FANet : un réseau d'attention par rétroaction pour une segmentation améliorée des images biomédicales

L’augmentation des jeux de données cliniques et expérimentales de grande taille disponible a contribué à un nombre important de contributions significatives dans le domaine de l’analyse d’images biomédicales. La segmentation d’images, essentielle à toute analyse quantitative, a particulièrement retenu l’attention. Les progrès récents dans le matériel ont permis le succès des approches fondées sur l’apprentissage profond. Toutefois, bien que les modèles d’apprentissage profond soient entraînés sur de grandes bases de données, les méthodes existantes n’utilisent pas efficacement les informations provenant des différentes époques d’apprentissage. Dans ce travail, nous exploitons les informations issues de chaque époque d’entraînement afin de réduire les cartes de prédiction des époques suivantes. Nous proposons une nouvelle architecture appelée réseau d’attention par retour (feedback attention network, FANet), qui combine de manière unifiée le masque de l’époque précédente avec la carte de caractéristiques de l’époque d’entraînement courante. Ce masque de l’époque précédente est ensuite utilisé pour fournir une attention rigide aux cartes de caractéristiques apprises aux différentes couches de convolution. Le réseau permet également de corriger itérativement les prédictions pendant le temps de test. Nous démontrons que notre modèle proposé basé sur l’attention par retour apporte une amélioration significative sur la plupart des métriques de segmentation, testées sur sept jeux de données publiques d’imagerie biomédicale, ce qui atteste de l’efficacité de FANet. Le code source est disponible à l’adresse suivante : \url{https://github.com/nikhilroxtomar/FANet}.