Segmentation d'IRM multimodales par réseaux de neurones : Stratégies de transfert d'apprentissage pour des ensembles de données de taille limitée
Year: 2024
Type: conference-paper
Abstract: La segmentation automatique d’images médicales est une tâche cruciale pour l'analyse et le diagnostic précis des affections cliniques. Cependant, cette tâche complexe est souvent limitée par la nécessité d'un grand nombre de données annotées et la phase longue d'entraînement requises par les modèles d'apprentissage profond. L'apprentissage par transfert (transfert learning, TL) se présente comme une solution prometteuse pour atténuer ces limitations en capitalisant sur les connaissances préalablement acquises par des modèles pré-entraînés sur de larges collections de données préexistantes. Dans ce travail, nous avons étudié l'apport du TL pour la segmentation de petits ensembles de données d’IRM 3D multimodales. L’apport du TL ainsi que différentes stratégies de transfert sont comparées pour deux modèles : U-Net, Dynamic-UNet. Un intérêt particulier est donné au nombre de couches transférées. Pour initialiser le TL, les modèles sources sont pré-entraînés sur la large base de données publique BraTS. Les résultats sont observés sur deux ensembles très différents dont le nombre d’images est faible, STERIMGLI (27 IRM multimodales, glioblastomes) et MSSEG-2(53 IRM multimodales, lésions de type sclérose en plaques). Les résultats montrent que le choix du modèle influe grandement sur les bénéfices du TL.
Source: HAL
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7205043316