Introduction : Le rôle critique de la segmentation du foie dans la radiologie moderne

La segmentation du foie à partir de la CT (tomographie calculée) et de l'IRM (imagerie par résonance magnétique) est une tâche fondamentale dans l'analyse de l'image médicale. La délimitation précise des limites du foie est essentielle pour une large gamme d'applications cliniques : quantifier le volume du foie pour la planification chirurgicale, détecter et caractériser les lésions focales, surveiller la progression de la maladie dans les affections chroniques du foie et orienter la radiothérapie. Toutefois, la forme irrégulière du foie, la proximité des organes adjacents (estomac, rate, reins et diaphragme) et le contraste variable dans différentes phases d'imagerie font de la segmentation automatisée un défi persistant.

Importance clinique de la segmentation exacte du foie

Dans le cadre de la chirurgie hépatobiliaire, une mesure précise du volume du foie est essentielle pour déterminer la faisabilité d'une hépatectomie partielle et pour estimer le reste du foie. Dans le cadre de la transplantation hépatique, l'analyse volumétrique aide à évaluer l'adéquation du donneur et le rapport de poids greffé à receveur. En oncologie, la segmentation des tumeurs hépatiques — carcinome hépatocellulaire primaire et métastases — permet une quantification précise du fardeau de la tumeur, une évaluation de la réponse selon les critères RECIST ou mRECIST, et une planification ciblée du traitement pour l'ablation ou la chimioembolisation transartérielle. De plus, dans les maladies hépatiques diffuses telles que la stéatose ou la cirrhose, la segmentation permet la quantification de la teneur en graisse du foie, la raideur et la morphologie globale.

Défis de la segmentation du foie

Malgré des décennies de recherche, la segmentation hépatique demeure difficile en raison de plusieurs facteurs intrinsèques et extrinsèques :

  • Complexité anatomique :[ Le foie a une forme très variable, avec un lobe gauche fin, un lobe droit épais et souvent de grandes variations entre les patients.Le lobe caudate et les fissures ajoutent une complexité supplémentaire.
  • Le foie partage des valeurs d'intensité semblables avec l'estomac, la rate et le pancréas sur les CT non améliorés, et sur l'IRM pondérée T1 ou T2. En l'absence de contraste intraveineux, ces interfaces sont particulièrement difficiles.
  • Motion et artefacts respiratoires: Le mouvement respiratoire pendant l'acquisition du scan provoque un flou et une mauvaise inscription, particulièrement dans les séquences abdominales.
  • Les altérations pathologiques: Les états de maladie tels que la cirrhose, l'infiltration graisseuse, la fibrose ou de grandes tumeurs faussent l'anatomie normale, rendant la détection des frontières plus difficile.
  • Hétérogénéité dans le foie:[ Les variations de l'amélioration parenchymique au cours de différentes phases de contraste (artérielle, veineuse portale, retardée) signifient qu'un algorithme de segmentation unique doit gérer des caractéristiques d'image variables.
  • Variabilité de l'annotation : La segmentation manuelle par les radiologues montre souvent des différences inter-observateurs considérables, ce qui rend difficile de définir une vérité fondamentale pour la formation de modèles supervisés.

Ces défis ont stimulé le développement de pipelines de traitement d'images de plus en plus sophistiqués qui combinent l'extraction de fonctions avancées, l'apprentissage des machines et les contraintes post-traitement.

Techniques avancées de traitement d'image

Les processus modernes de segmentation du foie comportent généralement trois étapes : le prétraitement, la segmentation (en utilisant des méthodes traditionnelles ou basées sur l'apprentissage) et le post-traitement. Bien que les premières approches reposent sur la détection des bords, la croissance de la région ou l'enregistrement basé sur l'atlas, l'état actuel de la technique est largement dominé par l'apprentissage profond.

Approches fondées sur l'apprentissage profond

Contrairement aux méthodes de fonctionnalités artisanales, les réseaux neuronaux convolutionnels (RCN) ont révolutionné la segmentation automatique.

  • U‐Net et ses variantes: U‐Net, conçu à l'origine pour la segmentation de l'image biomédicale, utilise une structure de décodeur encodeur avec connexions saut pour préserver les détails spatiaux. Les modifications telles que Attention U‐Net, U‐Net résiduel et U‐Net 3D ont encore amélioré les performances en intégrant des mécanismes d'attention ou un contexte volumétrique.
  • nnU‐Net (no‐new‐U‐Net): Ce cadre adapte automatiquement l'architecture réseau, le prétraitement et les hyperparamètres de formation à l'ensemble de données. Il a toujours obtenu le meilleur classement dans les défis de segmentation médicale, y compris le défi de segmentation des tumeurs hépatiques (LiTS), et est largement considéré comme une base de référence solide.
  • Les modèles basés sur les transformateurs:[ Ces dernières années ont vu l'incorporation de transformateurs de vision (ViT) et de transformateurs Swin pour la segmentation. Le Swin U‐Net, par exemple, combine la structure U‐Net avec l'auto-attention décalée de la fenêtre, captant des dépendances à longue portée que les CNN peuvent manquer.
  • Approches hybrides :[ Certains pipelines utilisent des CNN pour la segmentation initiale, puis appliquent des méthodes basées sur des graphiques ou des contours actifs pour le raffinement.Par exemple, un réseau d'apprentissage profond peut produire une carte de probabilité qui est ensuite alimentée dans une évolution de niveau pour assurer des limites lisses.

La formation de ces modèles nécessite de grandes séries de données annotées. Le défi LiTS et les dépôts publics comme le Décathlon de segmentation médicale ont fourni diverses données multi-institutionnelles. L'augmentation des données (rotation, échelle, déformations élastiques, changements d'intensité) est cruciale pour améliorer la généralisation à travers les scanners et les protocoles.

Fusion multiphasée et multimodale

L'imagerie multiphasée — où les analyses sont acquises à de multiples moments de temps de mise en valeur du contraste (non contrastants, artériels, veineux portails, retardés) — fournit des informations complémentaires. De même, la combinaison du TC et de l'IRM (ou de différentes séquences d'IRM telles que T1 pondérée, T2 pondérée et DWI) peut accroître la discrimination tissulaire.

Par exemple, un réseau qui utilise quatre canaux (phases précontraste, artérielle, veineuse portale et TDM retardée) peut apprendre quelle phase met en évidence le foie le mieux à chaque emplacement spatial. Pour la fusion CT‐IRM, les algorithmes d'enregistrement d'abord alignent les volumes, puis le modèle traite conjointement les deux modalités. De telles approches ont montré qu'elles améliorent sensiblement la précision de segmentation, en particulier dans les foies cirrhotiques ou lorsque les tumeurs déforment la frontière. Une étude récente de Wang et al. (2021) a démontré qu'un U‐Net fusionné en 3D multiphases a obtenu un coefficient de similitude de plus de 0,97 sur un ensemble de données internes, dépassant de façon significative les modèles monophasés.

Au-delà de la simple concaténation, certaines méthodes utilisent la fusion basée sur l'attention qui apprend à pondérer chaque modalité adaptativement. Par exemple, un bloc de compression et d'excitation peut recalibrer des cartes de différentes phases, mettant l'accent sur les plus informatives tout en supprimant le bruit.

Raffinements postérieurs au traitement

Même la meilleure segmentation brute d'un réseau neuronal peut contenir de petits trous, des limites irrégulières ou de fausses régions positives. Les étapes de post-traitement sont essentielles pour obtenir des résultats cliniquement utilisables.

  • Conditions des champs aléatoires (CRF):[ Un CRF entièrement connecté peut lisser la segmentation tout en préservant les bords en modélisant les relations pixel-paire. Il raffine les cartes de probabilité pour enlever les petites taches et faire appliquer la cohérence spatiale.
  • Les opérations morphologiques :[ Des opérations simples comme le remplissage des trous, l'ouverture et la fermeture peuvent enlever les îles et les contours lisses.
  • Enregistrement à un atlas: Si le volume segmenté est enregistré à un atlas hépatique, le résultat peut être limité à une forme anatomique plausible. Ceci est particulièrement utile lorsque le réseau produit une segmentation qui se propage excessivement dans les côtes ou le diaphragme.
  • En moyenne : La combinaison des prédictions de plusieurs modèles (p. ex., différentes architectures ou parcours d'entraînement) et la prise d'un vote majoritaire en voxel peuvent améliorer la robustesse et réduire la variance.

Évaluation du rendement de la segmentation

Pour valider la précision des techniques de segmentation avancées, plusieurs mesures sont présentées de façon standard :

  • Coefficient de similitude des dés (DSC):[ Les mesures se chevauchent entre la segmentation prévue et la segmentation de la vérité au sol.
  • Hausdorff Distance (HD) : Quantifie la distance maximale de surface entre deux segments. Une HD basse (p. ex. < 5 mm) indique un bon alignement des limites.
  • Erreur de chevauchement de volume (EVP) et différence relative de volume (DVR):[ Compléter DSC en révélant une surestimation systématique ou une sous-estimation.
  • Précision, rappel et F1: Particulièrement utile pour segmenter les tumeurs en plus de l'ensemble du foie.

Les modèles les plus performants permettent maintenant d'obtenir des CSD moyens de 0,96 à 0,98 sur les ensembles de données CT et de 0,93 à 0,96 sur l'IRM, ce qui représente une amélioration spectaculaire par rapport aux méthodes de l'an dernier.

Impact sur les flux de travail clinique

L'intégration de la segmentation automatisée avancée dans les logiciels cliniques présente des avantages tangibles:

  • Temps d'analyse réduit:[ La segmentation manuelle du foie peut prendre 15 à 30 minutes par cas; les méthodes automatisées réduisent cette durée à quelques secondes, ce qui permet aux radiologues de se concentrer sur l'interprétation plutôt que de dessiner des contours.
  • Constance améliorée:[ La segmentation automatisée élimine la variabilité inter-observateurs, fournissant le même résultat de la même entrée, quel que soit l'opérateur.
  • Détection améliorée des petites lésions : La segmentation exacte du foie fournit un masque qui peut être utilisé pour exclure le parenchyme normal, rendant la détection assistée par ordinateur des petites métastases plus sensible et réduisant les faux positifs des structures extrahépatiques.
  • Mieux planifier les opérations préopératoires:[ Pour la transplantation hépatique d'un donneur vivant, une analyse volumétrique précise des foies donneurs est obligatoire. La segmentation automatisée permet également la visualisation 3D des plans de résection et des vaisseaux prévus, améliorant ainsi les résultats chirurgicaux.
  • Quantification pour les essais cliniques:[ Dans les essais pharmaceutiques pour les maladies du foie gras ou la fibrose du foie, la segmentation automatisée permet une quantification normalisée des biomarqueurs d'imagerie (p. ex., fraction de graisse du foie provenant de l'IRM‐PDFF ou rigidité de l'élastographie MR) dans plusieurs centres.

Plusieurs solutions commerciales (p. ex. Siemens Syngo.Via, GE AW Server, InstaRecon et des offres de tiers provenant d'entreprises comme Perspectum et MEDIAN Technologies) intègrent désormais la segmentation hépatique basée sur l'apprentissage profond. Cependant, de nombreux radiologistes utilisent encore des algorithmes ouverts ou internes à des fins de recherche. Le défi reste d'intégrer ces outils de façon transparente dans le flux de travail clinique PACS (Picture Archiving and Communication System) avec un minimum de friction et une validation appropriée pour les protocoles d'imagerie spécifiques utilisés.

Orientations futures

Malgré des progrès remarquables, plusieurs frontières restent ouvertes:

  • Segmentation en temps réel:[ Pour les interventions telles que la biopsie ou l'ablation par voie cutanée du foie, la segmentation en temps quasi réel qui se met à jour lors de l'insertion d'aiguilles pourrait améliorer le ciblage et la sécurité.
  • L'intégration à la navigation chirurgicale:[ La fusion de la segmentation hépatique préopératoire avec des échographies intraopératoires ou des images de CT peut fournir des superpositions de réalité augmentées pour les chirurgiens.
  • L'apprentissage fédéré pour diverses populations :[ La collecte de données importantes et diversifiées auprès de plusieurs institutions est difficile en raison des préoccupations liées à la protection de la vie privée.L'apprentissage fédéré permet de former un modèle partagé entre les hôpitaux sans transférer de données brutes.
  • ] Les modèles formés sur les données d'un fournisseur de scanner ou d'un protocole se dégradent souvent lorsqu'ils sont appliqués à un autre. Les techniques comme l'adaptation de domaine, l'apprentissage contrasté et la normalisation auto-supervisée sont des domaines de recherche actifs pour rendre les modèles de segmentation plus universellement applicables.
  • Explabilité et incertitude:[ Dans les milieux cliniques, les radiologues doivent faire confiance à la sortie de segmentation. La fourniture de cartes d'incertitude (p. ex., abandon de Monte Carlo ou variance d'ensemble) peut mettre en évidence les régions sur lesquelles le modèle est incertain, ce qui incite à passer en revue manuellement.
  • Au-delà de tout le foie : Bien que la segmentation de l'ensemble de la voie d'administration soit maintenant très précise, la segmentation sous-segment ( segments de Couinaud) et la segmentation tumorale simultanée demeurent plus difficiles.

Conclusion

Le traitement d'images avancé, particulièrement l'apprentissage profond par fusion de données multiphasées et multimodales, a transformé la segmentation du foie d'une tâche manuelle à forte intensité de main-d'oeuvre en un processus automatisé rapide, reproductible et hautement précis. Les modèles modernes obtiennent régulièrement des scores de Dice supérieurs à 0,96 sur le TDM et démontrent une performance robuste dans diverses populations de patients et dans divers protocoles d'imagerie. L'impact clinique est profond : des flux de travail plus rapides, une variabilité réduite et une analyse quantitative accrue pour la chirurgie, l'oncologie et la planification de la transplantation.

Pour plus de détails, veuillez consulter les ressources suivantes :