Vers des algorithmes de segmentation de plaies chroniques économes en données annotées
Résumé
Les algorithmes d'intelligence artificielle (IA) sont de plus en plus utilisés pour analyser les photographies de plaies chroniques, en particulier pour délimiter automatiquement le lit de la plaie. Cependant, ces algorithmes se fondent sur un apprentissage nécessitant une grande quantité de photographies de plaies avec des contours précis établis par l'expert. Or, constituer une telle base de données est un processus long et fastidieux car l'expert doit annoter plusieurs milliers d'images pour que l'apprentissage soit efficace. Nous cherchons donc un moyen d'entraîner un algorithme d'IA performant en n'utilisant qu'un petit nombre d'images annotées. Une catégorie récente d'approches appelée apprentissage auto-supervisé (Self Supervised Learning en anglais) semble être une piste prometteuse. Elles ne nécessitent pas l'intervention de l'expert et proposent de pré-entraîner l'algorithme d'IA sur un problème artificiel, ne nécessitant aucune annotation par un expert. Ainsi, après un premier apprentissage auto-supervisé, une deuxième étape permet d'affiner l'algorithme d'IA pour la tâche de délimitation des plaies ne nécessitant qu'un petit jeu d'images annotées par un expert. Nous avons testé cette approche sur la base de données CICAT-Occitanie composée de 130000 images prises sans aucune procédure standardisée lors de l'acquisition. Les résultats montrent que ce pré-entraînement permet d'obtenir des performances comparables à celles obtenues avec des algorithmes d'IA nécessitant de grandes quantités d'images annotées. L'approche permet ainsi de mettre plus rapidement au point des algorithmes d'IA performants pour l'analyse de photographies de plaies chroniques.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |