Résumé - Amélioration de la segmentation des images médicales par le biais d'apprentissage prototype adaptatif par exemple supervisé

Amélioration de la segmentation des images médicales par le biais d'apprentissage prototype adaptatif par exemple supervisé

2025-07-10 10:04:03

{"Guoyan Liang","Qin Zhou","Jingyuan Chen","Zhe Wang","Chang Yao"}

{stat.ME}

Le papier "Advancing Medical Image Segmentation via Self-supervised Instance-adaptive Prototype Learning" présente une nouvelle approche de segmentation d'images médicales, connue sous le nom d'apprentissage de prototypes adaptatifs aux instances supervisé (SIPL). Cette méthode remédie aux limitations des techniques de segmentation basées sur des prototypes existantes, en particulier dans la capture de la diversité des échantillons et de la variation intraclasses au sein de chaque entrée. Le SIPL introduit un nouveau cadre qui apprend des prototypes adaptatifs aux instances pour la segmentation d'images médicales. Cela implique une combinaison de propositions de prototypes communes (CPP) et de propositions de prototypes spécifiques aux instances (IPP) pour capturer à la fois les motifs visuels communs et spécifiques aux instances pour chaque classe. Pour traiter la variation intraclasses, un module de génération de masques supervisé (SMG) est proposé, qui génère hiérarchiquement des pseudo-masques avec des scores de confiance pour guider la génération des IPP. Le module SMG utilise un décodeur de transformer pour générer des embeddings de requête à partir de caractéristiques à multiples échelles obtenues à partir d'un décodeur de pixel. Une stratégie de filtrage supervisée innovante est intégrée pour prioriser les pixels avant-plan pendant l'apprentissage des embeddings de requête, atténuant ainsi les biais potentiels de fond. Une perte supplémentaire est également introduite pour améliorer l'exactitude des scores de confiance. Le papier présente des expériences extensives sur trois tâches de segmentation d'images médicales difficiles : BTCV, Lungs et BraTS. Les résultats montrent que le SIPL surpasse les méthodes les plus avancées en termes de Coefficient de Similarité de Dice (DSC), une métrique couramment utilisée pour la performance de segmentation. En résumé, les contributions clés de la méthode SIPL sont : 1. Un nouveau cadre pour l'apprentissage de prototypes adaptatifs aux instances dans la segmentation d'images médicales. 2. Un module de génération de masques supervisé qui prend en compte la variation intraclasses et guide la génération de propositions de prototypes spécifiques aux instances. 3. Une performance favorable sur des tâches de segmentation d'images médicales difficiles par rapport aux méthodes les plus avancées.