Réseau à pleine résolution et itération à seuils doubles pour la segmentation des vaisseaux rétiniens et des angio-graphies coronariennes

La segmentation des vaisseaux est essentielle pour le diagnostic des maladies et la planification chirurgicale. Récemment, les méthodes de segmentation des vaisseaux basées sur l’apprentissage profond ont atteint des performances remarquables. Toutefois, cette tâche reste difficile en raison de la finesse des vaisseaux et de leur faible contraste, qui entraînent facilement une perte d’information spatiale dans les réseaux de segmentation traditionnels en forme de U. Pour atténuer ce problème, nous proposons un nouveau réseau simple et complet à résolution pleine (FR-UNet), qui s’étend horizontalement et verticalement grâce à un mécanisme d’interaction convolutif multirésolution tout en conservant la résolution complète de l’image. Dans FR-UNet, le module d’agrégation de caractéristiques intègre des cartes de caractéristiques multéchelles provenant des étapes adjacentes afin de compléter l’information contextuelle de haut niveau. Les blocs résiduels modifiés apprennent de manière continue des représentations multirésolution afin d’obtenir une carte de prédiction à niveau de pixel. En outre, nous proposons un algorithme itératif à seuils doubles (DTI) pour extraire les pixels faiblement signalés des vaisseaux, améliorant ainsi leur connectivité. La méthode proposée a été évaluée sur des jeux de données de vaisseaux rétiniens (DRIVE, CHASE_DB1 et STARE) ainsi que sur des jeux de données d’angiographies coronaires (DCA1 et CHUAC). Les résultats montrent que FR-UNet surpasser les méthodes de pointe en obtenant les meilleurs scores de sensibilité (Sen), d’AUC, de F1 et d’IOU sur la plupart des jeux de données mentionnés, tout en utilisant moins de paramètres, tandis que DTI améliore significativement la connectivité des vaisseaux et la sensibilité.