GENTEL : GENerating Training data Efficiently for Learning to segment medical images

La segmentation précise d’images à résonnance magnétiques (IRM) est cruciale pour de nombreuses applications cliniques. Cependant, une segmentation manuelle visant une précision au niveau du pixel est une tâche longue et fastidieuse. Dans cet article, nous proposons une méthode simple pour améliorer l’efficacité de la segmentation d’images. Nous proposons de transformer la tâche d’annotation d’une image en une tâche de choix binaire. D’abord, nous utilisons plusieurs algorithmes classiques de traitement d’image pour générer plusieurs candidats de masques de segmentation. Ensuite, l’utilisat.eur.rice, au lieu de segmenter les pixels des images, décide si une segmentation est acceptable ou non. Cette méthode nous permet d’obtenir efficacement un grand nombre de segmentations de haute qualité avec une intervention humaine limitée. Avec les images et leurs segmentations sélectionnées, nous entrainons un réseau de neurones de l’état de l’art qui prédit les segmentations à partir des images d’entrée. Nous le validons sur un autre jeu de données IRM, acquis avec un protocole different, et qui contient des segmentations. Nous montrons que le réseau entrainé 1) est capable de segmenter automatiquement des cas où aucune des méthodes classiques n’a obtenu un résultat de haute qualité, 2) est capable de segmenter un autre jeu de données IRM, acquis avec un protocole different et jamais vu lors de l’entrainement, et 3) permet de détecter des annotations erronées dans ce jeu de données. Quantitativement, le réseau entrainé obtient de très bons résultats : Score DICE moyenne 0,98 et médiane 0,99 et distance de Hausdorff (en pixels) moyenne 4,7, médiane 2,0.