Segmentation automatique de la prostate à l’aide d’un réseau de neurones profond

Objectifs L’objectif de l’etude est le developpement d’un outil de segmentation automatique de l’anatomie zonale prostatique sur la sequence en ponderation T2 en IRM, base sur l’apprentissage profond (reseau de neurones), robuste quelle que soit la variabilite morphologique de la prostate et les caracteristiques techniques des sequences (constructeurs, aimants, epaisseur de coupes, champs de vue). Methodes Nous avons utilise une variante du reseau U-Net 3D de Isensee avec le Dice generalise pour fonction de cout, que nous avons entraine sur les bases de donnees publiques ProstateX (79 volumes) et PROMISE12 (50 volumes) re-echantillonees a une resolution de 1 × 1 × 3 mm, avec une repartition entrainement/validation de 4/1, et ce durant 150 epochs. En post-traitement nous avons extrait la plus grande zone connexe. Pour les tests nous avons utilise les bases de donnees NCI-ISBI-Dx (29 volumes) et MSD-P (32 volumes), ainsi qu’une base de donnee privee (10 volumes, 2 types de constructeurs). Resultats Pour evaluer la performance du reseau nous avons utilise une mesure volumique (Dice). Les Resultats etaient variables, fonction des bases de donnees utilisees : – sur la base de donnees MSD-P, dont les caracteristiques images sont tres homogenes (meme centre et meme constructeur machine) le Dice moyen etait bon evalue a 0,899 (± 0,033) ; – sur la base de donnees NCI-ISBI-Dx, comportant des IRM acquises sur des machines de constructeurs differents, la performance est moindre mais correct avec un Dice moyen de 0,840 (± 0,028) ; – sur la base de donnees privee avec des constructeurs et des types de sequences differentes le Dice moyen etait de 0,903 (± 0,019) a 0,610 (± 0,310). La performance etait superieure pour les donnees proches de celles utilises a l’entrainement ( Fig. 1 , Fig. 2 , Fig. 3 ). Conclusion Ce reseau de neurones est la premiere etape d’un framework qui fonctionnera secondairement a des resolutions plus elevees sur une zone reduite, pour lequel il serait interessant d’integrer l’anisotropie et une metrique de distance spatiale. La performance du reseau est fortement liee aux caracteristiques des donnees utilisees pour l’entrainement (type de constructeur, champ de vue utilise).