Détection structurée de repères par apprentissage profond de graphes adaptatifs de topologie

La détection de points de repère d’image vise à identifier automatiquement les positions de points fiduciaires prédéfinis. Malgré les progrès récents dans ce domaine, la modélisation de structures d’ordre supérieur visant à capturer des relations implicites ou explicites entre les points de repère anatomiques n’a pas été suffisamment exploitée. Dans ce travail, nous proposons une nouvelle approche d’apprentissage profond par graphes à topologie adaptative pour une détection précise des points de repère anatomiques, qu’il s’agisse de visages ou de structures médicales (par exemple, main, bassin). La méthode proposée construit des signaux graphiques en exploitant à la fois les caractéristiques locales issues de l’image et les caractéristiques globales de forme. La topologie du graphe adaptative explore naturellement des structures spécifiques à la tâche, apprises de manière end-to-end grâce à deux réseaux de convolution de graphe (GCN). Des expériences étendues ont été menées sur trois jeux de données publics d’images faciales (WFLW, 300W et COFW-68) ainsi que sur trois jeux de données médicaux réels à rayons X (Cephalométrique, Main et Bassin). Les résultats quantitatifs, comparés aux approches les plus avancées précédentes sur l’ensemble des jeux de données étudiés, démontrent une performance supérieure en termes de robustesse et de précision. Les visualisations qualitatives des topologies graphiques apprises révèlent une connectivité physiquement plausible sous-jacente aux points de repère.