Segmentation automatique par DeepLearning en contexte de métastases hépatiques de cancer du côlon

Introduction Des metastases hepatiques sont diagnostiquees dans 20 % des bilans d’extension de cancer du colon. Leur segmentation manuelle a partir de tomodensitometries (TDM) est commune en pratique clinique (volumetrie preoperatoire, RECIST) et de realisation fastidieuse. Les methodes automatiques de segmentation par DeepLearning (DL) surclassent les autres methodes. Nos objectifs etaient de creer une biobanque de TDM specifique aux metastases hepatiques de cancer du colon et d’evaluer les performances de segmentation des algorithmes de DL dans ce contexte. Methode Nous annotions des paires input/output data (TDM de baseline/Annotation) a partir d’examens realises ces 10 dernieres annees au CHRU de Brest pour entrainer les algorithmes de DL. Nous testions les reseaux U-Net, V19U-Net, V19pU-Net, V19pU-Net-DS et V19pU-Net-DS-RA pour la segmentation des metastases. Nous testions le reseau V19pU-Net-DS pour la segmentation du systeme porte. L’indice de recouvrement volumique de DICE permettait l’evaluation des performances. Resultat Des annotations etaient realisees sur 100 TDM au temps portal pour le foie, les metastases et les vaisseaux. L’indice de DICE pour la segmentation des metastases etait de 63,3 % avec le reseau U-Net, 67,0 % avec le reseau V19U-Net, 68,3 % avec le reseau V19pU-Net, 69,8 % avec le reseau V19pU-Net-DS et 68,8 % avec le reseau V19pU-Net-DS-RA. L’indice de DICE etait de 61,5 % pour la segmentation du systeme porte avec le reseau V19pU-Net-DS. Conclusion L’approfondissement, le pre-entrainement et l’adjonction de la supervision profonde (V19pU-Net-DS) ameliorent les performances du reseau standard U-Net pour la segmentation automatique des metastases hepatiques de cancer du colon sur des images TDM.