CycleMix : Une Stratégie Holistique pour la Segmentations d'Images Médicales à Partir d'une Supervision par Griffes

La collecte d’un grand ensemble de données d’entraînement entièrement annotées peut s’avérer coûteuse, notamment pour les tâches de segmentation d’images médicales. Les « scribbles », forme plus faible d’annotation, sont en revanche plus facilement accessibles en pratique, mais l’entraînement de modèles de segmentation à partir d’une supervision limitée par des scribbles reste un défi. Pour relever ces difficultés, nous proposons un nouveau cadre pour la segmentation d’images médicales basée sur les scribbles, composé d’une augmentation mixte et d’une consistance cyclique, et désigné sous le nom de CycleMix. En ce qui concerne l’augmentation de la supervision, CycleMix adopte la stratégie mixup avec une conception spécifique d’occlusion aléatoire, permettant d’ajouter ou de retirer des scribbles. Pour la régularisation de la supervision, CycleMix renforce l’objectif d’entraînement grâce à des pertes de consistance, qui pénalisent les segmentation incohérentes, entraînant ainsi une amélioration significative des performances de segmentation. Les résultats obtenus sur deux jeux de données ouverts, à savoir ACDC et MSCMRseg, montrent que la méthode proposée atteint des performances remarquables, équivalentes ou même supérieures à celles des méthodes entièrement supervisées. Le code source ainsi que les annotations par scribbles réalisées par des experts pour MSCMRseg sont disponibles publiquement à l’adresse suivante : https://github.com/BWGZK/CycleMix.