Contenu

x

Moteur de recherche interne

Grenoble Institut des Neurosciences Grenoble Institut des Neurosciences

  • Youtube
  • Linkedin
  • Twitter

Accueil > L'Institut > A la une

Accéder au plan complet du site

Détection et identification automatisée de lésions cérébrales

le 25 avril 2018

Une nouvelle approche de type « machine learning » pour contribuer au développement de la radiologie du futur

Caroussel_Barbier_detection.jpg

A partir d'un ensemble d'images IRM quantitatives, les équipes d'Emmanuel Barbier (Grenoble Institut des Neurosciences) et de Florence Forbes (Inria / Laboratoire Jean Kutzmann) ont réussi à localiser et diagnostiquer plusieurs types de tumeurs cérébrales de façon totalement automatique. Cette nouvelle approche de type « machine learning » est une contribution au développement de la radiologie du futur.

L'IRM, ou imagerie par résonance magnétique, est la technique de référence pour obtenir des images du cerveau très détaillées. Ce que l'on sait moins, c'est que l'IRM est sensible à de nombreuses caractéristiques des tissus qui composent le cerveau. Pour faire une comparaison, on peut prendre l'exemple des images que les satellites prennent de notre planète : les satellites peuvent cartographier la température, la vitesse du vent, la hauteur des nuages ou encore la taille des gouttes de pluie. Toutes ces images quantitatives (la température en °C, la vitesse en km/h, la hauteur en mètre...) décrivent le même territoire. L'IRM peut faire la même chose pour le cerveau : obtenir des images quantitatives qui cartographient chacune une caractéristique différente du cerveau. C'est sur l'exploitation de ces protocoles d'imagerie combinant de nombreuses images que travaille Benjamin Lemasson, jeune chercheur Inserm récemment rentré des Etats-Unis.

Pour analyser ces images, Alexis Arnaud, doctorant, a combiné astucieusement différents outils mathématiques récemment développés. Dans un premier temps, l'ordinateur apprend les caractéristiques de cerveaux en bonne santé. Ensuite, dans des images de cerveaux malades, l'ordinateur localise automatiquement les régions qui sont différentes des tissus en bonne santé puis en extrait leurs caractéristiques. Le chercheur indique à l'ordinateur le diagnostic associé à chaque cerveau malade. L'ordinateur est alors prêt pour passer un test ! Le test consiste à fournir à l'ordinateur des images inconnues issues de cerveaux en bonne santé ou de cerveaux malades. Bien sûr, l'ordinateur ne connait pas ces images de test. L'ordinateur doit indiquer dans ses images inconnues s'il y a une lésion (dans notre exemple, une tumeur) et, dans l'affirmative, quel est le type de lésion présent. Et l'ordinateur s'est montré très bon élève : il a parfaitement réussi à localiser (100%) et diagnostiquer (>90%) les lésions. Cette méthode nouvelle et ces résultats font l'objet de l'étude publiée dans IEEE-TMI1.

Aujourd'hui, ce type d'images quantitative ne correspond pas à ce qui se fait en routine clinique dans les services d'IRM. Mais l'étude publiée par les chercheurs grenoblois montre l'intérêt d'acquérir des images quantitatives et soulève le voile sur les outils d'analyse dont pourront prochainement disposer les radiologues pour les aider dans leurs interprétations. D'ici là, les chercheurs vont rechercher quelles sont les images les plus pertinentes à acquérir pour diagnostiquer le plus finement possible les tumeurs cérébrales et vont poursuivre le développement des outils mathématiques.


Référence :
Alexis Arnaud, Florence Forbes, Nicolas Coquery, Nora Collomb, Benjamin Lemasson, Emmanuel L. Barbier.
Fully Automatic Lesion Localization and Characterization: Application to Brain Tumors using Multiparametric Quantitative MRI Data.
IEEE Transaction on Medical Imaging. 

Mise à jour le 26 avril 2018

Membres
Associés renforcés
Associés simples