Le potentiel des transformers d’images masqués auto-distillés dans l’IRM longitudinale - Segmentation automatique des métastases ganglionnaires cervicales

Introduction du rapport

Dans la radiothérapie des tumeurs, les techniques de segmentation automatique promettent d’améliorer la vitesse et de réduire les variations inter-lecteurs liées à la segmentation manuelle. Dans la pratique clinique en radio-oncologie, une segmentation tumorale précise et rapide est cruciale pour le traitement personnalisé des patients. Ramesh Paudyal et ses collègues chercheurs du Memorial Sloan Kettering Cancer Center ont mené cette étude visant à implémenter et évaluer la précision de l’algorithme “Masked Image Modeling using Vision Transformers” (SMIT) pour la segmentation automatique des métastases ganglionnaires cervicales sur des images IRM T2 longitudinales de patients atteints de carcinome épidermoïde oropharyngé.

Cet article a été publié dans le numéro 1 de 2024 de “BJR|Artificial Intelligence”. Cette étude a été réalisée conjointement par Ramesh Paudyal, Jue Jiang, James Han, Bill H. Diplas, Nadeem Riaz, Vaios Hatzoglou, Nancy Lee, Joseph O. Deasy, Harini Veeraraghavan et Amita Shukla-Dave, tous du Memorial Sloan Kettering Cancer Center à New York, États-Unis.

Contexte de recherche

Les techniques d’imagerie transversale couramment utilisées pour la détection des tumeurs et la planification de la radiothérapie comprennent la tomodensitométrie (CT) et l’imagerie par résonance magnétique (IRM). Dans la pratique clinique, l’identification et la segmentation précises des organes à risque (OARs) et des tumeurs sont essentielles pour une radiothérapie précise. Cependant, l’imagerie CT présente des artefacts métalliques et des limitations dans la clarté des limites entre la tumeur et les tissus mous normaux, tandis que l’IRM offre un contraste supérieur des tissus mous et devient une méthode d’imagerie potentielle pour la planification, la mise en œuvre et l’évaluation de la radiothérapie.

Traditionnellement, les radiologues délimitent manuellement les contours des tumeurs de la tête et du cou, un processus chronophage et sujet aux variations inter-lecteurs, en particulier pour les tumeurs de la tête et du cou à la morphologie complexe et les artefacts potentiels. Bien que les méthodes de segmentation basées sur des atlas aient montré un potentiel d’économie de temps, des éditions manuelles sont encore nécessaires pour la segmentation des petits volumes tumoraux de la tête et du cou. Récemment, les techniques d’apprentissage profond ont montré un potentiel en matière de segmentation automatique, offrant une meilleure efficacité et cohérence que les segmentations manuelles et basées sur des atlas.

Méthodologie de recherche

Cette étude incluait 123 patients atteints de carcinome épidermoïde oropharyngé (opscc) positifs au virus du papillome humain (HPV+) qui ont reçu une chimioradiothérapie concomitante. L’étude a utilisé des images IRM pondérées T2 (T2W) longitudinales acquises avant et pendant le traitement (c’est-à-dire à la semaine 0 et aux semaines 1-3). Les lésions métastatiques des ganglions lymphatiques cervicaux de ces 123 patients ont été manuellement délimitées et traitées à l’aide de l’algorithme de segmentation automatique SMIT, suivi du calcul du volume tumoral total. L’étude a utilisé des méthodes d’analyse statistique standard pour comparer les volumes de segmentation SMIT et manuelle (en utilisant le test de Wilcoxon des rangs signés [WSRT]), et a calculé le coefficient de corrélation de rang de Spearman.

Acquisition et traitement des données

Les images IRM ont été acquises à l’aide d’un scanner Philips 3T (Ingenia). Le protocole standard d’acquisition IRM comprenait des séquences T2W multiplanaires (temps d’écho [TE] = 80ms, temps de répétition [TR] = 4099-5939ms). L’ensemble de données comprenait des images IRM de 123 patients, dont 95 pour l’entraînement, 10 pour la validation et 18 pour les tests.

Algorithme de segmentation automatique par apprentissage profond

Un modèle 3D Swin pré-entraîné a été utilisé pour modéliser les métastases ganglionnaires cervicales, avec un décodeur U-Net pour le raffinement. Le modèle d’étude a été entraîné sur 500 époques, avec un temps total d’entraînement de 20 heures, et affiné à l’aide d’une validation croisée à 5 plis. Le temps d’inférence pour chaque modèle était d’environ 2 secondes, y compris le chargement des données et la segmentation.

Analyse statistique

Le coefficient de similarité de Dice (DSC) a été utilisé pour évaluer la précision de segmentation de l’algorithme SMIT, et le WSRT a été utilisé pour comparer les volumes de segmentation manuelle et automatique. Le coefficient de corrélation de rang de Spearman a été utilisé pour calculer la corrélation entre les volumes tumoraux du modèle SMIT et de la délimitation manuelle. La signification statistique des résultats expérimentaux a été fixée à p,05.

Résultats de recherche

Comparaison entre segmentation manuelle et automatique

L’étude a montré qu’il n’y avait pas de différence significative entre les volumes tumoraux pré-traitement (pre-tx) segmentés par le modèle SMIT et la délimitation manuelle (8,68±7,15 vs 8,38±7,01 cm³, p=0,26 [WSRT]), et l’analyse de Bland-Altman a montré une forte concordance, avec une corrélation significative des volumes tumoraux globaux (q=0,84-0,96, p,001). La précision de segmentation, exprimée en valeurs DSC sur l’ensemble de données de test, était respectivement de 0,86, 0,85, 0,77 et 0,79 pour le pré-traitement et les différentes semaines pendant le traitement.

Points forts de l’étude

1. Innovation : Première évaluation de l’efficacité de l’algorithme SMIT pour la segmentation automatique utilisant l’IRM T2W longitudinale chez les patients HPV+ opscc.
2. Haute précision : L’algorithme SMIT a montré des résultats de segmentation de haute précision, hautement cohérents avec les résultats de segmentation manuelle.
3. Amélioration de l’efficacité : Amélioration significative de l’efficacité de segmentation et réduction du temps par rapport à la délimitation manuelle.

Signification de la recherche

L’algorithme SMIT proposé dans cette étude fournit une solution de segmentation automatique pratique pour la radiothérapie des tumeurs, réduisant significativement les variations inter-lecteurs et la charge de travail liées à la délimitation manuelle, améliorant l’efficacité et la précision de la segmentation dans la pratique clinique de radiothérapie, et offrant une référence pour les applications cliniques futures.

Références bibliographiques

Toutes les références mentionnées dans le texte sont indiquées avec des détails complets et des liens, assurant la fiabilité et la traçabilité de la recherche.

Conclusion

Cette étude a appliqué de manière innovante l’algorithme SMIT pour la segmentation automatique des patients HPV+ opscc, obtenant des résultats de segmentation de haute précision et efficaces, promettant une application précieuse dans la future pratique clinique de radiothérapie. Les méthodes et données importantes contribuées par l’Institut de recherche Digunqiu fournissent un soutien important pour la recherche scientifique ouverte.