Thèse d'exercice
Millet Léo
Évaluation volumétrique de lésions gliales en imagerie par résonance magnétique 3 tesla : segmentation manuelle et segmentation automatique par algorithme d'intelligence artificielle
FrançaisConsulter le texte intégral (format PDF)
Index
Résumé
Français
Évaluation volumétrique de lésions gliales en imagerie par résonance magnétique 3 tesla : segmentation manuelle et segmentation automatique par algorithme d'intelligence artificielle
Introduction :
L'IRM occupe une place centrale dans le diagnostic, et le suivi des lésions gliales, la volumétrie des lésions cérébrales est chronophage, fastidieuse pour le radiologue dans la pratique quotidienne. Dans cette étude le but a été de développer une intelligence artificielle de type TR-UNet capable d'effectuer des volumétries automatiques à la fois dans le bilan initial, dans le suivi des lésions gliales quel que soit le grade et le statut opéré ou non du malade.
Matériels et méthodes :
50 patients atteints de lésions gliales ont été segmenté manuellement par un radiologue pour servir de base d'entrainement à l'intelligence artificielle, et 7 patients atteints de glioblastome préalablement segmentés par un ingénieur ont servi de base de test. Le Dice score a été la métrique principale d'évaluation des volumétries automatiques.
Résultats :
La moyenne des Dice score sur la population test étaient de 0,83 en moyenne, donnant des segmentations automatiques satisfaisantes, les discordances était variables, dépendant principalement de l'aspect et de l'hétérogénéité des lésions.
Il a été montré que le modèle d'intelligence artificielle TR-UNet était supérieure à un modèle d'intelligence artificielle UNet classique dans la segmentation des lésions gliales en condition réelle.
Conclusion :
L'intelligence artificielle de type TR-UNet est capable après un entrainement ciblé de segmenter automatiquement des lésions gliales avec une précision relativement bonne dépendant principalement de l'aspect et de l'homogénéité ou non des lésions cibles.
En pratique courante une solution d'intelligence artificielle semble être une solution adaptée pour pallier à la segmentation manuelle, bien trop chronophage pour être viable en condition de pratique clinique réelle.
Mots-clés libres : Gliomes, Glioblastomes, IRM, IA, Segmentation, TR-UNet.
- Glioblastome -- Diagnostic
- Imagerie par résonance magnétique
- Intelligence artificielle en médecine
English
Introduction:
MRI plays a central role in the diagnosis and monitoring of glial lesions. volumetry of brain lesions can be time-consuming and tedious for radiologists in their daily practice. In this study, the aim was to develop a TR-UNet type artificial intelligence capable of performing automatic volumetry both in the initial assessment and in the follow-up of glial lesions, regardless of the patient's grade and operative status.
Materials and Methods:
Fifty patients with glial lesions were manually segmented by a radiologist to serve as a training dataset for artificial intelligence, while seven patients with glioblastoma, previously segmented by an engineer, served as a test dataset. The Dice score was the primary metric for evaluating automatic volumetry.
Results:
The average Dice score in the test population ranged from 0,83, indicating satisfactory automatic segmentations. Discrepancies varied, primarily depending on the appearance and heterogeneity of the lesions. It was shown that the TR-UNet artificial intelligence model outperformed a conventional UNet artificial intelligence model in glial lesion segmentation under real-world conditions.
Conclusion:
TR-UNet-type artificial intelligence, after targeted training, is capable of automatically segmenting glial lesions with relatively good accuracy, depending primarily on the appearance and homogeneity of the target lesions. In routine practice, an artificial intelligence solution appears to be a suitable alternative to manual segmentation, which is far too time-consuming to be viable in real clinical settings.
Keywords : Gliomas, Glioblastomas, MRI, AI, Segmentation, TR-UNet.
Notice
- Diplôme :
- Diplôme d'état de médecine
- Établissement de soutenance :
- Université de Poitiers
- UFR, institut ou école :
- Domaine de recherche :
- Médecine. Radiologie
- Directeur(s) du travail :
- Rémy Guillevin
- Date de soutenance :
- 09 octobre 2023
- Président du jury :
- Rémy Guillevin
- Membres du jury :
- Rémy Guillevin, Luc Pellerin, Carole Guillevin, Nikolaos Efthymiadis, Mathieu Naudin
Menu :
-
-
à propos d'UPétille
-
Voir aussi
Annexe :
-
Une question ?
Avec le service Ubib.fr, posez votre question par chat à un bibliothécaire dans la fenêtre ci-dessous ou par messagerie électronique 7j/7 - 24h/24h, une réponse vous sera adressée sous 48h.
Accédez au formulaire...
Université de Poitiers - 15, rue de l'Hôtel Dieu - 86034 POITIERS Cedex - France - Tél : (33) (0)5 49 45 30 00 - Fax : (33) (0)5 49 45 30 50
petille@support.univ-poitiers.fr -
Crédits et mentions légales