Raisonnement relationnel adaptatif au domaine pour la segmentation 3D multi-organes

Dans cet article, nous présentons une nouvelle méthode d'adaptation de domaine non supervisée (UDA), nommée Raisonnement relationnel adaptatif au domaine (DARR), pour généraliser les modèles de segmentation 3D multi-organes aux données médicales collectées à partir de différents scanners et/ou protocoles (domaines). Notre méthode s'inspire du fait que la relation spatiale entre les structures internes dans les images médicales est relativement fixe, par exemple, une rate est toujours située à la queue d'un pancréas, ce qui sert de variable latente pour transférer le savoir partagé à travers plusieurs domaines. Nous formulons la relation spatiale en résolvant une tâche de puzzle, c'est-à-dire en récupérant un scan CT à partir de ses morceaux mélangés, et en l'entraînant conjointement avec la tâche de segmentation des organes. Pour garantir la transférabilité de la relation spatiale apprise à plusieurs domaines, nous introduisons également deux schémas : 1) Utilisation d'un réseau de super-résolution également entraîné conjointement avec le modèle de segmentation pour standardiser les images médicales de différents domaines à une certaine résolution spatiale ; 2) Adaptation de la relation spatiale pour une image de test par un entraînement de puzzle lors du test. Les résultats expérimentaux montrent que notre méthode améliore la performance de 29.60 % DSC sur les ensembles de données cibles en moyenne sans utiliser de données du domaine cible pendant l'entraînement.