L’AVC ischémique, qui survient lorsqu’un vaisseau sanguin dans le cerveau est obstrué par un caillot, est l’une des principales causes de décès dans le monde. Heureusement, les chirurgiens ont désormais accès à des techniques d’imagerie avancées qui leur permettent de visualiser l’intérieur du cerveau d’un patient lors d’un AVC. Cela les aide à localiser l’emplacement du caillot et à analyser l’étendue des dommages au tissu cérébral.
La tomodensitométrie-perfusion (CT-P) est l’une des modalités d’imagerie les plus utiles dans les premiers stades d’un AVC aigu. Cependant, il est difficile d’identifier avec précision la segmentation ; le contour des lésions d’AVC ; dans un scanner CT-P, et le diagnostic final dépend grandement de l’expertise et de la capacité du chirurgien. Pour résoudre ce problème, les scientifiques ont mis au point divers modèles d’apprentissage automatique qui effectuent une segmentation automatique des scans CT-P. Malheureusement, aucun d’entre eux n’a atteint un niveau de performance adapté aux applications cliniques.
Dans ce contexte, une équipe de chercheurs allemands a récemment développé un nouvel algorithme de segmentation pour les lésions d’AVC. Comme indiqué dans leur étude publiée dans le Journal d’imagerie médicale, l’équipe a construit un modèle géométrique d’apprentissage en profondeur appelé « Graph Fully-Convolutional Network » (GFCN). Les opérations internes effectuées par leur algorithme géométrique diffèrent fondamentalement de celles des modèles euclidiens les plus largement utilisés. Dans leur étude, les chercheurs ont exploré les avantages et les limites de cette approche alternative.
Un avantage clé du modèle proposé est qu’il peut mieux apprendre et préserver les caractéristiques importantes inhérentes à la topologie du cerveau. En utilisant un réseau neuronal basé sur des graphes, l’algorithme peut détecter des relations inter-pixels complexes sous différents angles. Ceci, à son tour, lui permet de détecter les lésions d’AVC avec plus de précision.
De plus, l’équipe a adopté des blocs de « pooling » et « unpooling » dans leur structure de réseau. En d’autres termes, les opérations de regroupement, également appelées « sous-échantillonnage », réduisent la taille globale des cartes de caractéristiques extraites par le réseau à partir des images d’entrée. Cela réduit la complexité de calcul de l’algorithme, permettant au modèle d’extraire les caractéristiques les plus saillantes des scans CT-P. En revanche, les opérations de dégroupage (ou « suréchantillonnage ») annulent les opérations de regroupement pour aider à localiser correctement les caractéristiques détectées dans l’image d’origine en fonction d’indices contextuels. En combinant ces deux opérations, la structure du réseau peut extraire des informations géométriques plus riches.
L’équipe a mené une série d’analyses pour déterminer l’effet de chaque composant du GFCN sur ses performances de segmentation. Ils ont ensuite comparé les performances de l’algorithme proposé aux modèles de pointe, tous formés à l’aide du même ensemble de données public. Fait intéressant, bien que leur modèle utilisait des techniques de dégroupage de base et une configuration d’entrée simple, il fonctionnait mieux que les modèles conventionnels dans la plupart des conditions.
Notamment, les GFCN-8, avec trois couches de mise en commun et un suréchantillonnage huit fois, ont obtenu un score de coefficient de Dice ; une métrique indiquant le chevauchement entre les zones de lésion prédites et réelles ; de 0,4553, ce qui est nettement plus élevé que les autres modèles. De plus, le modèle proposé pourrait mieux s’adapter aux frontières de segmentation irrégulières que les modèles de l’état de l’art.
Dans l’ensemble, les résultats de cette étude montrent le potentiel de l’apprentissage profond géométrique pour les problèmes de segmentation en imagerie médicale. Des recherches plus approfondies sur des stratégies similaires pourraient ouvrir la voie à des modèles très précis de diagnostic automatique des accidents vasculaires cérébraux qui pourraient améliorer les résultats des patients et sauver des vies.
