Une Détection Efficace et Sans Ancre de Lésions Universelles dans les Scanners TDM

Les méthodes actuelles de détection universelle des lésions (ULD) utilisent des architectures basées sur des ancres qui sont gourmandes en ressources informatiques et qui reposent sur des boîtes d'ancre prédéfinies, aboutissant à des performances de détection insatisfaisantes, particulièrement pour les lésions de petite et moyenne taille. De plus, ces tailles et rapports d'ancres par défaut fixes ne généralisent pas bien à différents jeux de données. Par conséquent, nous proposons un réseau de détection de lésions robuste et sans ancre en une seule étape, capable de bien performer sur des lésions de tailles variées en exploitant le fait que les prédictions de boîtes peuvent être classées selon leur pertinence en fonction de leur centre plutôt que de leur chevauchement avec l'objet.De plus, nous montrons que la ULD peut être améliorée en lui fournissant explicitement des informations spécifiques au domaine sous forme d'images multi-intensités générées à partir de plusieurs fenêtres HU (Hounsfield Units), suivies d'une fusion de caractéristiques basée sur l'auto-attention et d'une initialisation du backbone utilisant des poids appris par auto-supervision sur les scanners CT. Nous obtenons des résultats comparables aux méthodes les plus avancées, atteignant une sensibilité globale de 86,05 % sur le jeu de données DeepLesion, qui comprend environ 32 000 scanners CT avec des lésions annotées dans divers organes corporels.