Abstract: International audience ; Malgré la popularité croissante des Transformers dans la segmentation d'images médicales, leur application au cancer de la prostate cliniquement significatif (csPCa) a été peu étudiée. L'analyse des changements de domaine et l'évaluation de l'incertitude, essentielles pour une mise en œuvre sûre des systèmes d'aide au diagnostic (CAD), ont reçu peu d'attention. En imagerie médicale, le changement de domaine désigne les différences entre les données d'entraînement et d'évaluation, dues aux variations des équipements, protocoles, populations de patients et bruits d'acquisition. Bien que les modèles récents améliorent les performances dans leur domaine d'entraînement, la robustesse et l'incertitude hors domaine restent peu explorées, soulevant des doutes sur leur fiabilité.Notre étude aborde le csPCa à plusieurs niveaux (voxel, lésion et image) en comparant des modèles traditionnels comme U-Net et des modèles basés sur des Transformers. Nous nous concentrons sur quatre points clés : robustesse, calibration, données hors domaine (OOD) et détection des erreurs de classification (MD). Les résultats montrent que les modèles basés sur des Transformers offrent une robustesse accrue aux niveaux image et lésion, tant dans le domaine qu'hors domaine. Cependant, cette amélioration reste limitée au niveau voxel, où les réseaux de neurones convolutifs (CNN) obtiennent de meilleurs résultats sur plusieurs métriques. En ce qui concerne l'incertitude, les Transformers hybrides et les encodeurs se distinguent par de meilleures performances, bien que cela dépende des tâches, notamment la détection des erreurs ou des données hors domaine.
Processing Request
No Comments.