École Nationale Supérieure de
Techniques Avancées

Résumé

La segmentation multi-classe des lesions du cancer de la prostate sur IRM multiparamétrique est une tâche difficile qui se fait actuellement avec des modèles d'apprentissage profond entrainés avec des jeux de données complètement annotés et des fonctions de coût telles que l'entropie croisée ou le coefficient de dice. Le but de ce projet est premièrement d'entraîner un réseau à faire la même tâche mais avec des annotations faibles et ensuite d'explorer des nouvelles fonctions de coût prenant en compte la relation entre les différentes classes. Après une étude de l'état de l'art, nous avons décidé d'utiliser une méthode basée sur des gribouillis et des contraintes sur la présence et la taille des objets à segmenter. Nous avons déterminé la taille et la position optimale des gribouillis, permettant à notre modèle faiblement supervisé d'approcher les performances du modèle complètement supervisé. Cela nous a aussi permis d'exploiter un jeu de données publiques d'IRM faiblement annotées de patients atteints du cancer de la prostate, donnant le meilleur coefficient de kappa rapporté pour cette tâche. Finalement, sur nos modèles complètement supervisés, nous avons essayé d'utiliser une fonction de coût basée sur le kappa afin d'obtenir de l'améliorer, mais cela n'a pas encore fonctionné.