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 hier à 14:14 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

19 Mar

16:00

La réponse de perfusion à l’adénosine semble être spécifique à chaque organe, conclut une étude parue dans JNM. L’adénosine augmente la perfusion au niveau du cœur, du foie, du côlon et du duodénum, tandis que la perfusion est réduite par l’adénosine dans le cerveau, la rate, les reins, le muscle squelettique et l’os, écrivent les chercheurs.

13:25

La présentation est la clé d'une bonne compréhension des comptes rendus d'imagerie « patient-friendly », conclut une étude présentée dans JACR. Les formats « traduction complète » et « basé sur les phrases », associant des sources pour vérifier les informations sont plus efficaces qu'une simple définition des termes techniques.

7:10

Dans une étude évaluant les niveaux de référence en doses de radiation et les indicateurs de qualité d’image dans les protocoles d’imagerie thorax-abdomen en unité de soins intensifs néonatals,  des chercheurs relève que les nouveau-nés pesant entre 1000 et 1 499 g et 1 500 à 2499 g avaient des doses cutanées inférieures à celles des nouveau-nés pesant moins de 1 000 g.

7:00

18 Mar

16:54

Des chercheurs ont étudié les performances d’une méthode d’intelligence artificielle pour la segmentation automatisée du volume tumoral métabolique total (TMTV) sur des images TEP-TDM sur des patients atteints de lymphome. Il s'avère que l'IA a obtenu des résultats similaires que des experts humains. (étude)

16:50

Une étude a évalué la précision diagnostique d'un outil d'IA pour la détection des fractures de la hanche et du bassin. Il ressort que l'IA est d'une précision élevée pour les radiographies de la hanche mais moindre quand cela concerne les fractures du bassin.
✕
Docteur Imago

GRATUIT
VOIR