Un modèle de deep learning pour la segmentation du tissus adipeux des adolescents
MERCREDI 30 AOûT 2023
Soyez le premier à réagirSelon un article publié publié dans l'American Journal of Roentgenology (AJR), un modèle automatisé pourrait permettre des études à grande échelle des tissus adipeux chez les adolescents. Dan contexte de lutte contre l’obésité, l’identification de la répartition de la graisse abdominale sur l'IRM, peut être un bon outil de prévention.
L’obésité infantile est devenue un problème de santé mondial majeur et sa prévention est donc de la plus haute importance. Les mesures anthropométriques ont toujours été utilisées pour diagnostiquer l'obésité. De telles mesures ne tiennent pas compte de la prise de poids du muscle squelettique, ni de la différence entre le tissu adipeux sous-cutané (TASC) du tissu adipeux viscéral (TAV).
De nombreuses recherches pour identifier les tissus adipeux par IRM dans les populations adultes
Des recherches antérieures ont soutenu l'utilisation de la tomodensitométrie ou de l'IRM pour la quantification du TASC et du TAV. La présence de rayonnements ionisants rend la tomodensitométrie moins adaptée et plusieurs techniques d'IRM ont été proposées pour visualiser les compartiments de graisse corporelle, notamment des séquences d'écho de spin ou d'écho de gradient pondérées en T1. De plus, les techniques d'IRM Dixon, basées sur la différence entre les fréquences de résonance des protons dans l'eau et la graisse, ont été proposées comme moyen d'obtenir des images d'eau et de graisse qui peuvent être appliquées à l'analyse du tissu adipeux.
Diverses techniques automatisées de segmentation d'images basées sur des caractéristiques de forme et d'intensité ont également été proposées. Les méthodes de deep learning représentent des techniques de pointe pour la segmentation par pixels ou voxels en général, et pour la segmentation du tissu adipeux abdominal en particulier, comme le montrent certains articles scientifiques utilisant des coupes transversales 2D d'acquisitions abdominales en Dixon mais qui nécessitaient des ajustements. Une méthode a notamment montré une grande précision et fiabilité sur les IRM abdominales Dixon de la Rhineland Study, une vaste étude de cohorte prospective avec des participants âgés de 30 ans et plus.
Une étude néerlandaise utilise la segmentation par deep learning à partir de l'IRM Dixon
Mais aucune de ces méthodes n’a été testée chez les adolescents. C’est la raison pour laquelle une étude néerlandaise publiée dans l’American Journal of Roentgenology (AJR) a pour but de développer et de tester une méthode automatisée de deep learning pour la segmentation du TASC et TAV utilisant les acquisitions IRM Dixon chez les adolescents. Les chercheurs, dirigés par le Dr Tong Wu, du département de radiologie et médecine nucléaire au centre médical universitaire Erasmus MC de Rotterdan (Pays-Bas) ont formé et évalué le modèle 2D-CDFNet sur l'IRM Dixon chez les adolescents.
Intégré à l'étude de cohorte prospective basée sur la population menée à Rotterdam, Generation R, ce travail inclut 2 989 enfants (âge moyen, 13,5 ans ; 1 432 garçons, 1 557 filles) qui ont fait l’objet d’une IRM Dixon expérimentale sur tout le corps après 13 ans. Un réseau de neurones (2D-CDFNet) a été formé à partir de zéro pour segmenter le TASC et le TAV à partir des images Dixon. Le modèle a subi une formation, une validation et des tests chez 62, 8 et 15 enfants, respectivement, sélectionnés via un échantillonnage aléatoire stratifié avec segmentation manuelle pour référence. Les chercheurs ont ensuite évalué les performances de leur segmentation et deux observateurs indépendants ont évalué visuellement les segmentations automatisées chez 504 enfants, sélectionnés par échantillonnage aléatoire.
Ce modèle de segmentation automatisée du TASC et du TAV par IRM Dixon a finalement montré de fortes performances quantitatives et qualitatives dans 95 à 99 % des évaluations.
Bruno Benque avec AJR