Apprentissage profond

Une IA open source pour diviser par 3 à 10 le temps d’examen en IRM cérébrale

Des chercheurs et des spécialistes allemands ont développé en open source un réseau de neurones convolutifs optimisant la reconstruction d'images en IRM par sous-échantillonnage de l'espace k. Utilisé dans le cadre d'une étude rétrospective multicentrique parue en mars dans The Lancet Oncology et portant sur des glioblastomes, le logiciel a réduit le temps d'examen sans dégradation de l'interprétation et de la qualité des images.

icon réservé aux abonnésArticle réservé aux abonnés
Le 18/04/24 à 15:00 Lecture 3 min.

Le logiciel développé par les chercheurs allemands assiste la reconstruction d'images d'IRM sous-échantillonnées. À gauche, une image d'IRM (séquence T1) standard. À droite, sur la ligne du dessus, les images sous-échantillonnées de la même IRM reconstruites sans IA avec des taux d'accélération de reconstruction R grandissants : sur la ligne du dessous, après la reconstruction par IA. © Adapted from Rastogi et al, The Lancet Oncology | CC BY 4.0 DEED

Malgré son intérêt clinique, l'IRM peine encore à se démocratiser dans les usages. Si la France est bien équipée en machines, environ 70 % de la population mondiale n'y a pas accès. À son coût d'installation et de maintien s'ajoute l'obstacle du temps d'acquisition, qui restreint le nombre d'examens par machine et limite son usage chez certains patients claustrophobes. Sur cette question de l'acquisition, l'intelligence artificielle (IA) pourrait fournir des solutions, si l'on en croit un article paru en mars dans The Lancet Oncology [1].

Reconstruire une image sous-échantillonnée

Ses auteurs, des neuroradiologues allemands, ont développé un outil d'IA open source utilisant l'apprentissage profond pour accélérer la reconstruction des images d'IRM. Son principe ? Réaliser un sous-échantillonnage de l'espace k, puis le transmettre à un réseau de neurones convolutifs maison afin que ce dernier reconstruise à partir de ces données partielles une image d'IRM de qualité similaire à celle d

Il vous reste 76% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

François Mallordy

Journaliste rédacteur spécialisé

Voir la fiche de l’auteur

Bibliographie

  1. Rastogi A., Brugnara G., Foltyn-Dumitru M. et al, « Deep-learning-based reconstruction of undersampled MRI to reduce scan times: a multicentre, retrospective, cohort study », The Lancet Oncology, mars 2024. DOI : 10.1016/S1470-2045(23)00641-1.

Spécialité médicale

Neurologie Oncologie Psychiatrie

Modalité d’imagerie

IRM

Mots-clés

optimisation séquences en IRM glioblastome intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

30 Oct

17:11

La biopsie percutanée guidée par scanner associée à la cryoablation des nodules pulmonaires de 1 à 2 cm a montré un succès technique de 100 % et un rendement diagnostique de 87,3 %. (étude)

15:00

11:00

Le modèle multimodal SoftVote-Opt a montré une performance discriminante modérée pour la classification préopératoire du grade des carcinomes rénaux à cellules claires, en validation interne et externe. (étude)

7:30

L'algorithme de correction du désalignement en PCD-CT améliore significativement la qualité des images coronaires et la confiance diagnostique. (étude)

7:00

29 Oct

15:30

Selon une étude, la correction des artefacts de désalignement sur des images de coronarographie par scanner (CCTA) en PCD-CT mono-source permet une réduction significative dedits artefacts, et une amélioration de la confiance diagnostique quel que soit le niveau d’expérience des lecteurs.
✕
Docteur Imago

GRATUIT
VOIR