Une méthode hybride pour la segmentation des lésions de la sclérose en plaques utilisant Wavelet et Dense U-Net

La sclérose en plaques (SEP) est l'un des troubles invalidants du système nerveux central. Cette maladie provoque des lésions dans la matière blanche du tissu cérébral. Elle peut également mener à de nombreux troubles physiques et psychologiques concernant le mouvement, la vision et la mémoire. La segmentation des lésions dans les images IRM pour déterminer le nombre et la taille des lésions est l'un des problèmes diagnostiques pour les spécialistes. Utiliser des outils de diagnostic automatisés comme aide peut être bénéfique pour les professionnels. Des méthodes traditionnelles de traitement d'images et d'apprentissage profond sont utilisées pour automatiser la segmentation des lésions. Le U-Net est l'une des architectures d'apprentissage profond les plus largement utilisées pour la segmentation des lésions de la SEP. Les images sont utilisées dans le domaine de Fourier dans le réseau U-Net, ce qui n'inclut pas toutes ses caractéristiques. Notre méthode proposée combine la transformation ondelette HAR et le U-Net basé sur Dense net. Cela rend les caractéristiques locales et les lésions de différentes tailles plus proéminentes et conduit à une segmentation de meilleure qualité. La méthode proposée a obtenu une meilleure valeur de Dice que les méthodes comparées lors des expériences.