Réseaux de Convolution Profonde 3D avec Raccourcis pour l'Intégration de Caractéristiques Multiscala Appliqués à la Segmentation des Lésions de la Sclérose en Plaques

Nous proposons une nouvelle approche de segmentation basée sur des réseaux de convolution profonde 3D avec des connexions par raccourci et l'appliquons à la segmentation des lésions de la sclérose en plaques (SEP) dans des images par résonance magnétique. Notre modèle est un réseau de neurones qui se compose de deux voies interconnectées : une voie convolutionnelle, qui apprend des caractéristiques d'image de plus en plus abstraites et de niveau supérieur, et une voie de déconvolution, qui prédit la segmentation finale au niveau du voxel. L'entraînement conjoint des voies d'extraction des caractéristiques et de prédiction permet un apprentissage automatique des caractéristiques à différentes échelles, optimisées pour la précision pour toute combinaison donnée de types d'images et de tâches de segmentation. De plus, les connexions par raccourci entre les deux voies permettent l'intégration de caractéristiques de haut et bas niveau, ce qui permet la segmentation des lésions à travers une large gamme de tailles. Nous avons évalué notre méthode sur deux ensembles de données disponibles publiquement (défis MICCAI 2008 et ISBI 2015) avec des résultats montrant que notre méthode se compare favorablement aux méthodes de pointe les mieux classées, même lorsque seuls de relativement petits ensembles de données sont disponibles pour l'entraînement. De plus, nous avons comparé notre méthode avec cinq méthodes de segmentation de lésions de SEP largement utilisées et disponibles gratuitement (EMS, LST-LPA, LST-LGA, Lesion-TOADS, et SLS) sur un grand ensemble de données provenant d'un essai clinique sur la SEP. Les résultats montrent que notre méthode surpasse systématiquement ces autres méthodes sur une large gamme de tailles de lésions.