Adaptation de Domaine pour la Segmentation d'Images Médicales : Une Méthode d'Apprentissage Métamodèle

Les réseaux de neurones convolutifs (CNN) ont démontré une grande réussite dans l'augmentation de la précision et de la stabilité de la segmentation d'images médicales. Cependant, les CNN existants sont limités par le problème de dépendance à la disponibilité des données d'entraînement en raison des coûts élevés d'annotation manuelle et des problèmes de confidentialité. Pour contrer cette limitation, l'adaptation de domaine (DA) et l'apprentissage par quelques exemples ont été largement étudiés. Inspirés par ces deux catégories d'approches, nous proposons une méthode d'apprentissage métamodèle basée sur l'optimisation pour les tâches de segmentation. Bien que les méthodes d'apprentissage métamodèle existantes utilisent des connaissances antérieures pour choisir des paramètres qui se généralisent bien à partir de peu d'exemples, ces méthodes limitent la diversité de la distribution des tâches dont elles peuvent apprendre dans la segmentation d'images médicales. Dans cet article, nous proposons un algorithme d'apprentissage métamodèle pour augmenter les algorithmes existants avec la capacité d'apprendre à partir de tâches de segmentation diverses à travers l'ensemble de la distribution des tâches. Plus précisément, notre algorithme vise à apprendre de la diversité des caractéristiques d'image qui caractérisent un type de tissu spécifique tout en montrant des intensités de signal variées. Pour démontrer l'efficacité de l'algorithme proposé, nous avons réalisé des expériences utilisant un ensemble diversifié de tâches de segmentation provenant du Medical Segmentation Decathlon et de deux benchmarks d'apprentissage métamodèle : l'apprentissage métamodèle agnostique au modèle (MAML) et Reptile. U-Net et le coefficient de similarité de Dice (DSC) ont été sélectionnés comme modèle de référence et mesure de performance principale, respectivement. Les résultats expérimentaux montrent que notre algorithme dépasse au maximum MAML et Reptile de 2 % et 2,4 % respectivement, en termes de DSC. En montrant une amélioration constante dans les mesures subjectives, nous pouvons également inférer que notre algorithme peut produire une meilleure généralisation d'une tâche cible qui a peu d'exemples.