Rapport de recherche sur l’apprentissage multitâche entièrement automatique basé sur l’IRM multimodal pour la segmentation des gliomes et la classification du gène IDH

Contexte de la recherche

Les gliomes sont les tumeurs cérébrales primitives les plus courantes du système nerveux central. Selon la classification de l’Organisation Mondiale de la Santé (OMS) de 2016, les gliomes sont classés en gliomes de bas grade (LGG, grade II et III) et gliomes de haut grade (HGG, grade IV). L’état de mutation de l’Isocitrate Dehydrogenase (IDH) est l’un des marqueurs pronostiques les plus importants des gliomes. Les recherches cliniques ont révélé que les patients atteints de gliomes de bas grade avec mutation IDH ont généralement un meilleur pronostic que les patients de type sauvage IDH. La segmentation manuelle traditionnelle des gliomes est longue et laborieuse, tandis qu’une classification précise du gène IDH et une segmentation précise des gliomes sont cruciales pour guider le traitement et évaluer le pronostic. En raison du rôle non invasif et essentiel de l’imagerie par résonance magnétique multimodale (IRM) dans la pratique clinique quotidienne, elle est considérée comme la technique candidate la plus prometteuse.

Cependant, en raison de l’hétérogénéité tumorale inter- et intra-tumorale significative des gliomes, les méthodes automatiques actuelles rencontrent de nombreux défis. La plupart des méthodes existent actuellement se basent sur une seule tâche pour résoudre ces problèmes, et ne parviennent pas à exploiter pleinement la corrélation entre les deux tâches. De plus, les données d’étiquettes du gène IDH sont rares et coûteuses à obtenir, ce qui limite encore plus les performances des modèles existants.

Dans ce contexte, les auteurs proposent un cadre de multitâche entièrement automatisé basé sur l’IRM multimodal, afin de résoudre de manière exhaustive ces problèmes via la segmentation des gliomes et la classification du gène IDH simultanément.

Source de l’article

Cet article a été rédigé par Jianhong Cheng, Jin Liu, Hulin Kuang et Jianxin Wang, et publié dans le journal « IEEE Transactions on Medical Imaging » en juin 2022. La recherche a été partiellement soutenue par le Plan de Développement Clé National de la Chine (numéro 2021YFF1201200), le Fonds National des Sciences Naturelles de Chine (numéros 62172444 et 62102454), le Plan de Leadership en Innovation Technologique du Hunan (numéro 2020GK2019) et le Centre de Calcul Haute Performance de l’Université Centrale du Sud.

Processus détaillé de la recherche

Flux de travail de la recherche

Les auteurs ont conçu un réseau d’apprentissage multitâche 3D en trois parties, comprenant un encodeur CNN-Transformer, un décodeur destiné à la segmentation des gliomes et un classificateur pour la classification du gène IDH. Le processus spécifique du réseau est le suivant :

1. Encodeur CNN-Transformer : L’encodeur extrait les caractéristiques sémantiques globales des images IRM multimodales d’entrée via des opérations de convolution et Transformer successives. Le Transformer introduit un mécanisme de multi-têtes attentionné pour le modélisation du contexte à longue distance.

2. Décodeur pour la segmentation des gliomes : Le décodeur réseau neuronal convolutif 3D effectue une interpolation des caractéristiques de haut niveau pour générer finalement des résultats de segmentation. Les connexions de saut fusionnent les cartes de caractéristiques sous-échantillonnées avec les cartes de caractéristiques sur-échantillonnées.

3. Classificateur de type IDH : Les cartes de caractéristiques multi-échelles sont converties via la Pooling Moyenne Globale (GAP) et la Pooling Maximal Globale (GMP). Ensuite, ces caractéristiques traversent une couche entièrement connectée pour la classification du gène IDH.

Conception de la fonction de perte multi-tâches

Pour aborder les problèmes de biais de tâche causés par un réglage inapproprié des poids de tâche, cet article propose une fonction de perte multitâche basée sur l’incertitude :

[ L{joint} = \frac{1}{2\sigma{seg}^2}L{seg} + \frac{1}{2\sigma{idh}^2}L{idh} + \log \sigma{seg}\sigma_{idh} ]

Où (\sigma{seg}) et (\sigma{idh}) sont des paramètres appris pouvant s’ajuster de manière adaptative pour équilibrer les poids de tâche de la segmentation des gliomes et de la classification du gène IDH.

Apprentissage semi-supervisé multitâche

Étant donné que l’obtention des données d’étiquettes du gène IDH est coûteuse, les auteurs ont également proposé un cadre d’apprentissage semi-supervisé multitâche basé sur la sélection de pseudolabels guidée par l’incertitude. En générant des pseudolabels sur des données non étiquetées et en effectuant un entraînement supplémentaire, ils ont amélioré la précision de la classification du gène IDH.

Principaux résultats de la recherche

Segmentation des gliomes

En ce qui concerne la segmentation des gliomes, de nombreuses expériences ont prouvé que le réseau d’apprentissage multitâche proposé MTTU-Net dépasse les méthodes actuelles en termes de précision de la segmentation des gliomes, en particulier dans les segments des tumeurs totales, du noyau tumoral et de la région tumoral renforcée.

Classification du gène IDH

Pour la classification du gène IDH, MTTU-Net a également montré des améliorations de performance significatives. Par rapport aux approches mono-tâche, MTTU-Net a amélioré les valeurs AUC, la précision, la sensibilité et la spécificité.

Efficacité de l’apprentissage semi-supervisé

Après l’introduction de nombreuses données non étiquetées pour l’apprentissage semi-supervisé, les performances de segmentation des gliomes et de classification du gène IDH du MTTU-Net ont encore été améliorées. En utilisant la méthode de sélection de pseudolabels guidée par l’incertitude, la précision de la classification du gène IDH a également significativement augmenté.

Conclusion et implications de la recherche

Le MTTU-Net proposé dans cet article exploite les IRM multimodales pour effectuer simultanément la segmentation des gliomes et la classification du gène IDH, améliorant signifciativement la précision de ces deux éléments. En outre, les performances sont encore améliorées grâce à l’apprentissage semi-supervisé multitâche. L’étude démontre que l’apprentissage multitâche peut, par le biais d’un apprentissage représentatif partagé, réaliser une localisation plus précise des tumeurs et une classification du gène IDH, ce qui est d’une grande importance pour les systèmes de diagnostic assisté par ordinateur.

Points forts de la recherche

1. Cadre de l’apprentissage multitâche : La segmentation des gliomes et la classification du gène IDH sont effectuées simultanément, réalisant un partage des caractéristiques entre les tâches, ce qui améliore de manière significative la performance.
2. Poids d’incertitude : Les poids de tâche sont ajustés de manière adaptative via les poids d’incertitude, évitant les problèmes de biais de tâche.
3. Apprentissage semi-supervisé : Exploite les données non étiquetées et une méthode de sélection de pseudolabel guidée par l’incertitude pour augmenter encore la précision de la classification du gène IDH.
4. Potentiel d’application pratique : MTTU-Net peut être appliqué dans les systèmes de diagnostic assisté par ordinateur en pratique clinique, apportant un soutien solide pour le traitement personnalisé des patients.

Résumé

Cet article propose un nouveau cadre d’apprentissage multitâche MTTU-Net, qui réalise simultanément la segmentation des gliomes et la classification du gène IDH via un apprentissage des caractéristiques partagé, et améliore les performances grâce à l’apprentissage semi-supervisé. Les résultats expérimentaux montrent que cette méthode dépasse les techniques actuelles des plus avancées, offrant une solution de diagnostic assisté par ordinateur fiable pour la classification des gliomes et du gène IDH. Cette recherche ouvre de nouvelles perspectives et méthodes pour l’application de l’apprentissage multitâche dans l’analyse des images médicales.