MFSNet : Un réseau de segmentation à focus multiple pour la segmentation des lésions cutanées

La segmentation est essentielle pour l’analyse d’images médicales afin d’identifier et de localiser les maladies, de surveiller les modifications morphologiques et d’extraire des caractéristiques discriminantes pour un diagnostic ultérieur. Le cancer de la peau est l’un des types de cancer les plus fréquents dans le monde, et son diagnostic précoce est crucial pour l’élimination complète des tumeurs malignes. Cette recherche développe un cadre d’intelligence artificielle (IA) basé sur une approche d’apprentissage profond pour la segmentation supervisée des lésions cutanées. Le cadre proposé, appelé MFSNet (Multi-Focus Segmentation Network), utilise des cartes de caractéristiques à différentes échelles afin de calculer le masque de segmentation final à partir d’images RGB brutes de lésions cutanées. Dans ce processus, les images sont d’abord prétraitées pour éliminer les artefacts et le bruit indésirables. Le MFSNet repose sur le noyau Res2Net, un réseau de neurones convolutifs (CNN) récemment proposé, pour extraire des caractéristiques profondes, utilisées dans un module de décodeur partiel parallèle (PPD) afin d’obtenir une carte globale du masque de segmentation. À différentes étapes du réseau, les caractéristiques de convolution et les cartes multi-échelles sont exploitées dans deux modules d’attention aux frontières (BA) et deux modules d’attention inverse (RA) afin de générer la sortie finale de segmentation. Lorsqu’il est évalué sur trois jeux de données publics : $PH^2$, ISIC 2017 et HAM10000, le MFSNet surpasse les méthodes de pointe, ce qui atteste de la fiabilité du cadre proposé. Les codes associés à cette approche sont disponibles à l’adresse suivante : https://github.com/Rohit-Kundu/MFSNet