à des travaux connexes de la littérature ainsi qu’à des méthodes de référence basées sur différentes techniques d’interpolation, en utilisant des facteurs d’échelle de 2x et 4x. Les résultats expérimentaux montrent que notre approche obtient des performances supérieures à celles de toutes les autres méthodes. En outre, notre étude d’annotation humaine révèle que, pour un facteur d’agrandissement de 2x, les médecins ainsi que les annotateurs non spécialisés ont préféré notre méthode à l’interpolation de Lanczos dans 97,55 % des cas, et pour un facteur de 4x, dans 96,69 % des cas.