Les dernières années ont vu des améliorations spectaculaires des technologies d'imagerie qui se traduisent par des résolutions plus élevées et des temps d'acquisition plus rapides.
Les images de cellules, de tissus et d'organes individuels fournissent aux experts médicaux du monde entier une myriade d'informations sur l'état de santé de leurs patients à un moment donné. Mais comment peuvent-ils comprendre ce qu'ils voient dans ces images biomédicales?
Le statu quo: chronophage et sujet aux erreurs
Pour que ces grandes images volumétriques révèlent leur véritable potentiel d'information, une segmentation manuelle – par laquelle une image numérique est divisée en différents segments pour permettre ou faciliter l'analyse – est souvent nécessaire.
Des étiquettes, comme par exemple «arrière-plan» ou «objet», sont attribuées à diverses structures d'intérêt avec des intervalles différents à l'intérieur du volume 3D.
Ceci est suivi d'une interpolation des étiquettes entre les tranches pré-segmentées, où les valeurs à des points inconnus sont estimées en utilisant des données connues.
Dans ce processus, les données d'image sous-jacentes ne sont généralement pas prises en compte, et l'interpolation est donc basée exclusivement sur les tranches segmentées.
Par conséquent, seule une fraction des informations expérimentales réelles est utilisée pour dériver la segmentation.
«La segmentation manuelle de grands ensembles de données biomédicales de composition inconnue prend souvent beaucoup de temps et est sujette à des erreurs.
Pour analyser des données d'images tridimensionnelles, la segmentation manuelle est encore une approche très courante. En fait, les instituts emploient des armées d'étudiants formés uniquement pour cette tâche », explique Philipp Lösel du groupe de recherche« Data Mining and Uncertainty Quantification »(DMQ) de HITS, qui a développé Biomedisa.
Biomedisa: plus rapide, convivial et plus précis
Et c'est là qu'intervient l'application de segmentation d'image biomédicale Biomedisa, une plate-forme en ligne open source gratuite et facile à utiliser, spécialement développée pour la segmentation semi-automatique.
La segmentation est basée sur une interpolation intelligente de tranches peu pré-segmentées en tenant compte des données d'image sous-jacentes complètes. Cela rend Biomedisa particulièrement précieux lorsque peu de connaissances a priori sont disponibles.
«Biomedisa peut considérablement accélérer le processus de segmentation, tout en fournissant des résultats plus précis que la segmentation manuelle», déclare Thomas van de Kamp (KIT), un biologiste avec une expérience douloureuse dans la segmentation manuelle d'images qui a fourni des données micro-CT et évalué Biomedisa pendant son développement.
La plateforme est accessible via un navigateur Web et ne nécessite aucune configuration complexe et fastidieuse des paramètres logiciels et modèles. La solution à un bouton peut être utilisée pour différentes modalités d'imagerie 3D et diverses applications biomédicales.
Notre objectif explicite était de créer un outil largement applicable et convivial pour accélérer la segmentation d'échantillons de morphologie inconnue tout en améliorant les résultats. «
Vincent Heuveline, directeur, centre de calcul et chef de groupe DMQ, Heidelberg Institute for Theoretical Studies
«Biomedisa est un exemple de logiciel qui bénéficie directement des derniers développements de la technologie GPU (Graphics Processing Unit). La conception sensible au matériel utilise des accélérateurs graphiques pour gérer les données d'image toujours plus nombreuses», ajoute Philipp Lösel.
En route vers une segmentation entièrement automatique
En outre, Biomedisa offre une gamme d'autres fonctions, telles que l'élimination des valeurs aberrantes ou le remplissage des trous, les surfaces peuvent être lissées et l'incertitude avec laquelle le résultat a été obtenu peut être quantifiée. De plus, les données peuvent être visualisées avec un logiciel de rendu 3D et partagées avec d'autres utilisateurs.
Enfin, Biomedisa permet des techniques d'apprentissage automatique en formant un réseau neuronal profond.
Cette technique permet une segmentation entièrement automatique lorsqu'un grand nombre de structures similaires, comme le cœur humain, est segmenté. En conséquence, il permet des simulations numériques basées sur un modèle cardiaque spécifique au patient et assiste ainsi les cliniciens dans leur planification chirurgicale et leur prise de décision.
Toutes ces caractéristiques combinées font de Biomedisa une plateforme idéale pour tous ceux pour qui une image vaut plus que mille mots.
La source:
Institut d'études théoriques de Heidelberg
Référence du journal:
Lösel, P. D., et al. (2020) Présentation de Biomedisa en tant que plate-forme en ligne open source pour la segmentation d'images biomédicales. Communications de la nature. doi.org/10.1038/s41467-020-19303-w.
