École Nationale Supérieure de
Techniques Avancées

Résumé

Les modèles de pointe tels que Unet et nnUnet excellent dans la segmentation sémantique des images médicales, mais leurs méthodes d’apprentissage peuvent parfois produire des résultats structurellement incohérents, présentant des trous et des morceaux déconnectés. Au contraire, les modèles génératifs profonds ont récemment démontré un succès significatif dans la production de résultats structurellement cohérents pour les images naturelles et médicales. Ce travail étudie le potentiel des modèles de diffusion pour générer des segmentations anatomiquement cohérentes tout en maintenant la compétitivité de nnUnet dans les tâches de segmentation. Différentes implémentations de modèles de diffusion sont évaluées pour des tâches de génération non conditionnelle et de segmentation. Ce rapport présente et discute les résultats visuels et quantitatifs, qui sont prometteurs, montrant la compétitivité avec l’état de l’art, nnUnet, dans les tâches de segmentation et les améliorations apparentes dans la structure du masque. Ce travail suggère une voie de recherche prometteuse sur la segmentation sémantique des images médicales.