Réseau adaptatif à gain mutuel pour le segmentage des lésions d'accident vasculaire cérébral
L’accident vasculaire cérébral (AVC), maladie vasculaire aiguë, peut entraîner des lésions cérébrales. Avec l’augmentation continue de sa prévalence, il devient urgent et essentiel de développer des outils automatisés pour la segmentation des lésions d’AVC, afin d’aider les radiologues à détecter ces lésions de manière à la fois efficace et précise. Bien que les modèles d’apprentissage profond aient permis des progrès significatifs dans cette tâche, ils restent confrontés à des défis majeurs liés à la grande variabilité de taille des lésions et aux frontières floues, qui dégradent considérablement les performances de segmentation. Dans ce travail, nous proposons un réseau d’apprentissage efficace et généralisable, nommé réseau adaptatif à gain mutuel (Mutual Gain Adaptive Network), conçu pour renforcer la capacité du modèle à gérer la variation de taille des lésions et à distinguer les frontières ambigües, afin d’améliorer les réseaux neuronaux profonds dans la segmentation des lésions d’AVC. Les contributions principales sont : 1) un bloc d’homologie adaptative à gain mutuel (MGAS, Mutual Gain Adaptive Similarity block) et 2) un bloc de conscience contextuelle globale (GCA, Global Context-Awareness block). Le bloc MGAS vise à capturer à la fois les dépendances spatiales à courte et à longue portée, en exploitant la similarité des caractéristiques pour mieux encoder les contextes globaux, ce qui améliore l’activation des caractéristiques pour la segmentation de lésions de tailles différentes. Le bloc GCA est spécifiquement conçu pour fournir un contexte global aux caractéristiques à faible sémantique, facilitant ainsi la restauration de la localisation précise des pixels afin de distinguer les frontières floues. Notre réseau a été évalué sur un jeu de données public, notamment le dataset Anatomical Tracings of Lesions After Stroke (ATLAS). Les résultats expérimentaux abondants démontrent que notre méthode surpasser les approches de pointe actuelles.