Segmentation d'images médicales généralisable au domaine indépendante du modalité par une attention multi-échelle à fréquences multiples

La généralisation dans les réseaux neuronaux profonds joue un rôle fondamental dans la segmentation d’images médicales. Toutefois, les approches basées sur l’apprentissage profond pour l’analyse d’images médicales négligent souvent l’importance de la variabilité fréquentielle, un élément critique pour concevoir un modèle à la fois agnostique aux modalités et généralisable aux domaines. En outre, divers modèles ne prennent pas en compte la perte d’information potentielle pouvant survenir lors de l’apprentissage multi-tâches sous supervision profonde, un facteur pouvant affaiblir la capacité de représentation du modèle. Pour relever ces défis, nous proposons un réseau généralisable au domaine et agnostique aux modalités (MADGNet) pour la segmentation d’images médicales, composé de deux composants clés : un bloc d’attention multi-fréquence à multi-échelle (MFMSA) et un module d’ensemble de décodage (E-SDM). Le bloc MFMSA améliore le processus d’extraction des caractéristiques spatiales, en particulier la capture des caractéristiques de contour, en intégrant des informations à la fois multi-fréquentielles et multi-échelles, offrant ainsi des indices informatifs pour les contours tissulaires et les structures anatomiques. Par ailleurs, nous introduisons le module E-SDM afin de réduire la perte d’information dans l’apprentissage multi-tâches sous supervision profonde, notamment lors de fortes opérations de redimensionnement vers une résolution élevée. Nous évaluons la performance de segmentation de MADGNet sur six modalités et quinze jeux de données. À travers des expérimentations étendues, nous démontrons que MADGNet surpasse de manière cohérente les modèles de pointe sur différentes modalités, illustrant une performance de segmentation supérieure. Ces résultats confirment MADGNet comme une solution robuste pour la segmentation d’images médicales, performante dans divers scénarios d’imagerie. Le code source de MADGNet est disponible sur GitHub : [lien].