Deep vascular segmentation with geometric and topological constraints
Mohamed Amine Sadikine · 2024
Intégration de contraintes géométriques et topologiques pour la segmentation vasculaire par apprentissage profond Dans le domaine de l’analyse d’images médicales, la segmentation des vaisseaux sanguins joue un rôle clé dans l’amélioration du diagnostic assisté par ordinateur et de la planification chirurgicale. Ce travail introduit trois contributions innovantes en segmentation automatique de structures vasculaires. Premièrement, nous présentons une méthodologie qui améliore les architectures inspirées de U-Net avec un auto-encodeur convolutif semi-surcomplet qui intègre des a priori de forme pour améliorer la délimitation des vaisseaux, avec un focus particulier sur la caractérisation des structures fines. Ensuite, notre recherche se prolonge pour affiner la segmentation à travers un mécanisme d’encodage préalable conjoint qui fusionne des contraintes géométriques et topologiques, fournissant un espace latent unifié qui capture les informations contextuelles et la connectivité des vaisseaux et répondant ainsi aux défis posés par leur variabilité anatomique. Enfin, nous présentons une approche supervisée multi-tâches incorporant des tâches auxiliaires spécifiques à l’échelle et un apprentissage contrastif. Ces avancées représentent un pas en avant dans la segmentation vasculaire automatisée, offrant ainsi le potentiel d’améliorer les résultats cliniques dans une large gamme d’applications.