La segmentation du langage sur les images échographiques est nécessaire pour analyser l'articulation et diagnostiquer les troubles de la parole, mais collecter des données annotées est difficile : il faut des experts, et les images elles-mêmes varient fortement d'un appareil à l'autre. Lorsqu'il n'y a presque pas de données annotées, l'apprentissage standard d'un réseau de neurones ne fonctionne pas : le modèle mémorise les particularités d'une source spécifique et ne se généralise pas à de nouvelles conditions.
Pourquoi c'est difficile
Le problème ne réside pas seulement dans le faible nombre d'annotations. Les données d'échographie de la langue sont collectées avec différents capteurs, avec différents réglages et chez différentes personnes, donc la distribution des images dans chaque nouvel ensemble est propre à celui-ci. C'est ce qu'on appelle le décalage de domaine (domain shift). Si l'on entraîne un modèle sur un ensemble et qu'on l'applique à un autre, la qualité de segmentation chute brutalement. Les méthodes d'adaptation classiques nécessitent l'accès aux données annotées du domaine source, mais dans un problème réel, on dispose souvent seulement d'un modèle pré-entraîné et d'images non annotées du nouveau domaine.
L'idée : l'adaptation source-free
Les auteurs d'une étude récente proposent un framework qui adapte le modèle à un nouveau domaine sans aucune donnée annotée et sans accès aux images sources. On part d'un backbone léger UltraUNet, pré-entraîné sur seulement cinq images annotées. C'est un point de départ volontairement faible — il simule une situation où le modèle est sous-entraîné par manque de données. Ensuite, une adaptation au domaine cible est effectuée, où il n'y a aucun exemple annoté.
Pseudo-étiquettes avec filtrage
D'abord, le modèle fait des prédictions sur les images cibles. Ces masques grossiers sont appelés pseudo-étiquettes. Mais on ne peut pas toutes leur faire confiance : une partie des contours sera imprécise, voire erronée. C'est pourquoi le framework utilise un module spécial de contrôle qualité des contours, qui élimine les masques non fiables. Les pseudo-étiquettes propres restantes sont utilisées pour l'apprentissage. Le processus se répète de manière itérative — à chaque cycle, la qualité des étiquettes augmente et le modèle s'adapte mieux au domaine cible.
Données synthétiques dans le style cible
En complément, un GAN conditionnel piloté par la segmentation est utilisé pour générer des paires synthétiques « image-masque » dans le style du domaine cible. Cela ressemble à de l'augmentation, sauf que les données ne sont pas créées par des transformations aléatoires, mais spécifiquement selon le style du nouveau domaine. Le modèle étudiant est entraîné sur un mélange de trois sources : les images cibles pseudo-annotées propres, les pseudo-étiquettes bruitées avec une régularisation de cohérence, et les échantillons synthétiques générés. Ce mélange rend le modèle robuste aux erreurs et l'aide à ne pas surapprendre sur le bruit.
Résultats
La méthode a été testée sur 12 paires « source-cible », composées à partir de huit ensembles de données d'échographie de la langue. Dans toutes les expériences, le framework proposé surpassait les approches de base, y compris l'apprentissage supervisé classique sur des données limitées. Le chevauchement de segmentation (overlap) et la précision des contours étaient tous deux améliorés. Les auteurs concluent que le raffinement des pseudo-étiquettes et l'augmentation synthétique dans le style du domaine cible sont des composants clés qui permettent de s'adapter presque sans annotation.
Cette approche ouvre une voie pratique : il suffit d'entraîner une fois le modèle sur un petit ensemble, puis de l'adapter progressivement à de nouvelles conditions — un nouveau capteur, une autre position du capteur ou un autre contingent de patients — sans annotation manuelle laborieuse.
