Réseaux de neurones convolutifs volumétriques avec connexions résiduelles mixtes pour la segmentation automatisée de la prostate à partir d'images IRM 3D

La segmentation automatisée de la prostate à partir d'images IRM 3D est très difficile en raison des grandes variations de la forme de la prostate et des contours indistincts de la prostate. Nous proposons un nouveau réseau de neurones convolutifs volumétriques (ConvNet) avec des connexions résiduelles mixtes pour faire face à ce problème difficile. Par rapport aux méthodes précédentes, notre ConvNet volumétrique présente deux avantages convaincants. Tout d'abord, il est implémenté de manière 3D et peut pleinement exploiter les informations contextuelles spatiales 3D des données d'entrée pour effectuer des prévisions efficaces, précises et de volume à volume. Deuxièmement et plus important, la combinaison novatrice de connexions résiduelles (c'est-à-dire, longues et courtes) peut grandement améliorer l'efficacité d'entraînement et la capacité discriminante de notre réseau en renforçant la propagation d'information au sein du ConvNet à la fois localement et globalement. Bien que la propagation avant de l'information de localisation puisse améliorer la précision de segmentation, la propagation douce du flux de gradient en arrière peut accélérer la vitesse de convergence et améliorer la capacité de discrimination. Des expériences approfondies sur l'ensemble de données ouvert du défi MICCAI PROMISE12 ont corroboré l'efficacité du ConvNet volumétrique proposé avec connexions résiduelles mixtes. Notre méthode a été classée première dans le défi, surpassant d'autres concurrents par une large marge en ce qui concerne la plupart des métriques d'évaluation. Le ConvNet volumétrique proposé est suffisamment général et peut être facilement étendu à d'autres tâches d'analyse d'images médicales, notamment celles avec des données d'entraînement limitées.