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.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

30 Sep

15:38

Un nouveau centre d’imagerie médicale a été ouvert par Maine image santé à Sablé-sur-Sarthe (72) ce lundi 22 septembre 2025, annonce le média Ouest France.

13:09

Un article publié dans Insights into Imaging, fournit un consensus d’experts pour la biopsie des lésions mammaires et la re-biopsie en cas de discordance radiologique-pathologique ou de signes de potentiel malin incertain.

7:04

Dans une étude, des chercheurs ont développé et validé un modèle de stratification du risque pancréatique basé sur IRM pour la prédiction du pronostic et l’orientation thérapeutique de l’adénocarcinome canalaire pancréatique (PDAC). Ils ont de fait démontré que le modèle M-PRiSM prédit efficacement la survie globale postopératoire et identifie les patients PDAC susceptibles de bénéficier d’un traitement adjuvant.
29 Sep

16:03

Dans une étude présentée dans JACR, l'utilisation de comptes rendus préliminaires générés par IA a permis à 5 radiologues de réduire le temps d'interprétation des radiographies thoraciques (de 25,8 à 19,3 secondes en moyenne). Toutefois, des variations dans les scores de qualité, notamment pour les examens montrant des anomalies, soulèvent la nécessité d'une utilisation supervisée de l'IA, estiment les auteurs.
Docteur Imago

GRATUIT
VOIR