Segmentation d'images histopathologiques gastriques à l'aide d'un champ aléatoire conditionnel hiérarchique

Pour les Réseaux Neuronaux Convolutifs (RNC) appliqués au diagnostic intelligent du cancer de l'estomac, les méthodes existantes se concentrent principalement sur des caractéristiques individuelles ou des architectures de réseau, sans une stratégie pour représenter l'information intégrale. En particulier, le Champ Aléatoire Conditionnel (CRF), un algorithme efficace et stable pour l'analyse d'images à contenu complexe, peut caractériser les relations spatiales dans les images. Dans cet article, une nouvelle méthode de Segmentation d'Images Histopathologiques Gastro-estomac (GHIS) basée sur un CRF hiérarchique (HCRF) est proposée. Cette méthode permet de localiser automatiquement les régions anormales (cancéreuses) dans les images histopathologiques gastriques obtenues par microscope optique, afin d'aider les histopathologistes dans leur travail médical. Le modèle HCRF est construit avec des potentiels d'ordre supérieur, incluant des potentiels au niveau des pixels et des potentiels au niveau des patches, et un traitement postérieur basé sur un graphe est appliqué pour améliorer davantage ses performances en segmentation. Plus précisément, un RNC est formé pour établir les potentiels au niveau des pixels, tandis que trois autres RNC sont affinés pour établir les potentiels au niveau des patches, fournissant ainsi une information spatiale suffisante pour la segmentation. Dans l'expérience, un ensemble de données d'images histopathologiques gastriques colorées par hématoxyline et éosine (H&E) comprenant 560 images anormales est divisé en ensembles d'apprentissage, de validation et de test selon un ratio de 1 : 1 : 2. Finalement, une précision de segmentation, un rappel et une spécificité de 78,91 %, 65,59 % et 81,33 % respectivement sont obtenus sur l'ensemble de test. Notre modèle HCRF montre des performances élevées en segmentation et démontre son efficacité ainsi que son potentiel futur dans le domaine de la GHIS.