L’imagerie médicale 3D accélère avec les réseaux de neurones

La superposition d’images médicales en 3D est largement utilisée dans le diagnostic des tumeurs cérébrales. Une équipe du MIT a conçu un algorithme permettant d’apparier des scintigraphies du cerveau 1 000 fois plus vite qu’avec les méthodes traditionnelles. Grâce aux réseaux de neurones, le processus se limite désormais à quelques dizaines de secondes.

Les radiologues seront bientôt en mesure de décider en quasi temps réel sur quelles zones du cerveau se concentrer face à un patient atteint de tumeurs cérébrales. Traditionnellement, la superposition des images médicales — qui consiste à comparer et à analyser les différences anatomiques entre deux états du cerveau — prend au minimum deux heures, obligeant les professionnels de santé à fixer des rendez-vous ultérieurs. Un algorithme d’apprentissage automatique développé au sein du Massachusetts Institut of Technology (MIT) permet de réduire la durée de ce processus à une minute ou deux.

 

Les réseaux de neurones capturent les similarités entre les images en 3D

 

L’appariement de deux scintigraphies du cerveau est une opération particulièrement complexe. Elle implique notamment de comparer deux images en 3D (elles-mêmes obtenues par l’addition de centaines d’images en 2D) constituées de « voxels » (équivalent des pixels). Une difficulté supplémentaire vient du fait que les scans peuvent provenir de machines distinctes et avoir une orientation spatiale différente.

La force de la technique d’apprentissage automatique utilisée par les chercheurs du MIT — les réseaux de neurones convolutifs, couramment employés en vision artificielle — réside dans la capacité d’acquérir des connaissances sur la façon d’aligner les images et d’estimer des paramètres optimaux pour y parvenir. Dans sa phase d’entraînement, l’algorithme, baptisé VoxMorph, capture les similarités entre les voxels de différentes scintigraphies, en apprenant par exemple les formes anatomiques communes. D’où une superposition d’images 1 000 fois plus rapide, avec la même précision que les méthodes traditionnelles. De quoi ouvrir de nouvelles perspectives, comme par exemple la comparaison d’images en temps réel au moment où le patient est en train de passer un scanner, ce qui lui évite de revenir quelques jours, voire semaines plus tard et peut se révéler décisif dans la lutte contre la maladie.

 

Lire l’article (en anglais)

 

En complément :

Un article au sujet du contrôle du temps passé sur les réseaux sociaux,

et un autre à propos des usages de l’intelligence artificielle en santé.