Segmentation automatique des métastases hépatiques en imagerie TEP/TDM basée sur l’apprentissage profond dans le cadre du cancer du sein métastatique

Introduction Dans le contexte du traitement du cancer du sein metastatique, l’imagerie TEP/TDM constitue un outil diagnostique important. Cependant, la segmentation manuelle ou semi-automatique des metastases, etape preliminaire a une caracterisation plus precise de ces lesions, reste tres chronophage. Dans un premier pas vers l’automatisation de cette etape, nous proposons une detection automatique des metastases hepatiques basee sur une combinaison d’apprentissage machine classique et d’apprentissage profond. Materiel et methodes Dix-huit patients traites pour un cancer du sein metastatique ont passe une TEP/TDM. Les lesions metastatiques ont ete manuellement delinees par un medecin nucleaire. Parmi les 1200 lesions contourees, 67 etaient localisees dans le foie. Notre approche consiste dans un premier temps a segmenter le foie sur les images TDM pour delimiter la zone de recherche des lesions hepatiques. Nous avons entraine un algorithme d’apprentissage profond base sur le U-Net en utilisant une base de donnees TDM publique (LiTS, 130 patients) sur laquelle le foie et les lesions hepatiques ont ete contourees. Apres recalage rigide TEP/TDM, les masques binaires du foie issus de la premiere etape ont ete reechantillonnes dans le domaine des images TEP. Enfin, les lesions ont ete extraites des images TEP par l’utilisation d’un classifieur SVM prenant en compte les seuls pixels appartenant au foie dont le SUV est superieur a 2,5 et les labels correspondants (lesion ou non lesion). Une validation croisee a ete utilisee pour tenir compte du faible nombre de patients. Resultats Un Dice score de 0,95 a ete obtenu pour la segmentation du foie sur les images TDM. Les segmentations des lesions sur la TEP ont obtenu une sensibilite de 0,47, une valeur predictive positive (vpp) de 0,80 et une specificite de 0,99. Les resultats de la vpp et de la specificite demontrent la capacite du modele a correctement detecter les lesions malignes presentes, tandis que la sensibilite relativement faible traduit une legere sous-estimation de l’etendue des lesions. Conclusion Cette etude preliminaire a permis de mettre en avant une methode automatique pour detecter les lesions dans les images TEP en combinant l’information provenant de la TDM et de la TEP. A terme, cette brique pourra s’integrer dans les developpements permettant d’automatiser la segmentation de toutes les lesions metastatiques dans le cadre du cancer du sein.