DDANet : Réseau d'attention à décoder dual pour la segmentation automatique des polypes

La coloscopie constitue la référence absolue pour l’examen et la détection des polypes colorectaux. La localisation et la délimitation précises des polypes jouent un rôle fondamental dans la planification thérapeutique (par exemple, la chirurgie) et la prise de décisions pronostiques. La segmentation des polypes permet d’obtenir des informations détaillées sur leurs contours, utiles pour l’analyse clinique. Les réseaux de neurones convolutifs ont permis d’améliorer significativement les performances en coloscopie. Toutefois, les polypes présentent souvent des défis importants, tels que des variations intra- et interclasses ainsi que du bruit. Alors que l’étiquetage manuel des polypes exige du temps des experts et est sujet à des erreurs humaines (par exemple, la non-détection de lésions), une segmentation automatisée, précise et rapide peut améliorer la qualité des contours des lésions délimitées et réduire le taux de non-détection. Le défi Endotect offre une opportunité de comparer les méthodes de vision par ordinateur en entraînant les modèles sur le jeu de données public Hyperkvasir et en les évaluant sur un ensemble de données distinct et inconnu. Dans cet article, nous proposons une nouvelle architecture appelée « DDANet », basée sur un réseau à décoder dual avec attention. Nos expériences montrent que le modèle entraîné sur le jeu de données Kvasir-SEG et évalué sur un ensemble de données inconnu atteint un coefficient de Dice de 0,7874, un mIoU de 0,7010, un rappel de 0,7987 et une précision de 0,8577, démontrant ainsi la capacité de généralisation de notre modèle.