Segmentation d'IRM multimodales par réseaux de neurones : Stratégies de transfert d'apprentissage pour des ensembles de données de taille limitée
Résumé
Automatic segmentation of medical images is a crucial task for the accurate analysis and diagnosis of clinical conditions. However, this complex task is often limited by the need for a large amount of annotated data and the lengthy training phase required by deep learning models. Transfer learning(TL) presents a promising solution to alleviate these limitations by capitalizing on the knowledge previously acquired by pre-trained models on large collections of pre-existing data. In this work, we studied the contribution of TL to the segmentation of small multimodal 3D MRI datasets. The contribution of TL and different transfer strategies are compared for two models: U-Net, Dynamic-UNet. Particular attention is paid to the number of layers transferred. To initialize the TL, the source models are pre-trained on the large BraTS public database. Results are observed on two very different sets with small numbers of images, STERIMGLI (27 multimodal MRIs, glioblastomas) and MSSEG-2 (53 multimodal MRIs, multiple sclerosis-type lesions). The results show that the choice of model has a major influence on the benefits of TL.
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.
Origine : Fichiers produits par l'(les) auteur(s)