Actualités de l'Urgence - APM

Environ 19,5 millions de personnes dans le monde, dont 150.000 en France, souffrent d’une épilepsie partielle réfractaire à tous les médicaments. La chirurgie, qui constitue aujourd'hui le meilleur recours thérapeutique pour ces patients, nécessite un bilan préopératoire complexe, rappellent les chercheurs des centres de recherche en acquisition et traitement de l'image pour la santé (Creatis) et en neurosciences (CRNL) à Lyon (CRNL, CNRS/Inserm/université de Lyon/université Jean-Monnet de Saint-Etienne + Insa pour Creatis) dans leur poster.

L'analyse de données d'imagerie, en particulier l'IRM multiséquence (séquences T1, FLAIR, DTI ou tenseur de diffusion) tend à prendre une place croissante dans ce protocole afin notamment de localiser les foyers épileptogènes à enlever.

Cependant, l'analyse visuelle de ces données massives est une tâche difficile car les lésions épileptogènes sont très hétérogènes en matière de taille, de forme et de localisation, poursuivent Zaruhi Alaverdyan et ses collègues.

Selon une revue récente de plusieurs études rétrospectives, entre 30% et 80% des lésions, en fonction de leur type, ne sont pas détectées en pratique clinique lors de l'examen des IRM. Or, le taux de succès de la chirurgie dépend de la visualisation de la lésion, de seulement 29% si elle n'est pas détectée mais de 66% lorsqu'elle est isolée.

Afin d'aider les cliniciens dans leur tâche diagnostique, les chercheurs ont développé un système de détection des lésions reposant sur l'analyse multivariée des données d'imagerie IRM T1 et FLAIR à l'aide de l'intelligence artificielle, et plus particulièrement de méthodes dites d'apprentissage automatique (machine learning).

Le système consiste à extraire les informations pertinentes d'une série d'images de référence pour apprendre un modèle de prédiction. Ce modèle permet ensuite d'analyser une nouvelle image et de localiser automatiquement les zones pathologiques pour un patient, expliquent les chercheurs.

La plupart des systèmes repose sur des méthodes d'apprentissage supervisé, c'est-à-dire pour lesquels l'apprentissage est réalisé à partir d'échantillons d'images de patients sur lesquelles les lésions ont été préalablement contourées.

Mais lorsque les lésions ne sont pas visibles sur l'image, la constitution d'une base d'apprentissage est plus compliquée. Les chercheurs ont donc considéré la détection de lésions épileptogènes comme un problème de détection d'anomalies par rapport à une représentation apprise d’un cerveau sain.

Pour la base de données d'apprentissage, les chercheurs ont utilisé les données d'IRM en T1 et en FLAIR de 75 personnes en bonne santé, soit plus de 300 coupes sagittales sur un appareil à 1,5 Tesla, de manière à obtenir une correspondance spatiale entre chaque participant à l'échelle du pixel.

Un modèle de représentation est extrait pour chaque pixel de l'image à l'aide d'un système d'apprentissage profond (deep learning) et le modèle prédictif est conçu pour chaque voxel à l'aide d'un algorithme de détection d'anomalies (de type machine à vecteurs de support, Oc-SVM).

L'ajustement d'un modèle par pixel, donc ultra-localisé, permet de prendre en compte l'information contextuelle locale, font observer les chercheurs.

Ils ont ensuite testé le modèle sur une série de 21 patients dont 18 étaient considérés comme négatifs lors d’un premier examen visuel.

Les premiers résultats indiquent que ce système est capable de détecter 38% des lésions sur les IRM négatives, c'est-à-dire non détectées visuellement, en utilisant uniquement l'information contenue dans l'IRM en T1, 50% en utilisant uniquement les données d'IRM en FLAIR et 65% en associant les informations en T1 et FLAIR.

Les performances de ce système de détection des lésions assisté par informatique semblent meilleures que la morphométrie cérébrale voxel à voxel, observent les chercheurs.

ld/nc/APMnews