Nouvelle méthode proposée sur l’IRM multiparamétrique pour le diagnostic du cancer rectal

L’imagerie par résonance magnétique multiparamétrique (IRMp) a été acceptée comme l’alternative préférée pour le diagnostic du cancer rectal. La mise en scène N est nécessaire pour tous les rapports de RM, pour lesquels une détection et une segmentation précises des ganglions lymphatiques (LN) sont les conditions préalables.

Cependant, le goulot d’étranglement des méthodes de diagnostic actuelles est la faible efficacité de l’identification de la LN dans le contexte de plusieurs organes et de multiples intervalles. De plus, lorsque le nombre de coupes est supérieur à 20, il faudra 3 à 10 minutes aux radiologues expérimentés pour terminer la détection de LN d’un patient et les résultats seront affectés par l’expérience subjective du détecteur, l’environnement et peuvent contribuer à un diagnostic erroné.

Une méthode de reconnaissance intelligente a été développée et d’abord appliquée pour réaliser la détection et la segmentation automatiques de LN (auto-LNDS) des patients RC avant la chirurgie. Ce développement a été réalisé par l’équipe de recherche de GAO Xin de l’Institut de génie biomédical et de technologie de Suzhou de l’Académie chinoise des sciences (SIBET, CAS), en collaboration avec MENG Xiaochun du sixième hôpital affilié de l’université Sun Yat Sen et trois autres hôpitaux 3A répartis dans différentes régions de Chine.

Trois cent soixante-treize patients RC ont été inscrits dans cette étude. Les annotations de trois experts principaux ont été utilisées comme vérités fondamentales pour la formation de modèles. Les images pondérées T2 pondérées (T2WI) et les images pondérées par diffusion (DWI) ont fourni une entrée pour le cadre d’apprentissage en profondeur de Mask R-CNN grâce à l’apprentissage par transfert pour générer le modèle auto-LNDS.

Les résultats montrent que le modèle a une excellente performance dans la détection de LN à différentes échelles par rapport à d’autres algorithmes rapportés (Fig. 1). La taille des LN détectés est plus petite (le petit diamètre est aussi petit que 3 mm) et la précision est plus élevée, ce qui est meilleur que les algorithmes rapportés et les radiologues débutants (tableau 1).

De plus, il ne faut que 1,37 seconde pour détecter et segmenter tous les LN d’un patient, ce qui est 131 fois plus rapide que la vitesse de détection du médecin.

Ce modèle pourrait aider à minimiser les différences de détection de LN entre les radiologues, augmenter l’efficacité du flux de travail clinique et pourrait également aider les médecins à déterminer le stade nodal. En outre, cette méthode peut être étendue à l’évaluation préopératoire de la stadification N des tumeurs dans diverses parties du corps sur la base d’images multimodales (TEP, TDM, IRM, etc.), qui a une signification clinique élevée et joue un rôle d’illumination important pour identification automatique des LN dans la poitrine, l’abdomen et même tout le corps.

La recherche a été financée par la Fondation nationale des sciences naturelles de Chine. Les résultats correspondants ont été publiés sous la forme d’un article de couverture intitulé « Détection et segmentation entièrement automatisées basées sur l’apprentissage profond des ganglions lymphatiques sur l’IRM multiparamétrique pour le cancer du rectum: une étude multicentrique » dans EBioMedicine.