TransNetR : Réseau de neurones résiduels basé sur le Transformer pour la segmentation des polypes avec un test hors distribution multi-centre

La coloscopie est considérée comme le test de dépistage le plus efficace pour détecter le cancer du côlon et du rectum (CCR) ainsi que ses lésions précurseurs, à savoir les polypes. Cependant, la procédure souffre d'un taux élevé de manquements dus à la hétérogénéité des polypes et à la dépendance entre observateurs. Par conséquent, plusieurs systèmes alimentés par l'apprentissage profond ont été proposés en tenant compte de l'importance critique de la détection et de la segmentation des polypes dans les pratiques cliniques. Malgré des résultats améliorés, les approches automatisées existantes sont inefficaces pour atteindre une vitesse de traitement en temps réel. De plus, elles subissent une baisse significative des performances lorsqu'elles sont évaluées sur des données inter-patients, en particulier celles collectées dans différents centres. Ainsi, nous avons l'intention de développer une nouvelle architecture basée sur l'apprentissage profond en temps réel, le réseau résiduel basé sur les Transformers (TransNetR), pour la segmentation des polypes coliques et d'évaluer ses performances diagnostiques.L'architecture proposée, TransNetR, est un réseau encodeur-décodeur qui comprend un ResNet50 pré-entraîné comme encodeur, trois blocs décodeurs et une couche de remise à l'échelle au bout du réseau. TransNetR obtient un coefficient Dice élevé de 0.8706 et une moyenne d'Intersection sur Union (IoU) de 0.8016 tout en maintenant une vitesse de traitement en temps réel de 54.60 images par seconde sur le jeu de données Kvasir-SEG. En outre, la contribution majeure de ce travail réside dans l'exploration de la généralisabilité du TransNetR en testant l'algorithme proposé sur un jeu de données hors distribution (la distribution des tests est inconnue et différente de celle des données d'entraînement). Comme cas d'utilisation, nous avons testé notre algorithme proposé sur le jeu de données PolypGen (6 centres uniques) ainsi que deux autres jeux de données populaires servant de référence pour la segmentation des polypes. Nous avons obtenu des performances d'état de l'art sur les trois jeux de données lors du test hors distribution.Le code source du TransNetR sera rendu publiquement disponible sur https://github.com/DebeshJha.