Multi Kernel Positional Embedding ConvNeXt pour la segmentation des polypes

La segmentation d'images médicales est une technique qui aide les médecins à visualiser et à poser un diagnostic précis, en particulier dans le cancer colorectal. Plus précisément, avec l'augmentation du nombre de cas, il est nécessaire que le diagnostic et l'identification soient plus rapides et plus précises pour de nombreux patients ; dans les images endoscopiques, la tâche de segmentation a été essentielle pour aider le médecin à identifier correctement la position des polypes ou des lésions dans le système. Par conséquent, de nombreux efforts ont été déployés pour appliquer l'apprentissage profond afin d'automatiser la segmentation des polypes, principalement pour améliorer la structure en U. Cependant, le schéma simple de connexion résiduelle (skip connection) dans UNet entraîne une information contextuelle insuffisante et un écart sémantique entre les cartes de caractéristiques issues de l'encodeur et du décodeur. Pour résoudre ce problème, nous proposons un nouveau cadre composé d'un tronc commun ConvNeXt et d'un bloc d'incrustation positionnelle multi-noyaux (Multi Kernel Positional Embedding). Grâce au module suggéré, notre méthode peut atteindre une meilleure précision et une meilleure généralisation dans la tâche de segmentation des polypes. De nombreuses expériences montrent que notre modèle obtient un coefficient Dice de 0,8818 et un score IOU de 0,8163 sur le jeu de données Kvasir-SEG. De plus, sur divers jeux de données, nous obtenons des résultats compétitifs par rapport aux méthodes précédentes considérées comme étant à l'état de l'art.