La puissance des segmentations précises dans les solutions d'imagerie médicale basées sur l'IA

Améliorer la segmentation de l'IA médicale pour plus de précision et d'innovation

Le processus de segmentation de l’IA médicale consiste à identifier et à délimiter avec précision une région d’intérêt (ROI) dans une image. Dans l'IA de segmentation d'images médicales, ces ROI peuvent inclure des lésions, des organes, des tissus sains ou des structures, délimités dans une ou plusieurs modalités d'imagerie, telles que l'imagerie par résonance magnétique (IRM), la tomodensitométrie (TDM) ou la tomographie par émission de positons (TEP), entre autres.

Précision chez Quibim : faire progresser les solutions basées sur l'IA 

Chez Quibim, la précision de la segmentation de l'IA médicale est primordialeNos solutions précises pour la formation et la recherche médicales fournissent des résultats de segmentation de haute qualité qui servent d'éléments clés pour caractériser l'agressivité et l'hétérogénéité des tumeurs, impactant finalement l'évolution des patients. Ces segmentations sont également cruciales pour développer des solutions basées sur l’IA capables de faire des prédictions au niveau des lésions et des patients.

Pour cette raison, un processus de segmentation standardisé est systématiquement mis en œuvre dans chaque étude que nous gérons dans notre entreprise, Cela a conduit à la définition de protocoles reproductibles et standardisés, adaptés à chaque cas d'utilisation spécifique. La segmentation d'une lésion est importante, tout comme celle des organes et tissus environnants. Par exemple : dans les solutions basées sur l'IA pour la prédiction de la survie globale (OS) dans le cancer du poumon, non seulement le ROI de la lésion est pris en compte, mais également les structures voisines telles que les poumons, le cœur, les os/calcium, le foie, les métastases, entre autres.

Défis de l'IA de segmentation d'images médicales

De nombreux facteurs affectent considérablement la précision de la segmentation de l’IA médicale, comme la résolution spatiale et de contraste, le bruit de l'image ainsi que la variabilité de la forme, de la texture et de la perception des pathologies¹Cela souligne l’importance d’effectuer des contrôles de qualité avant de se lancer dans tout traitement d’image.

L'entraînement à la segmentation des modèles d'IA nécessite des étiquettes ou des annotations précises pour garantir des résultats fiables. Il consiste en un ensemble de tâches visant à sélectionner des images présentant une qualité diagnostique suffisante et aptes à la segmentation. Parmi ces tâches figure la sélection de la séquence optimale pour la segmentation, selon des critères tels que la résolution spatiale et de contraste, le rapport signal/bruit, l'absence d'artefacts et la couverture de la zone d'intérêt (ROI), entre autres. Après ce contrôle qualité, l'étape suivante est la segmentation et l'obtention de la ROI.

La beauté de cette segmentation réside dans son exécution voxel par voxel, offrant des informations tridimensionnelles sur le retour sur investissement. Cette approche dépasse les critères conventionnels qui reposent sur des mesures de diamètre, capturant ainsi une représentation plus complète et nuancée du tissu étudié.

Contrôle qualité et avenir du processus de segmentation piloté par l'IA

Reconnaissant le rôle essentiel de la segmentation dans Solutions basées sur l'IA, Quibim a décidé de s'attaquer à cette étape cruciale de la fabrication des algorithmes d'IA en disposant d'une équipe dédiée chargée de contrôles de qualité méticuleux et d'une segmentation précise de l'IA médicale. Cela garantit le strict respect des normes de qualité les plus strictes, ce qui influence directement les performances de nos outils de segmentation automatisée basés sur l'IA, ainsi que de nos algorithmes prédictifs et pronostiques. Ces processus, qui constituent le point de départ, marquent l'interaction initiale avec les examens d'imagerie, ouvrant la voie au succès du développement des solutions d'imagerie médicale innovantes de Quibim.

En plus de l’objectif ci-dessus, nos segmentations validées servent de bases de données inestimables qui améliorent la formation des modèles d'IA. Cette richesse de données permet à notre entreprise de progresser encore davantage en développant des algorithmes de segmentation automatique propriétaires, guidés par une technologie de segmentation médicale de pointe basée sur l'IA. Notre engagement envers la précision et les solutions avancées basées sur l'IA garantit que nos solutions restent à la pointe des avancées en imagerie médicale.

En tirant parti de l’IA de segmentation précise des images médicales, nous favorisons le progrès dans le domaine des soins de santé, en permettant des solutions précises pour la formation médicale, les diagnostics et les soins aux patients. Quibim reste déterminé à être le pionnier de l'avenir de l'imagerie médicale basée sur l'IA grâce à une innovation incessante et à des méthodologies axées sur la précision.

1-Segmentation de la zone centrale, de la zone périphérique de la prostate et des vésicules séminales en imagerie par résonance magnétique axiale T2-blanche.
2-Examen d'imagerie PET/TC 18-FDG du corps entier d'un patient atteint de DLBCL dans le plan coronal (à gauche) et masque de segmentation où chaque lésion est une étiquette unique (à droite).
3, 4-Segmentation de la masse tumorale du poumon gauche sur des coupes axiales de tomodensitométrie avec reconstruction 3D.
5-Segmentation de diverses structures anatomiques dans un plan coronal sur une étude de tomodensitométrie.

Références

1. deSouza NM, van der Lugt A, Deroose CM, et al. Segmentation standardisée des lésions pour la quantification des biomarqueurs d'imagerie : une recommandation consensuelle de l'ESR et de l'EORTC. Imagerie Insights. 2022;13(1):159. Publié le 2022 octobre 4. doi:10.1186/s13244-022-01287-4

Auteurs

Raúl Yebana – Responsable de l'analyse d'images

Víctor Climent – ​​Technicien en analyse d’images