Apprentissage par transfert pour la segmentation des polypes et des instruments endoscopiques à partir d'images de coloscopie

Le cancer colorectal est l’une des formes de cancer les plus mortelles et les plus répandues dans le monde. La coloscopie est la procédure utilisée pour détecter et diagnostiquer les polypes au niveau du côlon, mais le taux actuel de détection présente un taux d’erreur significatif, affectant ainsi le diagnostic et le traitement. Un algorithme automatisé de segmentation d’images pourrait aider les médecins à améliorer le taux de détection des polypes pathologiques dans le côlon. En outre, la segmentation des instruments endoscopiques présents dans les images prises lors d’une coloscopie pourrait contribuer au développement de chirurgies assistées par robot. Dans cette étude, nous avons entraîné et validé à la fois des modèles de segmentation pré-entraînés et non pré-entraînés sur deux jeux de données distincts, comprenant des images de polypes et d’instruments endoscopiques. Enfin, nous avons appliqué ces modèles à deux jeux de tests séparés : le meilleur modèle de segmentation de polypes a obtenu un score Dice de 0,857, tandis que le modèle de segmentation des instruments a atteint un score Dice de 0,948. De plus, nous avons constaté que le pré-entraînement des modèles améliorait significativement les performances en segmentation des polypes et des instruments endoscopiques.