L'entraînement sur des transformations d'images polaires améliore la segmentation d'images biomédicales

Une étape clé du diagnostic fondé sur les images médicales est la segmentation d’images. Un cas d’usage courant de la segmentation d’images médicales consiste à identifier des structures individuelles de forme elliptique. La plupart des organes, tels que le cœur et les reins, ainsi que les lésions cutanées, les polypes et d’autres anomalies, relèvent de cette catégorie. Bien que les réseaux neuronaux aient considérablement amélioré les performances de segmentation d’images médicales, ils nécessitent encore de grandes quantités de données d’entraînement et des temps d’entraînement longs pour converger. Dans cet article, nous proposons une approche générale visant à améliorer les performances des réseaux neuronaux dans la segmentation d’images médicales, ainsi que leur efficacité en matière de données, dans des tâches où l’objectif est de segmenter un seul objet approximativement distribué selon une forme elliptique. Nous proposons d’entraîner un réseau neuronal sur des transformations polaires du jeu de données original, en choisissant comme origine polaire le point central de l’objet. Cette transformation permet une réduction de dimensionnalité ainsi qu’une séparation des tâches de segmentation et de localisation, ce qui facilite la convergence du réseau. Par ailleurs, nous proposons deux approches différentes pour estimer l’origine polaire optimale : (1) une estimation basée sur une segmentation réalisée à partir d’images non polaires, et (2) une estimation par un modèle entraîné spécifiquement à prédire l’origine optimale. Nous évaluons notre méthode sur les tâches de segmentation du foie, des polypes, des lésions cutanées et de la graisse adipeuse épicardique. Nos résultats montrent que notre approche atteint des performances de pointe pour la segmentation des lésions, du foie et des polypes, et surpassent la plupart des architectures de réseaux neuronaux couramment utilisées pour la segmentation d’images biomédicales. En outre, lorsqu’elle est utilisée comme étape de prétraitement, notre méthode améliore généralement l’efficacité des données sur divers jeux de données et architectures de réseaux neuronaux.