Une équipe suisse crée un outil de segmentation des images IRM prometteur
LUNDI 24 FéVRIER 2025
Soyez le premier à réagirDes chercheurs suisses présentent, dans un article publié dans la Revue Radiology, un modèle d'IA robuste de leur création qui segmente automatiquement les principales structures anatomiques dans les images IRM, indépendamment de la séquence. Ce modèle d’IA est capable de segmenter les images d’IRM et de TDM et ses performances inégalées pourraient également être utile pour le suivi de traitement ou le dépistage opportuniste.
Pour une interprétation approfondie des images en IRM, les organes, les muscles et les os, les radiologues segmentent les différentes régions anatomiques manuellement. Mais, dans leur pratique, ils pourraient gagner du temps s’ils disposaient d’un modèle d'IA robuste qui segmente automatiquement les principales structures anatomiques dans les images IRM, indépendamment de la séquence. Une équipe suisse vient de créer un tel outil et le présente dans un article publié dans la Revue Radiology.
Une segmentation automatique des régions anatomiques en IRM pour un flux de travail amélioré et plus de précision diagnostique
« Les images IRM sont traditionnellement segmentées manuellement, ce qui est un processus chronophage qui nécessite des efforts intensifs de la part des radiologues et qui est sujet à une variabilité inter-lecteurs, remarque le Pr Jakob Wasserthal, chercheur au département de radiologie de l'hôpital universitaire de Bâle (Suisse). Les systèmes automatisés peuvent potentiellement réduire la charge de travail des radiologues, minimiser les erreurs humaines et fournir des résultats plus cohérents et reproductibles. »
Le Pr Wasserthal et ses collègues ont donc créé un outil de segmentation automatisé open source appelé TotalSegmentator MRI basé sur nnU-Net, un framework autoconfigurable qui a établi de nouvelles normes en matière de segmentation d'images médicales. Il s'adapte à tout nouvel ensemble de données avec une intervention minimale de l'utilisateur, en ajustant automatiquement son architecture, son prétraitement et ses stratégies de formation pour optimiser les performances. Un modèle similaire pour la tomodensitométrie (TDM) (TotalSegmentator CT) est utilisé par plus de 300 000 utilisateurs dans le monde pour traiter plus de 100 000 images TDM par jour.
Un modèle d’IA capable de segmenter les images d’IRM et de TDM
Dans cette étude rétrospective, les chercheurs ont entraîné TotalSegmentator MRI à fournir des segmentations indépendantes de la séquence des principales structures anatomiques en utilisant un ensemble de données échantillonnées de manière aléatoire de 616 examens IRM et 527 examens TDM. L'ensemble de formation comprenait des segmentations de 80 structures anatomiques généralement utilisées pour mesurer le volume, caractériser la maladie, la planification chirurgicale et le dépistage opportuniste.
« Notre innovation consiste à créer un grand ensemble de données, ajoute le Pr Wasserthal. Nous avons utilisé beaucoup plus de données et segmenté beaucoup plus d’organes, d’os et de muscles que ce qui avait été fait auparavant. Notre modèle fonctionne également sur différents scanners IRM et paramètres d'acquisition d'images. »
Un outil aux performances inégalées qui pourrait également être utile pour le suivi ou le dépistage opportuniste
Pour évaluer les performances du modèle, les scores Dice, qui mesurent le degré de similitude de deux ensembles de données, ont été calculés entre les segmentations prédites et les normes de référence des radiologues pour les segmentations. Le modèle a bien fonctionné sur les 80 structures avec un score Dice de 0,839 sur un ensemble d’examens d’IRM. Il a également surpassé de manière significative deux modèles de segmentation disponibles au public (0,862 contre 0,838 et 0,560) et a égalé les performances de TotalSegmentator CT.
« À notre connaissance, notre modèle est le seul capable de segmenter automatiquement le plus grand nombre de structures sur les IRM de n’importe quelle séquence, poursuit-il. C’est un outil qui permet d’améliorer le travail des radiologues, de rendre les mesures plus précises et de réaliser d’autres mesures qui auraient pris trop de temps manuellement. » En plus de la recherche et du développement de produits d’IA, le Pr. Wasserthal conclu que le modèle pourrait potentiellement être utilisé cliniquement pour la planification du traitement, le suivi de la progression de la maladie et le dépistage opportuniste.
Paco Carmine