Des chercheurs chinois proposent une approche d’augmentation des données appelée CarveMix pour la segmentation des lésions cérébrales.

Les chercheurs chinois ont proposé CarveMix, une approche d'augmentation des données pour la segmentation des lésions cérébrales.

La segmentation automatisée des lésions cérébrales à l’aide de réseaux neuronaux convolutionnels (CNN) est devenue un outil clinique et de recherche précieux. Cependant, les approches basées sur les CNN rencontrent encore des défis pour segmenter avec précision les lésions cérébrales en raison de la rareté des données d’entraînement annotées. Des stratégies d’augmentation de données qui mélangent des paires d’images annotées ont été développées pour améliorer l’entraînement des CNN. Cependant, les méthodes existantes basées sur le mélange d’images ne sont pas conçues pour les lésions cérébrales et peuvent ne pas bien fonctionner pour la segmentation des lésions cérébrales.

Avant d’utiliser des approches basées sur les CNN, les études précédentes sur la segmentation automatisée des lésions cérébrales s’appuyaient sur des techniques d’apprentissage automatique traditionnelles. Les développements récents des CNN ont permis d’améliorer considérablement les performances de segmentation. Parmi ces développements récents, on peut citer 3D DenseNet, U-Net, Context-Aware Network (CANet) et CNN conscient de l’incertitude, qui ont été proposés pour segmenter différents types de lésions cérébrales. Cependant, malgré ces avancées, la segmentation précise des lésions cérébrales reste un défi.

Ainsi, une équipe de recherche chinoise a récemment proposé une approche d’augmentation de données simple et efficace appelée CarveMix, qui est consciente des lésions et préserve les informations sur les lésions lors de la combinaison d’images.

CarveMix, une approche d’augmentation de données, est consciente des lésions et conçue spécifiquement pour la segmentation des lésions cérébrales basée sur les CNN. Elle combine de manière stochastique deux images annotées pour obtenir de nouveaux échantillons étiquetés. CarveMix découpe une région d’intérêt (ROI) à partir d’une image annotée en fonction de l’emplacement et de la géométrie de la lésion avec une taille de ROI variable. La ROI découpée remplace ensuite les voxels correspondants dans une deuxième image annotée pour synthétiser de nouvelles images étiquetées pour l’entraînement du réseau. La méthode applique également des étapes d’harmonisation supplémentaires pour les données hétérogènes provenant de différentes sources et modélise l’effet de masse unique à la segmentation des tumeurs cérébrales complètes lors du mélange des images.

Concrètement, les principales étapes de l’approche proposée pour la segmentation des lésions cérébrales sont les suivantes :

Les auteurs utilisent un ensemble d’images annotées en 3D avec des lésions cérébrales pour entraîner un CNN pour la segmentation automatisée des lésions cérébrales.

À partir des images annotées, l’augmentation des données est réalisée à l’aide de CarveMix, qui est basé sur le mélange d’images conscient des lésions.

Pour effectuer le mélange d’images, les auteurs prennent une paire d’images annotées et extraient une ROI en 3D à partir d’une image en fonction de l’emplacement et de la géométrie de la lésion donnés par l’annotation.

Ensuite, la ROI est mélangée avec l’autre image, remplaçant la région correspondante, et l’annotation est ajustée en conséquence.

Enfin, des images annotées synthétiques et des annotations sont obtenues qui peuvent être utilisées pour améliorer l’entraînement du réseau. Les auteurs répètent le processus pour générer des données d’entraînement annotées diverses.

La méthode proposée a été évaluée sur plusieurs ensembles de données pour la segmentation des lésions cérébrales et comparée à l’augmentation de données traditionnelle (TDA), Mixup et CutMix. Les résultats montrent que CarveMix+TDA a surpassé les méthodes concurrentes en ce qui concerne le coefficient de Dice, la distance de Hausdorff, la précision et le rappel. La méthode proposée a réduit les prédictions de faux négatifs et la sous-segmentation des lésions. Les avantages de CarveMix seul, sans TDA en ligne, ont également été démontrés.

Dans cet article, nous avons présenté une nouvelle approche appelée CarveMix, qui a été proposée comme technique d’augmentation de données pour la segmentation des lésions cérébrales. CarveMix est une combinaison d’images d’entraînement annotées qui crée des images d’entraînement synthétiques. Cette combinaison est consciente des lésions, en tenant compte de l’emplacement et de la forme des lésions avec un paramètre de taille échantillonné de manière aléatoire. Pour assurer la cohérence dans la combinaison de données provenant de différentes sources, des étapes d’harmonisation sont introduites. De plus, la modélisation de l’effet de masse est incorporée pour améliorer CarveMix spécifiquement pour la segmentation des tumeurs cérébrales complètes. Les résultats expérimentaux de quatre tâches de segmentation des lésions cérébrales montrent que CarveMix améliore la précision et surpasse les autres stratégies d’augmentation de données.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Actionneurs Pneumatiques Confèrent à un Robot une Accélération Similaire à celle d'un Guépard

Des chercheurs de l'Université du Cap en Afrique du Sud ont développé un robot à pattes qui utilise des actionneurs p...

AI

Traitement du langage naturel Au-delà de BERT et GPT

Le monde de la technologie est en constante évolution, et un domaine qui a connu des avancées significatives est le T...

AI

Une nouvelle recherche en IA en provenance de Chine présente GLM-130B un modèle de langage pré-entraîné bilingue (anglais et chinois) avec 130 milliards de paramètres.

Récemment, les capacités de zéro-shot et de few-shot des grands modèles de langage (LLM) ont considérablement augment...

AI

Comment le travail humain permet l'apprentissage automatique

On ne parle pas assez du travail manuel et humain sur lequel nous nous appuyons pour rendre les avancées passionnante...

AI

Information et Entropie

En 1948, un mathématicien du nom de Claude E. Shannon a publié un article intitulé Une théorie mathématique de la com...

AI

Meta AI dévoile SeamlessM4T un modèle multilingue et multitâche fondamental qui traduit et transcrit de manière transparente à travers la parole et le texte

Dans un monde où les interactions sont de plus en plus mondiales, être multilingue peut combler les fossés, favoriser...