COMMA : Réseau de propagation d'agrégation multi-niveaux complémentaires pour la segmentation des polypes

La coloscopie est une méthode efficace pour détecter les polypes afin de prévenir le cancer colorectal. Les études existantes ont obtenu des performances satisfaisantes en détection des polypes en combinant les informations de contour de bas niveau et les informations de région de haut niveau au sein des réseaux neuronaux convolutifs (CNN), permettant une segmentation précise des polypes sur les images de coloscopie. Toutefois, l’agrégation multi-niveaux présente des limites en segmentation des polypes en raison des écarts de distribution qui surviennent lors de l’intégration des représentations issues de différentes couches. Pour pallier ce problème, les travaux antérieurs ont utilisé des représentations complémentaires de bas et de haut niveau. À la différence des méthodes existantes, nous nous concentrons sur la propagation d’informations complémentaires, de sorte que la frontière explicite de bas niveau complémentaire, combinée aux représentations abstraites de haut niveau, atténue ce déséquilibre de distribution. Cette étude propose COMMA, une méthode qui propage l’agrégation multi-niveaux complémentaire afin de réduire les écarts de distribution. COMMA est composée d’un module de masquage complémentaire (CMM) et d’un module de propagation de frontière (BPM), agissant comme un multi-décodeur. Le CMM masque les bruits de contour de bas niveau à l’aide de la représentation abstraite de haut niveau, et exploite l’information masquée aux deux niveaux. De même, le BPM intègre les représentations de plus bas et de plus haut niveau pour extraire des informations de frontière explicite, puis propage cette frontière vers les CMM afin d’améliorer la détection des polypes. Les CMM permettent une discrimination plus fine des polypes par rapport aux CMM antérieurs, grâce à une combinaison de représentations de frontière et complémentaires. En outre, nous proposons une fonction de perte hybride pour atténuer le déséquilibre de classes et les annotations bruyantes dans la segmentation des polypes. Pour évaluer les performances de COMMA, nous avons mené des expériences sur cinq jeux de données standard en utilisant cinq métriques. Les résultats démontrent que le réseau proposé surpasse les méthodes de pointe sur tous les jeux de données. Plus précisément, COMMA améliore la performance en mIoU de 0,043 en moyenne sur l’ensemble des jeux de données par rapport aux méthodes de pointe existantes.