IARS SegNet : SegNet avec des connexions résiduelles et une attention interprétable pour la segmentation du mélanome

La segmentation des lésions cutanées joue un rôle crucial dans le diagnostic assisté par ordinateur du mélanome. Les modèles d'Apprentissage Profond (Deep Learning) ont montré leur potentiel pour segmenter avec précision les lésions cutanées, mais leur adoption généralisée dans les environnements cliniques réels est entravée par leur nature intrinsèquement opaque (black-box). Dans des domaines aussi critiques que la santé, l'interprétabilité n'est pas seulement une fonctionnalité, mais une exigence fondamentale pour l'adoption des modèles. Cet article propose IARS SegNet, un cadre avancé de segmentation basé sur le modèle de référence SegNet. Notre approche intègre trois composants essentiels : les connexions résiduelles (skip connections), les convolutions résiduelles et un mécanisme d'attention globale appliqué à l'architecture de base de SegNet. Ces éléments jouent un rôle pivot dans la mise en évidence de la signification des régions cliniquement pertinentes, en particulier les contours des lésions cutanées. L'inclusion des connexions résiduelles améliore la capacité du modèle à apprendre des détails complexes des contours, tandis que l'utilisation de convolutions résiduelles permet de construire un modèle plus profond tout en préservant les caractéristiques essentielles de l'image. Le mécanisme d'attention globale contribue davantage en extrayant des cartes de caractéristiques raffinées à partir de chaque bloc convolutif et déconvolutif, ce qui augmente l'interprétabilité du modèle. Cette amélioration met en lumière les régions critiques, favorise une meilleure compréhension et conduit à une segmentation plus précise des lésions cutanées pour le diagnostic du mélanome.