Nouveaux challenges en segmentation d'images médicales par apprentissage profond – MEDISEG

La segmentation automatique des images médicales joue un rôle prépondérant pour le diagnostic et la thérapeutique. Les réseaux de neurones convolutionnels profonds (CNN) représentent l’état de l’art, mais présentent des limites, notamment sur la plausibilité des segmentations générées. Notre hypothèse est que l’amélioration des segmentations viendra de l'ajout d'information externe, via la connaissance médicale par exemple, et de tâches auxiliaires, comme le recalage, qui permettront de guider et contraindre la segmentation. D’autre part, le côté ininterprétable des CNN freine leur usage dans le milieu médical. S’il existe des méthodes d’explicabilité pour la classification, tout reste à faire pour la segmentation. Nous viserons à développer de telles méthodes, pour comprendre les mécanismes sous-tendant l’ajout de connaissances et de tâches. Même si nos développements seront génériques, nous viserons des cas d’usage pour démontrer l’impact des résultats sur la pratique clinique.