GANet-Seg : Apprentissage Adversarial pour la Segmentation des Tumeurs Cérébrales avec des Modèles Génératifs Hybrides

Ce travail introduit un nouveau cadre pour la segmentation des tumeurs cérébrales en s'appuyant sur des GAN pré-entraînés et des architectures Unet. En combinant un module de détection d'anomalies globales avec un réseau de génération de masques affiné, le modèle proposé identifie avec précision les régions sensibles aux tumeurs et améliore itérativement la précision de segmentation en utilisant des contraintes de perte adversariale. Des données d'IRM multi-modales et des techniques d'augmentation d'images synthétiques sont employées pour améliorer la robustesse et relever le défi de l'accès limité aux ensembles de données annotées. Les résultats expérimentaux sur l'ensemble de données BraTS démontrent l'efficacité de l'approche, atteignant une grande sensibilité et précision dans les métriques de Dice et HD95 par rapport à la référence. Cette méthode évolutive minimise la dépendance aux données entièrement annotées, ouvrant la voie à des applications pratiques dans des environnements cliniques.