Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Génération de pseudo-étiquettes et segmentation supervisée de lésions pulmonaires
Les outils de segmentation par apprentissage profond peuvent segmenter de manière fiable des images complexes lorsqu’ils sont entraînés à l’aide d’images bien étiquetées couvrant une variété de cas, une méthode appelée entraînement supervisé. Cependant, le contourage manuel des régions de GGO et de consolidation dans un scanner avec une précision au niveau du pixel est une tâche énorme et un tel ensemble de données qui s’étend sur des cas d’imagerie variés n’est pas disponible. En outre, la délimitation des lésions sans limites claires, telles que les lésions en verre dépoli, peut être très peu reproductible. Pour contourner ce manque de données de base, nous avons d’abord généré des pseudo-contourage de manière non supervisée pour un ensemble limité de données et appliqué des corrections avant d’entraîner un réseau de neurones convolutifs (CNN) final pour la segmentation sémantique.
Tout d’abord, nous avons utilisé un modèle robuste de segmentation de la cavité pulmonaire (18), appelé masque pulmonaire, pour produire un masque de volume pulmonaire pour notre ensemble de données. En utilisant un ensemble de données de 50 patients, nous avons sélectionné les voxels dans la cavité pulmonaire qui ont des valeurs d’unités Hounsfield (HU) supérieures à -700. Ces voxels sont ensuite regroupés en 3 classes à l’aide d’une classification K-Means (par lots) employée sur des caractéristiques de voxel créées à la main, comme le montre la figure 1A. Les caractéristiques ont été obtenues à chaque voxel en utilisant : l’intensité de l’image (en HU), le hessien de la pile d’images dans trois directions, et le filtre de vaisseaux de Frangi à trois échelles différentes. Chaque voxel est ensuite converti en un vecteur à 8 dimensions.
Figure 1 : Schéma de la méthode de segmentation sémantique. A] Les images non étiquetées ont d’abord été décomposées en caractéristiques, puis, en utilisant le masque pulmonaire (18) et un seuil, les pixels sélectionnés ont été regroupés à l’aide de K-means. B] Unet-A a été entraîné sur le jeu de données pseudo-étiqueté obtenu par le clustering K-means. C] Unet-B a été entraîné sur les images pseudo-étiquetées prédites par Unet-A, et l’analyse volumétrique fournit les volumes de la consolidation, du verre dépoli et de la cavité thoracique.
Ensuite, les k-means ont été utilisés pour regrouper ces voxels en 3 classes qui représentent les vaisseaux, la consolidation et le verre dépoli comme le montre la figure 1[A]. Cette segmentation non supervisée reste imparfaite, par exemple, certains pixels qui appartiennent à la région des vaisseaux sont regroupés dans la consolidation et vice-versa en raison de leur similarité à la fois dans la texture et les intensités. Grâce à un nettoyage morphologique, les petits volumes de consolidation ont été érodés et des pseudo-étiquettes ont été obtenues pour 9000 coupes sélectionnées au hasard. Environ 50 de ces images générées ont été vérifiées au hasard et les erreurs de regroupement entre vaisseaux et consolidation ont été corrigées à la main, en particulier pour les images à faible dose et à fort bruit.
Comme nous l’avons déjà mentionné et comme le montre Hofmanninger (18), pour qu’une méthode supervisée puisse être généralisée à des tomodensitogrammes inconnus, un ensemble de données contenant des images variées est nécessaire. Dans cette optique, nous entraînons un CNN avec l’architecture UNET (19) sur le jeu de données non supervisé et pseudo-étiqueté, avec une augmentation importante de l’image. Les coupes de scanners ont d’abord été normalisées entre [-1024,300] et l’augmentation aléatoire de l’image comprenait un bruit gaussien additif, une mise à l’échelle, une rotation et un flou gaussien. Cette UNET (appelée Unet-A, dans la figure 1[A]) a permis de généraliser la segmentation sémantique à d’autres images. Ensuite, un jeu de données contenant des volumes de tomodensitométrie de 200 patients a été segmenté à l’aide de Unet-A et un autre jeu de données de 20 000 images et de pseudo-étiquettes a été généré. Le jeu de données a été sélectionné pour être un mélange d’images saines et d’images contenant des zones de consolidation et de GGO.
Enfin, une deuxième UNET indépendante (Unet-B sur la figure 1[B]) a été entraînée sur le jeu de données sélectionné, avec la même augmentation importante des données que celle mentionnée ci-dessus.
Segmentation sémantique des lésions pulmonaires par apprentissage profond (COViaX)
À partir d’une coupe de scanner thoracique, COViaX classe chaque pixel en 4 classes, à savoir consolidation, verre dépoli, vaisseaux et cavité pulmonaire. Le volume des lésions dans l’image segmentée reconstruite en 3D est calculé et les centroïdes des plus gros blobs sont également déterminés. L’ensemble de l’opération prend environ 1 minute pour un scanner 3D contenant 500 coupes sur une machine avec processeur graphique et processeur central standard. La partie segmentation, qui est calculée sur un processus graphique, prend 20 secondes, tandis que les calculs de volume et de centroïde prennent plus de temps car ils sont traités par un CPU. Les tranches segmentées sont également produites en Dicom, un format qui peut être facilement superposé aux images originales à l’aide d’un logiciel standard. La méthode se généralise bien aux images non vues par le réseau pendant l’apprentissage. La figure 2 présente un exemple de segmentation et de reconstruction 3D.
La qualité des masques COViaX et la confiance du radiologue dans les volumes calculés
Tous les masques COViaX (n=28894) ont été analysés manuellement par chaque expert (n=4) pour les lésions segmentées (consolidations et opacités en verre dépoli) et leur qualité globale a été évaluée (comme décrit dans matériels et méthodes) comme « fortement en désaccord », « en désaccord », « d’accord », « fortement d’accord » dans 9%, 22%, 19%, et 50% respectivement. Les observateurs étaient d’accord de manière substantielle (k=0,7) pour cette évaluation de la qualité. De même, la confiance dans les volumes de lésions reconstruits a été évaluée comme » aucune confiance « , » modérée « , » élevée » et » excellente » dans 12 %, 15 %, 18 % et 55 % respectivement. Aucune différence statistique n’a été observée entre les 3 appareils de scanner ni entre les observateurs (tableau 2). Au total, une grande majorité a trouvé une grande précision et avait confiance dans les volumes calculés par COViaX.
L’influence des masques COViaX sur les évaluations manuelles des volumes
Dans un deuxième temps pour valider l’intérêt de l’IA, nous avons comparé les volumes obtenus manuellement sans et avec l’aide des masques de l’IA (masques COViaX) à ceux obtenus de manière entièrement informatisée (volumes COViaX) par intégration sur les surfaces des masques sans aucune intervention humaine. La reproductibilité était substantielle entre les prédictions COViaX et les radiologues (Obs, ICC=0.79 +/- 0.01). Ces accords ont été encore renforcés avec des indices de confiance montrant une reproductibilité presque parfaite lorsque les masques COViaX ont été comparés aux radiologues faisant des interprétations en utilisant les masques COViaX (Obs-Msk, ICC=0.83 +/- 0.06).
Sur les graphiques de Bland-Altman, l’incertitude du volume diminue de 28,3 % à 21,8 %, tout comme la surestimation du volume des lésions (biais) faite par les radiologues (de 5,5 % à 2,8 %). Cela indique que l’estimation du volume assistée par COViaX augmente la concordance entre les radiologues, ce qui entraîne une réduction de la subjectivité.
Conformité des volumes COViaX avec ceux obtenus manuellement et son intérêt en tant que biomarqueurs de diagnostic et de sévérité
Des analyses de concordance inter-observateur ont également été réalisées pour tester les performances de COViaX dans la détection du volume des lésions. Les résultats de ces trois analyses sont compilés dans la figure 4.
Dans le cas du volume lésionnel total (VRall), les accords inter-observateurs sur le volume (ICC=0,85 +/- 0,04) étaient presque parfaits. Les accords étaient substantiels entre les prédictions de volume COViaX et les radiologues (Obs, ICC=0,79 +/- 0,01). Des résultats similaires ont été trouvés pour les lésions de condensation où les corrélations étaient presque parfaites entre les observateurs et entre les observateurs et les volumes COViaX (ICC=0,85 +/- 0,03 et 0,87 +/- 0,05 respectivement).
Les lésions en verre dépoli sont le plus souvent diffuses et plus difficiles à définir. En effet, dans ce cas (Fig 4), bien que les corrélations entre observateurs soient importantes (ICC=0,76 +/- 0,07), elles sont modérées entre volumes COViaX et observateurs (ICC=0,53 +/- 0,04).
Au total, l’analyse de la concordance inter-observateur montre que les volumes COViaX étaient fortement corrélés à ceux des observateurs. Les résultats ne semblent être que modérément corrélés pour les opacités en verre dépoli. Ces résultats ont été mis en perspective avec l’intérêt de ces biomarqueurs pour le diagnostic et la sévérité de la pneumopathie.
Masque COViaX pour la segmentation des lésions pulmonaires.
Quatre observateurs experts indépendants ont évalué la précision du masque COViaX pour la segmentation des lésions pulmonaires. Dans l’ensemble, ils ont déterminé que la segmentation COViaX était très bonne à parfaite dans 69% des masques et que la confiance était élevée à excellente dans 73% des masques, indépendamment de l’appareil utilisé (3 scanners différents). L’analyse de concordance a révélé que les volumes de condensation COViaX étaient fortement corrélés à ceux des observateurs et avec une grande précision. La concordance des opacités de verre dépoli était moins solide entre les observateurs mais surtout entre COViaX et les observateurs. Une analyse plus approfondie a révélé que malgré ces résultats décevants, les volumes de verre dépoli prédits par COViaX étaient les plus précis pour prédire la maladie du SRAS-CoV2 et sa gravité, dépassant les performances de tous les observateurs. Ces résultats démontrent que l’approximation manuelle du volume de verre dépoli est difficile à évaluer avec précision dans la pratique clinique. Ceci semble être préjudiciable car la plupart des lésions de verre dépoli sont liées à une destruction aiguë des cellules épithéliales pulmonaires dans l’espace alvéolaire (26) dont l’étendue semble particulièrement importante dans la pratique de l’urgences. Par conséquent, nous pensons que la mesure COViaX est de meilleure qualité par rapport à l’approximation manuelle.
COViaX comme outil de triage des patients COVID-19.
Il est important de connaître la fraction volumique du poumon infecté (VRall) car elle peut servir de prédicteur de décès précoce ou d’admission en soins intensifs. Pour Ruch (27), l’étendue des lésions sur le scanner initial était indépendamment associée au pronostic (odds ratio=2,35). Dans leur expérience, alors qu’aucun patient avec un scanner thoracique normal n’a développé une maladie sévère, c’était le cas pour 70% des patients avec un VRall >50%. Dans la présente étude, les VRall déterminés étaient clairement corrélés à l’oxygéno-dépendance des patients, et étaient donc un facteur prédictif de la gravité de la maladie. Il est important de noter que les performances du COViaX étaient systématiquement supérieures à celles des experts avec une AUC de 92%, 92%, 91% pour VRall, VRgg, VRcs respectivement. Ainsi, COViaX a une application potentielle pour la prédiction de la progression de la maladie et de son issue chez les patients.
Il pourrait être intéressant d’inclure les mesures de COViaX dans une approche multiparamétrique pour des prédictions plus fines et la détermination des comorbidités. Par exemple, Shuo Wang and al (28) a testé l’application de l’IA pour la prédiction du risque sur la base d’une cohorte de validation de 471 patients présentant des caractéristiques d’imagerie déterminées ainsi que des caractéristiques cliniques (âge, sexe et comorbidité). Deux groupes de risque statistiquement distincts ont ainsi été identifiés avec des différences dans la durée d’hospitalisation (p<0,0001). De légères corrélations entre le VRall et les biomarqueurs inflammatoires (leucocytes, neutrophiles et IL-2R) pourraient également être indicatives (29). Mei et al (30) dans une récente étude de dépistage ont établi que la combinaison de l’analyse automatisée du scanner avec l’histoire clinique et biologique d’un patient pourrait aider à déterminer un score de sévérité COVID-19 comme pronostic pour trier les patients à risque. Une telle approche, développée de manière automatisée, pourrait soulager significativement la prise en charge des patients, un enjeu majeur dans un contexte de ressources sanitaires dégradées. De manière générale, les outils d’IA sont parfaitement adaptés à cet objectif, en raison de leur faible coût et de leur potentiel d’application à haut débit.
COViaX comme outil de diagnostic immédiat du COVID-19.
Dans cette étude, nous avons observé que le scanner thoracique était modérément performant en tant qu’outil de diagnostic des patients affectés par le COVID-19, la moyenne des Se et Sp du diagnostic du SRAS-CoV2 pour le scanner thoracique était de 74% et 74% respectivement. L’utilisation des masques COViaX n’a pas augmenté ces performances (71% et 78% respectivement). Ces performances sont inférieures à celles décrites précédemment. Dans une grande enquête nationale menée dans 26 hôpitaux (n= 4824 sujets), la sensibilité et la spécificité du CT thoracique pour le diagnostic de la pneumonie COVID-19 étaient respectivement de 90% et 91% (31). D’autres rapports ont montré des résultats dans le même taux de performance : 87 % et 97 % pour (15) (AUC=0,974) ; 97 % et 92 % pour Bo Wang and al (32). Ici, la sensibilité inférieure n’étais pas due au logiciel d’IA car il était tout aussi efficace que les 4 observateurs. Il est probable que les taux de performance inférieurs s’expliquent par l’inclusion de patients asymptomatiques aux premiers stades de l’infection, empêchant la détection de lésions pulmonaires sur les scanners. Des taux de sensibilité significativement plus élevés seraient probablement trouvés dans une population de patients symptomatiques. En raison des impacts variables de la maladie sur les patients, il est à nouveau probable que les approches multiparamétriques renforcent également les performances diagnostiques de l’IA ou des radiologues seuls. Par exemple, Mei et al (30) ont observé une augmentation de la spécificité de 75,9 % à 82,8 % lorsque l’IA était associée à d’autres paramètres.
L’utilisation de COViaX à l’hôpital.
Cette étude démontre que la quantification des lésions dans la pneumonie SARS-CoV-2 peut être réalisée avec un cadre d’IA faiblement supervisé permettant une segmentation robuste et qualitative des lésions pulmonaires. COViaX n’est pas sensible à des constructeurs de scanners spécifiques car les examens rapportés ont eu lieu sur trois scanners différents sans différence notable dans l’appréciation qualitative des radiologues. Ainsi, COViaX peut être utilisé en téléradiologie ou dans des essais multicentriques.
Ces résultats montrent que COViaX peut être immédiatement mis en œuvre dans un contexte clinique pour soutenir les analyses de scanners thoraciques avec une grande précision, en particulier dans un contexte épidémique.
À plus long terme, COViaX (ainsi que d’autres approches basées sur l’IA) pourrait être utilisé comme un outil à haut débit pour l’évaluation de l’efficacité de traitements potentiels surveillant les dommages pulmonaires au fil du temps dans de grandes populations de patients. Les approches d’IA pourraient également conduire à la surveillance automatisée de toute l’imagerie thoracique (par exemple via un matériel dédié, un processeur GPU et une extraction automatique) afin de détecter et d’alerter sur les cas positifs quelques secondes après l’acquisition. Un tel workflow pourrait contribuer à réduire la transmission nosocomiale de la maladie, en permettant une décontamination rapide du scanner, de sa table et de sa salle, et une prise en charge adaptée du patient avec analyse et isolement par PCR.
|
Table des matières
MATERIELS ET METHODES
Acquisition d’images et éthique
Génération de pseudo-étiquettes et segmentation supervisée de lésions pulmonaires
Validation du modèle à l’aide de comparaisons de volumes avec 4 évaluations manuelles et leur impact sur les données cliniques
Analyse statistique
RÉSULTATS
Segmentation sémantique des lésions pulmonaires par apprentissage profond (COViaX)
La qualité des masques COViaX et la confiance du radiologue dans les volumes calculés
L’influence des masques COViaX sur les évaluations manuelles des volumes .
Conformité des volumes COViaX avec ceux obtenus manuellement et son intérêt en tant que biomarqueurs de diagnostic et de sévérité
DISCUSSION
Masque COViaX pour la segmentation des lésions pulmonaires.
COViaX comme outil pour le triage des patients COVID-19.
COViaX comme outil de diagnostic immédiat du COVID-19.
L’utilisation de COViaX à l’hôpital
CONCLUSION
REFERENCES
Télécharger le rapport complet
