Segmentation améliorée de multiples organes abdominaux grâce à des réseaux neuronaux profonds 3D contraints par les frontières

L’évaluation quantitative de la région abdominale à partir de scanners TDM cliniques acquises en routine nécessite la segmentation simultanée des organes abdominaux. Grâce à la disponibilité de ressources informatiques haute performance, les méthodes basées sur l’apprentissage profond ont atteint des performances de pointe pour la segmentation des scans TDM 3D abdominaux. Toutefois, la caractérisation complexe des organes aux limites floues entrave la capacité des méthodes d’apprentissage profond à segmenter précisément ces structures anatomiques. En particulier, les voxels situés aux frontières des organes sont plus sujets à une mauvaise prédiction en raison de la forte variabilité des intensités aux interfaces entre organes. Ce travail explore la possibilité d’améliorer les performances de segmentation des images abdominales des réseaux 3D encoder-decoder existants en exploitant la prédiction des limites organiques comme tâche complémentaire. Pour aborder le problème de la segmentation multi-organes abdominaux, nous entraînons un réseau 3D encoder-decoder afin qu’il segmente simultanément les organes abdominaux et leurs limites correspondantes dans les scans TDM, via un apprentissage multi-tâches. Le réseau est entraîné de manière end-to-end à l’aide d’une fonction de perte combinant deux pertes spécifiques à chaque tâche : la perte de segmentation complète des organes et la perte de prédiction des limites. Nous examinons deux topologies de réseau différentes, selon le degré de partage des poids entre les deux tâches au sein d’un cadre unifié d’apprentissage multi-tâches. Pour évaluer l’apport de la tâche complémentaire de prédiction des limites dans l’amélioration de la segmentation multi-organes abdominales, nous utilisons trois architectures de référence de type encoder-decoder 3D : 3D UNet, 3D UNet++ et 3D Attention-UNet. L’efficacité de l’utilisation des informations de limites organiques pour la segmentation multi-organes abdominales est évaluée sur deux jeux de données publiques de scans TDM abdominaux. Une amélioration relative maximale de 3,5 % et 3,6 % est observée sur le score moyen de Dice pour les jeux de données Pancreas-CT et BTCV, respectivement.