Segmentation automatisée multi-têtes par l'intégration d'une tête de détection dans le réseau de neurones à couche contextuelle

Un nouveau modèle de Transformer Multi-Head améliore la segmentation automatisée en radiothérapie

Une nouvelle architecture de Transformer multi-têtes à portes, basée sur Swin U-Net, a montré des améliorations significatives en matière de segmentation automatisée pour les applications de radiothérapie. Ce modèle traite l'apparition de faux positifs dans les coupes qui manquent de structures cibles.

L'architecture proposée intègre le contexte inter-coupes et utilise une tête de détection parallèle pour améliorer les performances. Cette approche duale permet la détection de structures au niveau des coupes tout en réalisant une segmentation au niveau des pixels via un flux enrichi par le contexte. Les sorties de détection filtrent les prédictions de segmentation, supprimant ainsi efficacement les faux positifs dans les coupes anatomiquement invalides.

Résultats expérimentaux

Les expériences sur le dataset Prostate-Anatomical-Edge-Cases ont révélé que le modèle à portes surpasse significativement une base de référence de segmentation sans portes. Le modèle à portes a atteint une perte moyenne de Dice de $0.013 \pm 0.036$, contre $0.732 \pm 0.314$ pour le modèle sans portes. De plus, les probabilités de détection du modèle à portes ont montré une forte corrélation avec la présence anatomique réelle, éliminant efficacement les segmentations spurielles.

En revanche, le modèle sans portes a affiché une plus grande variabilité et des faux positifs persistants, indiquant un manque de robustesse dans ses prédictions. Ces résultats soulignent les avantages du filtrage basé sur la détection dans la segmentation automatisée, améliorant à la fois la robustesse et la plausibilité anatomique.