Scanner thoracique

Une IA pour diagnostiquer les lésions Covid à très basse dose

Une équipe de chercheurs suisses et iraniens a entraîné un algorithme d’apprentissage profond à prédire des images « dose entière » à partir d’examens de scanner thoracique ultra basse dose de patients Covid-19. Le modèle obtient des résultats « appropriés », avec certaines limites.

icon réservé aux abonnésArticle réservé aux abonnés
Le 16/03/21 à 16:30, mise à jour hier à 15:13 Lecture 2 min.

Les images ultra basse dose (au centre) sont d’une qualité « insuffisante » pour le diagnostic mais les images « dose entière » reconstruites par l’algorithme à partir de ces dernières (à droite) obtiennent pour la plupart un score de qualité de « bon » à « excellent » et sont « appropriées pour la tâche demandée ». Les images « dose entière » natives (à droite) obtiennent le meilleur score. © Shiri I. et coll.

Dès les premières semaines de la pandémie de Covid-19, le scanner thoracique s’est présenté comme une solution pertinente pour le diagnostic et le suivi des patients. Ce rôle de premier plan pose toutefois la question de la radioprotection, soulignent Isaac Shiri et Azadeh Akhavanallaf, respectivement chercheurs à l’hôpital universitaire de Genève, en Suisse, et à la faculté de médecine de Téhéran, en Iran, dans la revue European Radiology. « Le scanner reste la première cause médicale d’exposition aux rayonnements ionisants, malgré les progrès techniques », écrivent-ils dans un article paru en début d’année [1].

Des images ultra basse dose simulées

Pour résoudre ce problème, ils ont collecté, avec leurs confrères, 1 141 examens de scanners, dont 312 de patients positifs au test RT-PCR, issus de 3 centres. En utilisant des outils statistiques et mathématiques, ainsi qu’une base d’images de référence, ils ont dégradé la qualité de ces examens pour simuler des images acquises à très basse

Il vous reste 72% 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

Jérome Hoff

Rédacteur en chef adjoint BOM Presse Clichy

Voir la fiche de l’auteur

Bibliographie

  1. Shiri I., Akhavanallaf A., Sanaat A. et coll., « Ultra-low-dose chet CT imaging of COVID-19 patients using a deep residual neural network », European Radiology, 2021, vol. 31, p. 1420-1431. DOI : 10.1007/s00330-020-07225-6.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

20 Avr

7:30

La classification Node-RADS v1.0 montre une bonne reproductibilité entre radiologues, quel que soit leur niveau d’expertise, pour l’évaluation des ganglions médiastinaux au scanner thoracique dans le cancer bronchique non à petites cellules. Elle présente une forte spécificité et une valeur prédictive négative élevée, mais une sensibilité limitée. (Étude)
17 Avr

16:34

Un centre d’imagerie médicale « de pointe » ouvrira en 2027 à Valence-d’Agen (Tarn-et-Garonne), informe ladepeche.fr

14:33

Une revue systématique publiée dans Radiography conclut au fort potentiel de l’utilisation du jumeau numérique en IRM, notamment en cardiologie et en oncologie, malgré des limites dans les domaines de la formation, de la sécurité et de l’intégration opérationnelle.

7:12

Une étude publiée dans Radiography analyse l’utilisation du modèle d’apprentissage profond Att-U-Net pour segmenter les tissus pulmonaires et les tumeurs à partir d’images PET-CT, afin d’améliorer le diagnostic du cancer du poumon. Les résultats montrent de bonnes performances (DSC 0,81 et IoU 0,69), suggérant que ce modèle pourrait renforcer la précision clinique et faciliter la planification des traitements.
Docteur Imago

GRATUIT
VOIR