Intelligence artificielle

L’apport du deep learning pour segmenter les trabéculations en IRM cardiaque

Des radiologues et des informaticiens ont développé un outil de segmentation automatique des trabéculations cardiaques. L’outil présenterait de meilleures performances que l’humain en termes de reproductibilité.

icon réservé aux abonnésArticle réservé aux abonnés
Le 13/01/21 à 16:00, mise à jour aujourd'hui à 15:11 Lecture 3 min.

Image d'IRM, segmentation manuelle dite « ground-truth », puis segmentation des trabéculations produite automatiquement par l'algorithme (10 secondes). © Axel Bartoli et coll.

Une étude multicentrique rétrospective française s’est intéressée aux performances de l'apprentissage profond (deep learning) pour mesurer et segmenter les trabéculations en IRM cardiaque. L’équipe de recherche a publié ses travaux au mois de novembre dans Radiology : Artificial Intelligence [1].

Un besoin d’outil de précision

Les chercheurs sont partis du constat que la mesure des trabéculations cardiaques devait s’appuyer sur des critères précis afin de mieux faire la part des choses : « À l’heure actuelle, quand on interprète une IRM cardiaque, on dit de façon un peu subjective que le patient présente des trabéculations, sans véritablement déterminer s’il y a un excès ou si cela reste dans les limites de la normale », expose Axel Bartoli, radiologue à la Timone (Assistance publique - Hôpitaux de Marseille) et auteur principal de l’étude. Ils ont donc développé un algorithme de deep learning pour opérer des segmentations et des mesures automatiques, et dépasser l'évaluation visuelle :

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

Carla Ferrand

Journaliste cheffe de rubrique

Voir la fiche de l’auteur

Bibliographie

  1. Bartoli A., Fournel J., Bentatou Z. et coll., « Deep-Learning based automated segmentation of the left ventricular trabeculations and myocardium on cardiac MR images: a feasibility study », Radiology: Artificial Intelligence, novembre 2020. DOI : 10.1148/ryai.2020200021.

Spécialité médicale

Cardiologie

Modalité d’imagerie

IRM

Mots-clés

intelligence artificielle IRM cardiaque

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

23 Juil

7:19

Des séquences 3D isovolumétriques pondérées en T1 et en T2 du cerveau et du corps, sont au minimum recommandées en IRM post-mortem, suite à une enquête menée entre juillet à novembre 2024, par le groupe de travail post-mortem de la Société européenne de radiologie pédiatrique.

7:00

22 Juil

16:00

L'intensité maximale du signal dans les images cliniques pondérées T1 est associée à des concentrations de gadolinium plus faibles avec le gadopiclénol qu'avec les autres produits gadolinés, quelle que soit l'intensité du champ (étude).

14:00

La Société européenne de radiologie pédiatrique publie ses recommandations sur le protocole clinique d'IRM post-mortem fœtale et néonatale. Au minimum, des séquences isovolumétriques 3D pondérées en T1 et T2 du cerveau et du corps doivent être réalisées (étude).

7:30

Dans une décision du 22 mai 2025, l’Union nationale des caisses d’assurance maladie (UNCAM), modifie la liste des actes médicaux pris en charge. Parmi les changements : la prise en charge à 100 % d’un scanner thoracique pour le dépistage du cancer du poumon, et l’inscription provisoire d’actes de destruction de lésion de la prostate par ultrasons focalisés de haute intensité (HIFU).

7:00

✕
Docteur Imago

GRATUIT
VOIR