Régression non supervisée des parties du corps via des réseaux de neurones convolutifs auto-organisés spatialement

La reconnaissance automatique des parties du corps pour les coupes de CT peut bénéficier à diverses applications d'imagerie médicale. Les méthodes récentes d'apprentissage profond montrent des performances prometteuses, nécessitant de grandes quantités d'images étiquetées pour l'entraînement. Les informations intrinsèques de structure ou d'ordre supérieur-inférieur des coupes dans les volumes de CT ne sont pas pleinement exploitées. Dans cet article, nous proposons un algorithme de régression non supervisée des parties du corps (UBR) basé sur un réseau de neurones convolutifs (CNN) pour aborder ce problème. Une nouvelle méthode d'apprentissage non supervisé et deux fonctions de perte CNN inter-échantillons sont présentées. Contrairement aux travaux précédents, UBR construit un système de coordonnées pour le corps humain et génère un score continu pour chaque coupe axiale, représentant la position normalisée de la partie du corps dans la coupe. Le processus de formation de l'UBR ressemble à un processus d'auto-organisation : les scores des coupes sont appris à partir des relations entre les coupes. Les échantillons de formation sont des volumes de CT non étiquetés qui sont abondants, donc aucun effort supplémentaire d'annotation n'est nécessaire. UBR est simple, rapide et précis. Des expériences quantitatives et qualitatives valident son efficacité. De plus, nous montrons deux applications de l'UBR dans l'initialisation de réseau et la détection d'anomalies.