Medical image segmentation is a method for partitioning medical images into regions corresponding to anatomical structures or pathologies.La segmentation d'images médicales divise automatiquement un scanner en structures anatomiques ou pathologiques. Les méthodes modernes, en particulier les architectures d'apprentissage profond comme U-Net, traitent les images à plusieurs échelles, capturant à la fois les détails fins et le contexte global. En sortie, on obtient une carte de probabilité pour chaque pixel — la probabilité d'appartenir à telle ou telle classe (tumeur, foie). L'entraînement nécessite de grands ensembles de données annotées, souvent augmentés artificiellement (rotations, retournements).
La segmentation par seuillage est apparue dans les années 1970. En 1988, Kass et al. ont proposé les modèles de contours actifs, qui optimisent des fonctions d'énergie pour trouver les frontières. Avec l'arrivée de l'apprentissage profond, l'architecture U-Net (Ronneberger et al., 2015) a révolutionné le domaine, permettant un apprentissage de bout en bout sur des données limitées. Les améliorations suivantes incluent les mécanismes d'attention et les modèles basés sur les transformers. Conférences majeures : MICCAI, MIDL.
Un CNN est entraîné sur des images avec des annotations pixel par pixel. U-Net comprime l'image dans un goulot d'étranglement via des couches convolutives et de pooling, puis l'étend à nouveau par des convolutions transposées. Les connexions de saut fusionnent les caractéristiques haute résolution de l'encodeur avec le décodeur, préservant les détails fins. La dernière couche utilise softmax (pour plusieurs classes) ou sigmoïde (pour le cas binaire). La perte de Dice (1 - 2|X∩Y|/(|X|+|Y|)) gère le déséquilibre des classes. Le post-traitement (composantes connexes, CRF) améliore les contours.
Délimitation des contours tumoraux sur une IRM pour la planification de la radiothérapie ou mesure des volumes d'organes sur un scanner.
L'architecture U-Net, en forme de « U », a remporté le concours de suivi cellulaire ISBI en 2015 et est aujourd'hui à la base de la plupart des outils de segmentation médicale.
| ⟨r²⟩ | variable | Total mean square radius — mean square radius metre squared |
| w_i | variable | Weighting factor for component i — weighting factor |
| ⟨r_i²⟩ | variable | Mean square radius of component i — mean square radius component metre squared |
| ∑ | opérateur | Adds contributions from each component — somme |
















