DoubleU-Net : Un réseau neuronal convolutif profond pour la segmentation d'images médicales

La segmentation sémantique d'images est le processus de labellisation de chaque pixel d'une image par sa classe correspondante. Une approche basée sur un encodeur-décodeur, comme U-Net et ses variantes, est une stratégie populaire pour résoudre des tâches de segmentation d'images médicales. Pour améliorer les performances de U-Net sur diverses tâches de segmentation, nous proposons une nouvelle architecture appelée DoubleU-Net, qui combine deux architectures U-Net superposées l'une sur l'autre. Le premier U-Net utilise un VGG-19 pré-entraîné en tant qu'encodeur, qui a déjà appris des caractéristiques à partir d'ImageNet et peut être facilement transféré à une autre tâche. Pour capturer plus efficacement des informations sémantiques, nous avons ajouté un deuxième U-Net en aval. Nous avons également adopté le module Atrous Spatial Pyramid Pooling (ASPP) pour capturer des informations contextuelles au sein du réseau. Nous avons évalué DoubleU-Net à l'aide de quatre jeux de données de segmentation médicale, couvrant diverses modalités d'imagerie telles que la coloscopie, la dermoscopie et la microscopie. Les expérimentations menées sur le défi de segmentation MICCAI 2015, la base CVC-ClinicDB, le défi Data Science Bowl 2018 et les jeux de données de segmentation des contours des lésions montrent que DoubleU-Net surpassent U-Net et les modèles de référence. De plus, DoubleU-Net produit des masques de segmentation plus précis, en particulier dans le cas des bases CVC-ClinicDB et MICCAI 2015 où les images sont complexes, comme celles présentant des polypes petits et plats. Ces résultats démontrent l'amélioration apportée au modèle U-Net existant. Les résultats encourageants obtenus sur divers jeux de données de segmentation d'images médicales indiquent que DoubleU-Net peut être utilisé comme un modèle robuste pour la segmentation d'images médicales ainsi que pour l'évaluation croisée entre jeux de données afin de mesurer la généralisation des modèles d'apprentissage profond (Deep Learning - DL).