Segmentation d'images médicales avec U-Net : atteindre Dice 0,7964

Architecture : U-Net avec encodeur EfficientNet

import segmentation_models_pytorch as smp

model = smp.Unet(
    encoder_name='efficientnet-b4',
    encoder_weights='imagenet',
    in_channels=3,
    classes=1,
)

Fonction de perte : Combo Loss

La combinaison Dice + BCE a surpassé chacune prise isolément :

loss = 0.5 * bce_loss + 0.5 * (1 - dice_score)

Pile d'augmentation (Albumentations)

• RandomResizedCrop, HorizontalFlip, VerticalFlip
• ElasticTransform, GridDistortion
• CLAHE, RandomBrightness
• CoarseDropout (Cutout)

Post-traitement

L'augmentation au moment du test (TTA) avec 8 retournements/rotations a ajouté +0,015 Dice.