DKMA-ULD : Détection universelle robuste des lésions basée sur l'attention multi-têtes augmentée par la connaissance du domaine

L'intégration explicite de connaissances spécifiques au domaine des données dans les réseaux profonds peut fournir des indices importants bénéfiques pour la détection de lésions et atténuer le besoin de jeux de données hétérogènes et diversifiés pour apprendre des détecteurs robustes. Dans cet article, nous exploitons les informations du domaine présentes dans les scanners à émission de tomodensitométrie (CT) et proposons un réseau de détection universelle robuste des lésions (ULD) capable de détecter des lésions dans tous les organes du corps en s'entraînant sur un seul jeu de données, DeepLesion. Nous analysons des tranches CT d'intensités variées, générées à partir de fenêtres d'unités Hounsfield (HU) déterminées heuristiquement qui mettent en évidence individuellement différents organes et sont utilisées comme entrées pour le réseau profond. Les caractéristiques obtenues à partir des images d'intensité multiples sont fusionnées à l'aide d'un module d'auto-attention multi-têtes augmenté par convolution novateur, puis transmises à un Réseau de Proposition de Régions (RPN) pour la détection des lésions. De plus, nous avons observé que les boîtes d'ancre traditionnelles utilisées dans le RPN pour les images naturelles ne sont pas adaptées aux tailles de lésions fréquemment rencontrées dans les images médicales. Par conséquent, nous proposons d'utiliser des tailles et ratios d'ancre spécifiques aux lésions dans le RPN afin d'améliorer les performances de détection. Nous utilisons une auto-supervision pour initialiser les poids de notre réseau sur le jeu de données DeepLesion afin d'assimiler davantage les connaissances du domaine. Notre réseau proposé DMKA-ULD (Domain Knowledge augmented Multi-head Attention based Universal Lesion Detection Network), enrichi par la connaissance du domaine et basé sur l'auto-attention multi-têtes, produit des boîtes englobantes raffinées et précises autour des lésions dans différents organes. Nous évaluons l'efficacité de notre réseau sur le jeu de données DeepLesion publiquement disponible, qui comprend environ 32 000 scanners CT avec des lésions annotées dans tous les organes du corps. Les résultats montrent que nous surpassons les méthodes existantes state-of-the-art, atteignant une sensibilité globale de 87,16 %.