Formation conditionnelle avec carte de limitation pour la détection universelle des lésions

La détection universelle des lésions (DUL) en tomographie computée joue un rôle essentiel dans le diagnostic assisté par ordinateur. Des résultats prometteurs de DUL ont été rapportés par des approches de détection en deux étapes, de type grossier à fin, mais ces méthodes de DUL en deux étapes souffrent encore de problèmes tels que l'imbalance entre les ancres positives et négatives lors de la proposition d'objets et le problème d'une supervision insuffisante lors de la régression et de la classification de localisation des propositions de région d'intérêt (RoI). Bien que l'utilisation de masques de segmentation pseudo, comme la carte de délimitation (BM), puisse réduire partiellement ces problèmes, il reste un défi ouvert d'aborder efficacement la diversité des formes et tailles des lésions dans la DUL. Dans cet article, nous proposons une formation conditionnelle basée sur BM pour la DUL en deux étapes, qui peut (i) réduire l'imbalance entre les ancres positives et négatives grâce au mécanisme de conditionnement basé sur BM (BMC) pour l'échantillonnage des ancres, plutôt que par la règle traditionnelle basée sur IoU ; et (ii) calculer adaptivement une carte de délimitation ajustée à la taille (ABM) à partir du cadre englobant de la lésion, utilisée pour améliorer la précision de localisation des lésions via une segmentation supervisée par ABM. Des expériences menées avec quatre méthodes d'avant-garde montrent que l'approche proposée peut apporter une amélioration presque gratuite de la précision de détection sans nécessiter des annotations coûteuses de masques de lésions.