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 15:13 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

17 Juil

16:00

Des chercheurs nord-américains ont adapté un modèle d'apprentissage profond pour la segmentation de la composition corporelle (muscle, os, graisse) à partir des images scanner volumétriques allant des vertèbres L2 à L4. La méthode s'est montrée plus précise que la technique standard, basée sur une seule coupe axiale en L3, se félicitent-ils dans EJR.

13:30

La TEP-TDM au meta-[18F] fluorobenzylguanidine ([18F]-mFBG) pourrait constituer une alternative plus efficace à la TEMP-TDM au [123I]-metaiodobenzylguanidine (MIBG) pour la stadification et l'évaluation de la réponse tumorale des neuroblastomes, conclut une étude présentée dans Pediatric Radiology.

7:42

GE Healthcare et la Mayo Clinic à Rochester (Minnesota) annoncent leur coopération autour d'un essai sur le traitement du cancer de la prostate par radioligands. L'étude MI-BET évaluera si l'utilisation de marqueurs biologiques et d'imagerie permet de mieux personnaliser les traitements, par exemple en espaçant les séances.

7:00

16 Juil

16:59

Une étude rétrospective compare les biopsies mammaires guidées par tomosynthèse et par échographie pour les lésions mammaires non calcifiées, en évaluant leurs caractéristiques et leurs performances diagnostiques. Les résultats montrent que l'échographie présente une meilleure valeur prédictive positive et que la tomosynthèse reste une alternative pertinente lorsque la lésion n'a pas de corrélat échographique définitif.

13:46

En angioscanner de la tête et du cou, associer une technologie de reconstruction d'image par apprentissage profond à une acquisition de basse énergie (80 kVp) permet de diminuer les doses de radiation (-36 %) et de produit de contraste (-26%) en améliorant la qualité d'image par rapport au protocole standard (100 kVp et reconstruction itérative), conclut un article dans EJR.
✕
Docteur Imago

GRATUIT
VOIR