Ce qui sépare trois modèles
Trois réseaux strictement identiques, entraînés sur les mêmes données avec la même graine. Une seule chose change : la façon de compter les erreurs. Au bout, un tableau de scores les sépare de 0,0009 de Dice — autant dire rien. Reste la question qu'un tableau ne pose jamais : en quoi, concrètement, ces trois modèles ne dessinent-ils pas la même chose ? Les quatre figures qui suivent y répondent au voxel près, sur les 240 patients de validation.
Une carte, deux usages opposés
Les trois partagent tout : l'architecture MedNeXt-B (10,5 M de paramètres), les données, la graine, les 300 époques, la perte principale. DistMap et Kervadec partent même du même ingrédient — la carte de distance au contour de la tumeur. L'un la fait prédire au réseau comme tâche annexe, l'autre s'en sert pour peser ses erreurs. C'est là, et seulement là, qu'ils divergent.
La carte de distance au contour
Négative dedans, positive dehors, en voxels. Elle se calcule une fois pour toutes à partir de la vérité terrain seule, et ne coûte rien à l'entraînement. Sur cette coupe elle descend à -12 voxels au cœur de la tumeur et monte à +42 en périphérie ; l'échelle de couleurs est saturée au-delà de ±12, sinon l'intérieur — qui est ce qui nous intéresse — tiendrait dans une seule teinte.
Baseline
Dice + entropie croisée
rien de plus
Un voxel mal classé coûte le même prix qu'il soit au cœur de la tumeur ou à dix centimètres de là.
DistMap
+ régression de la carte de distance
une tête qui PRÉDIT la carte
Une sortie en plus, branchée sur le même décodeur, régresse la carte de distance (erreur quadratique × λ = 0,1). Tâche auxiliaire : elle disparaît à l'inférence, le réseau déployé est exactement celui du Baseline.
Kervadec
+ perte de contour (Kervadec)
la carte PONDÈRE la perte
Aucune sortie en plus. Chaque erreur est multipliée par sa distance au contour : un voxel faux à 20 mm du bord pèse vingt fois un voxel faux à 1 mm (λ = 1,0).
Patient BraTS-GLI-00834-000, T1ce, coupe axiale z = 70. Les deux coefficients λ ne sont pas symétriques : celui de DistMap a été choisi par criblage, celui de Kervadec est la valeur par défaut du trainer, vingt fois au-dessus de ce que le criblage avait retenu.
Le désaccord ordinaire tient dans deux voxels
Un cas parmi les plus banals : les trois modèles ne s'accordent pas sur 1,41 % des voxels du cœur tumoral. Éteignez deux contours pour regarder le troisième — l'écart se voit au zoom, pas à la vue d'ensemble.
Où tombent ces voxels litigieux, sur les 240 patients
tumeur entière — 1,95 % des voxels de la tumeur, en médiane
cœur tumoral — 1,41 % des voxels de la tumeur, en médiane
rehaussement — 2,68 % des voxels de la tumeur, en médiane
- ≤ 1 voxel
- 1 à 2 voxels
- 2 à 3 voxels
- 3 à 5 voxels
- au-delà de 5 voxels
distance au contour tracé par le radiologue
Chez un patient médian, 92 à 98 % des voxels sur lesquels deux modèles divergent sont à deux voxels ou moins du bord tracé par le radiologue. Autrement dit : ils sont d'accord sur ce qu'est la tumeur, et hésitent sur l'épaisseur du trait. Restent 10 % (tumeur entière) à 22 % (cœur tumoral) de voxels au-delà de cinq voxels du bord : ceux-là ne sont pas du contour — ce sont des lésions entières.
Une lésion entière, vue par un seul modèle
La métrique officielle de BraTS compte lésion par lésion : un contour décalé d'un voxel n'y change presque rien, une composante entière, si. Ici Kervadec dessine 3 208 voxels de tumeur que les deux autres ignorent, et pas un seul d'entre eux ne tombe sur la vérité terrain — c'est le plus gros faux positif exclusif des 240 cas.
BraTS-GLI-01158-000, FLAIR, coupe z = 107. La vraie tumeur est à gauche ; la zone litigieuse, à droite, n'existe que pour Kervadec.Ces désaccords se comptent — et le meilleur détecteur change à chaque réentraînement
graine 42
graine 1
graine 2
graine 3
en haut, les rattrapages — la lésion existe bien dans la vérité terrain, deux modèles sur trois l'ont manquée.
en bas, les inventions — rien à cet endroit dans la vérité terrain.
Composantes d'au moins 50 voxels dessinées par un modèle et par aucun des deux autres. Baseline · DistMap · Kervadec
Sur la graine 42, Kervadec paraît le meilleur détecteur de la tumeur entière : 94 lésions rattrapées contre 43 au Baseline. Sur les graines 1 et 3, il en rattrape 38 et 34, le plus faible des trois. Ce n'est donc pas une propriété de la fonction de coût, c'est un tirage — et une figure construite sur la seule graine 42 aurait été exacte et fausse.
Trois modèles différents, un score qu'on ne sait pas départager
Les trois figures précédentes montrent des différences réelles, localisables, comptables. Celle-ci montre où elles atterrissent : nulle part. Sur la validation croisée complète — 1 196 patients — les trois tiennent dans 0,0009 de Dice officiel, quand réentraîner le même modèle avec une autre graine en déplace déjà 0,0025.
Le classement change d'un découpage à l'autre
Baseline · DistMap · Kervadec
Dice officiel BraTS, lésion par lésion, après nettoyage des composantes. Un point par modèle et par fold ; à droite, la validation croisée complète avec son intervalle de confiance à 95 %.
Un seul écart systématique sur les neuf
tumeur entière
cœur tumoral
rehaussement
Point = écart moyen, barre = intervalle de confiance à 95 % (bootstrap), p = test des rangs signés sur les 240 patients appariés du fold 0. La bande claire est le bruit d'un simple réentraînement (± 0,0025).
Le seul écart significatif des neuf — Kervadec sur le cœur tumoral, fold 0 — vaut +0,0087 avec p = 0,00044, mais son intervalle de confiance recouvre zéro et il ne se retrouve sur aucun des quatre autres découpages. Test des rangs et intervalle de la moyenne ne disent pas la même chose ici, et c'est le second qu'il faut croire : le premier ne regarde que l'ordre des écarts, pas leur taille.
Ce que ces figures changent
Un résultat négatif sur le classement n'est pas un résultat vide. Il fixe le seuil à partir duquel une différence de méthode mérite d'être annoncée : sur ce jeu de données et cette architecture, tout écart inférieur à environ 0,0025 de Dice se produit déjà en ne changeant que la graine aléatoire. Une amélioration mesurée sur un seul entraînement, à ce niveau-là, n'est pas une amélioration : c'est un tirage.
Et il déplace la question. Les trois modèles ne se distinguent pas par leur score, mais ils ne segmentent pas la même chose : les lésions qu'ils rattrapent chacun de leur côté existent bel et bien, par dizaines. C'est ce qui rend un consensus entre eux intéressant, là où un classement ne l'est pas.