Découverte de sous-parties d'un objet dans une image à partir des proportions partielles

Read full text Summarise with VIRAT
Authors: Guillaume Picaud, Marc Chaumont, Gérard Subsol, Luc Téot
Cited by: 0
References: 8

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Dans ce travail, nous nous intéressons au problème de la découverte et de la segmentation dans une image des sous-parties d’un objet, lorsque seules les proportions des sous-parties de l’objet sont données. Comme le montre la figure 1, ce problème s’illustre dans le cadre clinique de la segmentation des tissus (la nécrose, la fibrine et le bourgeonnement) au sein des plaies chroniques à partir de photographies. Cette segmentation est essentielle pour analyser l’évolution d’une plaie au cours du temps. Or, dans le processus de téléconsultation mis en place par le Cicat-Occitanie (1), le clinicien estime visuellement, en quelques secondes, sans aucun outil de mesure, les proportions partielles des trois tissus dans lesplaies qu’il visualise à l’écran. Une base de données de 130 000 images a ainsi été annotée depuis 15 ans.Notre objectif est donc, à partir d’une grande base d’images, de réentraîner un segmenteur binaire de plaie Mbin pour découvrir et segmenter ses C classes sémantiques, à partir des proportions partielles approximatives, formant ainsi Mmul. En inférence, Mmul segmentera l’image en C + 1 classes comprenant l’arrière-plan, c’est-à-dire l’extérieur de la plaie. Lestravaux sur les tâches de découverte sont assez récents et nous pouvons les relier à deux paradigmes : la segmentation faiblement supervisé (WSSL) et la découverte de parties.Nous proposons une méthodologie en deux étapes. D’abord, nous entraînons le modèle desegmentation binaire de plaie Mbin, de manière supervisée, à partir de données distinctesde celles de la base Cicat-Occitanie (2, 3, 4, 5). Ensuite, nous adaptons la tête de segmentation Mbin afin d’obtenir un segmenteur multiclasse Mmul. Nous procédons alors à un apprentissage faiblement supervisé en utilisant une fonction de coût composée de deux termes : l’entropie croisée binaire LBCE qui pénalise l’écart entre la prédiction de Mbin, et la prédiction binarisée issue du modèle Mmul en cours d’entraînement tandis que ladivergence de Kullback-Leibler LKL compare les proportions partielles des cliniciens avec celles prédites par Mmul. En validation, la configuration optimale de Mmul est atteinte lorsque LKL est minimale. En effet, nous ignorons alors LBCE car nous considérons que l’apprentissage multiclasse peut corriger des erreurs dans la segmentation binaire initiale. Nous avons comparé notre méthodologie avec MIL-LPLP (6) et PDiscoFormer (7), des modèles issus respectivement des domaines de recherche WSSL et de découverte de parties.Néanmoins, pour établir une comparaison, ces modèles nécessitent des ajustements. MIL-LPLP étant basé sur l’apprentissage par Instances Multiples (8), il nous faut modifier la base cible afin de donner un accès à des images positives (avec une plaie) et négatives(sans plaie). PDiscoFormer repose sur la découverte de parties par classification ce qui nécessite une adaptation de sa fonction de coût.Pour évaluer l’impact du volume des données d’entraînement, nous avons produit deux versions de la base Cicat-Occitanie, l’une petite avec 18 590 images de plaies et l’autre grande avec 80 000 images. L’analyse quantitative des performances, indépendamment du volume de données d’entraînement ou de la classe de tissu considérée, montrent demeilleurs résultats de notre méthode (un Dice global moyen de 61.12% sur la version petite) comparée à MIL-LPLP et PDiscoFormer (avec respectivement 36.37% et 32.85%).L’analyse qualitative illustrée par la figure 2 souligne plusieurs limites, telle que la faible résolution de MIL-LPLP ou la tendance de PdiscoFormer à prédire systématiquement tous les tissus avec un aspect lissé. À l’inverse, notre méthode produit des segmentations détaillées, avec une résolution visuellement supérieure à celle des annotations faites par des experts.Notre méthodologie a ainsi permis de définir et de segmenter les plaies chroniques en trois tissus à partir d’annotations faibles (proportions partielles approximatives) uniquement.

Fields of Study & Subjects

Medical Image Segmentation Techniques Advanced Neural Network Applications Domain Adaptation and Few-Shot Learning

Publication details

Journal / source
HAL
Publication date
9 March 2026
Language
EN