Rapport d’étude sur le réseau sensible au contexte pour la segmentation des gliomes cérébraux

Les gliomes cérébraux sont un type de tumeur cérébrale adulte courante, qui nuit gravement à la santé et présente un taux de mortalité élevé. Pour fournir des preuves suffisantes pour le diagnostic précoce, la planification chirurgicale et l’observation postopératoire, l’imagerie par résonance magnétique multimodale (IRM) a été largement utilisée dans ce domaine. L’objectif de cette étude est d’intégrer des informations contextuelles dans la segmentation automatisée des gliomes cérébraux, ce qui fournit des indices essentiels pour gérer les ambiguïtés locales.

Contexte de l’étude

Des études précédentes ont montré que les méthodes basées sur des réseaux de neurones profonds sont prometteuses pour la segmentation des gliomes cérébraux. Cependant, ces méthodes manquent de stratégies efficaces pour intégrer les informations contextuelles autour des cellules tumorales. Bien que les méthodes de segmentation automatique aient amélioré la précision de la segmentation, elles présentent toujours des problèmes d’ambiguïté locale et ne tiennent pas suffisamment compte des relations entre les cellules tumorales et leur environnement immédiat.

Source de l’article

Cette étude a été rédigée par Zhihua Liu, Lei Tong, Long Chen, Feixiang Zhou, Zheheng Jiang, Qianni Zhang, Yinhai Wang, Caifeng Shan, Ling Li et Huiyu Zhou. Elle a été publiée dans la revue « IEEE Transactions on Medical Imaging », en juillet 2021.

Processus de la recherche

L’article propose une nouvelle méthode appelée réseau sensible au contexte (Context aware network, Canet) pour la segmentation des gliomes cérébraux. Le flux de travail principal comprend les étapes suivantes :

1. Préparation des données

La recherche a utilisé les ensembles de données de segmentation des gliomes cérébraux BRATS2017, BRATS2018 et BRATS2019, qui sont publiquement accessibles. Ces ensembles contiennent des images IRM multimodales, incluant des séquences T1, T1 avec contraste (T1CE), T2 et inversion de récupération du liquide atténué (FLAIR).

2. Conception de l’architecture globale du réseau

• Encodeurs et décodeurs : Utilisation d’une structure encodeur et décodeur avec des connexions résiduelles. L’encodeur sert à réduire les dimensions spatiales des cartes de caractéristiques, tandis que le chemin d’expansion restaure les dimensions spatiales des cartes de caractéristiques et récupère les détails cibles.
• Carte d’interactions de caractéristiques : Construction d’une carte d’interaction de caractéristiques pour capturer les relations à longue distance entre les nœuds de caractéristiques, en utilisant la convolution de graphe pour transmettre et mettre à jour les caractéristiques des nœuds.

3. Fusion des caractéristiques

Conception d’un modèle de fusion de caractéristiques basé sur le champ aléatoire conditionnel, appelé champ aléatoire conditionnel attentif guidé par le contexte (CGA-CRF), qui apprend efficacement les caractéristiques latentes optimales pour la segmentation finale. Le CGA-CRF utilise l’approximation du champ moyen et le formule comme une opération de convolution qui peut être intégrée de manière transparente avec n’importe quel réseau neuronal pour un entraînement de bout en bout.

4. Extraction de caractéristiques guidée par le contexte

• Contexte graphique : Projection et échantillonnage adaptatif pour apprendre les relations entre les nœuds de caractéristiques en construisant un graphe interactif.
• Contexte convolutionnel : Utilisation d’une structure d’encodeur et de décodeur pour améliorer l’entraînement via un mécanisme de supervision profonde.

5. Évaluation expérimentale

Des évaluations expérimentales étendues ont été réalisées, comparant les performances de la méthode proposée avec celles des méthodes de pointe existantes sur différents indicateurs de segmentation. Les résultats montrent que l’algorithme proposé surpasse ou est compétitif avec plusieurs méthodes de pointe sur les ensembles d’entraînement et de validation.

Principaux résultats

L’évaluation sur les ensembles de données BRATS a produit les résultats principaux suivants :

• Score de Dice : Canet a obtenu des scores de Dice de 0.903 et de 0.873 pour la totalité de la tumeur et le cœur de la tumeur, respectivement, ce qui est significativement plus élevé que les autres méthodes.
• Distance Hausdorff95 : Canet a obtenu des distances Hausdorff95 de 3.569 et de 4.036 pour la totalité de la tumeur et le cœur de la tumeur, respectivement, qui sont toutes inférieures à celles des autres méthodes.

Conclusion

L’article propose une nouvelle méthode de segmentation des gliomes cérébraux, qui, en introduisant des cartes d’interactions de caractéristiques et en combinant les informations contextuelles, permet d’améliorer significativement la précision et les performances de la segmentation. Les principales contributions sont les suivantes :

1. Une nouvelle méthode de segmentation des gliomes cérébraux est proposée, utilisant la carte d’interactions de caractéristiques comme une branche auxiliaire parallèle pour modéliser les relations entre les cellules du gliome et leur environnement.
2. Le cadre CGA-CRF sur mesure utilise et agrège les représentations des caractéristiques intermédiaires.
3. Des évaluations approfondies montrent que notre méthode proposée est supérieure à plusieurs méthodes de pointe sur les ensembles de données de segmentation des images de tumeurs cérébrales multimodales (BRATS2017, BRATS2018 et BRATS2019).

Les résultats expérimentaux montrent que le réseau sensible au contexte (Canet) proposé offre des performances exceptionnelles dans les tâches de segmentation. Les recherches futures pourraient envisager de combiner de nouvelles méthodes d’entraînement pour mieux gérer les problèmes de déséquilibre dans les ensembles de données.