MSRF-Net : Un réseau de fusion résiduelle multi-échelle pour la segmentation d’images biomédicales

Les méthodes fondées sur les réseaux de neurones convolutifs ont amélioré les performances de segmentation d’images biomédicales. Toutefois, la plupart de ces approches peinent à segmenter efficacement des objets de tailles variables, tout en s’adaptant à des jeux de données petits et biaisés, fréquents dans les applications biomédicales. Bien que des méthodes existent pour intégrer des approches de fusion multi-échelle afin de faire face aux défis posés par la variabilité des tailles d’objets, elles reposent généralement sur des modèles complexes, mieux adaptés aux problèmes de segmentation sémantique générale. Dans cet article, nous proposons une nouvelle architecture appelée Multi-Scale Residual Fusion Network (MSRF-Net), spécifiquement conçue pour la segmentation d’images médicales. Le MSRF-Net proposé permet d’échanger des caractéristiques multi-échelles à champs réceptifs variables grâce à un bloc de fusion dense à double échelle (DSDF). Ce bloc DSDF échange rigoureusement les informations entre deux échelles de résolution différentes, tandis que le sous-réseau MSRF utilise plusieurs blocs DSDF en cascade pour réaliser une fusion multi-échelle. Cette approche permet de préserver la résolution, d’améliorer le flux d’information et de propager efficacement à la fois les caractéristiques de haut et de bas niveau, aboutissant ainsi à des cartes de segmentation précises. Le MSRF-Net proposé est capable de capturer la variabilité des objets et obtient des résultats améliorés sur plusieurs jeux de données biomédicales. Des expérimentations étendues sur le MSRF-Net démontrent que la méthode proposée surpasser les approches de pointe en segmentation d’images médicales sur quatre jeux de données publiques. Nous obtenons des coefficients de Dice respectifs de 0,9217, 0,9420, 0,9224 et 0,8824 sur les jeux de données Kvasir-SEG, CVC-ClinicDB, le dataset Data Science Bowl 2018 et le défi ISIC-2018 pour la segmentation des lésions cutanées. Nous avons également mené des tests de généralisation, atteignant des coefficients de Dice de 0,7921 et 0,7575 sur CVC-ClinicDB et Kvasir-SEG, respectivement.