En neuro-oncologie, les tumeurs sont souvent investiguées en imagerie par résonance magnétique (IRM). La segmentation des lésions tumorales est une étape cruciale pour l'étude des tumeurs à partir des images. Elle consiste en une délinéation précise de la région tumorale dans une image diagnostique ou de suivi. Actuellement, plusieurs architectures de segmentation par apprentissage profond sont proposées pour la segmentation automatique des tumeurs cérébrales. Ces modèles sont performants pour le type de tumeur sur lequel ils sont entraînés, comme, par exemple, des tumeurs communes telles que le glioblastome multiforme. Cependant, leurs performances ne sont pas garanties lorsqu'ils sont utilisés avec des tumeurs rares, comme le gliome infiltrant du tronc cérébral, pour lesquelles le nombre d'exemples labellisés est insuffisant pour un entrainement de novo ou pour adapter les paramètres d'un modèle pré-entrainé.
Parce que certaines similitudes visuelles existent néanmoins entre les tumeurs communes et rares, on peut aborder le problème en deux étapes : la détection puis la classification de pixels. La présente étude exploite certaines similarités des deux types de tumeurs observables à plusieurs échelles et propose deux méthodes de délinéation (pYU et sYBBU) basées sur la combinaison de la détection d'objets avec le réseau YOLO et de la segmentation de tumeurs avec un réseau U-Net. Pour chaque étape, les réseaux entraînés sur des lésions communes ont été utilisés sur des lésions rares, suivant un schéma d'adaptation de domaine sans ajustement de paramètres supplémentaires. Cette stratégie a permis d'obtenir de meilleurs résultats quand la tumeur diffère de celle de l'entraînement et des délinéations robustes ont été obtenues sur le gliome infiltrant du tronc cérébral, une tumeur pédiatrique rare située dans la région du tronc cérébral.
Schéma des deux approches pYU et sYBBU utilisées : modèle parallèle YOLO UNet (pYU), encadré orange ; modèle séquentiel YOLO BB-Unet (sYBBU), encadré rouge. Les auteurs ont choisi le célèbre modèle de détection d'objets YOLO dans sa version pré-entrainée sur des images naturelles. Unet et BB-Unet sont des réseaux en U, entrainés sur des images de tumeurs communes. La combinaison de ces deux types de réseaux permet d'obtenir des segmentations robustes de tumeurs rares. H Chegraoui et al., Cancers, 2021
En abordant la problématique des tumeurs rares, pour lesquelles aucune base de données ne peut être construite pour entraîner un réseau de segmentation neuronal profond, les chercheurs montrent qu'en combinant détection « simple » d'objets et segmentation de tumeurs, de bons résultats peuvent être obtenus, sans réentraînement ni adaptation du modèle.
Contacts : hamza.chegraoui@cea.fr ; vincent.frouin@cea.fr
- La segmentation d'image est l'action de regrouper des pixels selon des critères prédéfinis dans le but de construire des régions ou classes de pixels.
- La localisation d'un ou plusieurs objets dans les images a été réalisée avec YOLO (You Only Look Once), un algorithme de détection automatique d'objets connu pour sa grande précision et sa rapidité (J.Redmon et al., 2015).
- U-Net est un réseau de neurones à convolution développé pour la segmentation d'images biomédicales.
Voir aussi : https://sco.lt/9BherI