Segmentation multirégionale automatisée de la prostate par résonance magnétique à l'aide de neurones entièrement convolutionnels réseaux

L'imagerie par résonance magnétique (IRM) joue un rôle essentiel dans la détection et le diagnostic du cancer de la prostate (PCa), en s'attaquant à certains problèmes des méthodes traditionnelles comme le test de l'antigène prostatique spécifique (PSA) et la biopsie à l'aveugle. Cependant, la charge de travail diagnostique des radiologues reste importante. L'automatisation de l'analyse de la prostate à l'aide d'applications avancées de détection assistée par ordinateur pourrait rationaliser l'identification et la notation des lésions, facilitant ainsi les calculs du volume de la prostate et de la tumeur. De plus, la différenciation entre les différentes zones de la prostate est essentielle pour faire progresser les outils d'évaluation clinique, en particulier pour évaluer le cancer agressif. Ce travail propose une méthode fiable de segmentation multirégionale automatique de la prostate basée sur CNN, validée dans différentes institutions, pays et continents. À l'aide d'un ensemble de données de 243 études de prostate pondérées en T2 dans sept pays, les radiologues ont formé et testé un modèle basé sur U-Net (un type d'architecture CNN) avec des délimitations manuelles des régions de la prostate comme référence. Le modèle a produit des scores prometteurs de coefficient de similarité de Dice (DSC) pour diverses régions de la prostate dans 120 études de test, démontrant une cohérence entre différents équipements et régions. Les résultats sont restés cohérents entre différents fabricants ou continents, ne présentant aucune disparité statistiquement significative. Cette étude prouve avec succès qu'une segmentation automatique précise des images IRM multirégionales pondérées en T2 de la prostate peut être obtenue grâce à U-Net comme CNN, démontrant une adaptabilité sur un large spectre clinique avec des équipements, des configurations d'acquisition et des populations variés. 

https://link.springer.com/article/10.1007/s00330-023-09410-9