Amélioration de la robustesse de l’U-Net 3D contre la compression JPEG2000 pour la segmentation des organes pelviens masculins.

La segmentation d’organes est un proces- sus essentiel en imagerie médicale pour la planification et le contrôle des traitements. En cas de grandes défor- mations, les algorithmes classiques de segmentation basés sur le traitement d’images et les atlas échouent. Dans de telles situations, l’apprentissage profond permet de fournir de meilleures solutions. Cependant, l’entraînement des ré- seaux d’apprentissage profond nécessite une grande quan- tité d’images. La disponibilité de ces données d’entraîne- ment nécessite un transfert et un stockage de données im- portants pour lesquels la compression des images est obli- gatoire. Cependant, les déformations des données causées par la compression peut influencer les performances de l’apprentissage profond. Dans ce travail, nous proposons d’étudier l’impact de la compression JPEG2000 sur la seg- mentation U-Net 2D et 3D des organes pelviens masculins. Nous montrons que l’utilisation d’un U-Net 3D finement ajusté permettrait de compresser deux fois plus les scans du patient pour la même performance de segmentation par rapport à un U-Net 2D