Une étude complète sur la segmentation des polypes colorectaux basée sur ResUNet++, le Champ Aléatoire Conditionnel et l'Augmentation en Temps de Test

La coloscopie est considérée comme la référence or pour le dépistage du cancer colorectal et de ses lésions précurseurs. Toutefois, les méthodes d’examen actuelles souffrent d’un taux global élevé de non-détection, et de nombreuses anomalies passent inaperçues. Les systèmes d’aide au diagnostic assistés par l’intelligence artificielle, basés sur des algorithmes avancés d’apprentissage automatique, sont présentés comme une révolution susceptible d’identifier les zones du côlon négligées par les médecins lors des examens endoscopiques, et de contribuer ainsi à la détection et à la caractérisation des lésions. Dans nos travaux antérieurs, nous avons proposé l’architecture ResUNet++ et démontré qu’elle offrait des performances plus efficaces que ses prédécesseurs U-Net et ResUNet. Dans cet article, nous montrons qu’une amélioration supplémentaire des performances globales de l’architecture ResUNet++ peut être obtenue en combinant le champ aléatoire conditionnel (CRF) et l’augmentation au moment du test (TTA). Nous avons mené des évaluations approfondies et validé ces améliorations à l’aide de six jeux de données publics : Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-Larib Polyp DB, ASU-Mayo Clinic Colonoscopy Video Database et CVC-VideoClinicDB. En outre, nous comparons notre architecture proposée et le modèle résultant aux autres méthodes de pointe. Afin d’évaluer la capacité de généralisation de ResUNet++ sur différents jeux de données publics de polypes, afin de garantir son utilisation en situation réelle, nous avons effectué une évaluation croisée exhaustive entre jeux de données. Les résultats expérimentaux montrent qu’appliquer le CRF et la TTA améliore significativement les performances sur divers jeux de données de segmentation de polypes, tant dans un cadre intra-jeu que dans un cadre inter-jeu.