Segmentation du tissu fibroglandulaire en IRM mammaire à l'aide de transformateurs de vision : une approche multi

Rapports scientifiques volume 13, Numéro d'article : 14207 (2023) Citer cet article

Détails des métriques

Une segmentation précise et automatique du tissu fibroglandulaire lors du dépistage par IRM du sein est essentielle pour la quantification de la densité mammaire et du rehaussement parenchymateux de fond. Dans cette étude rétrospective, nous avons développé et évalué un réseau neuronal basé sur un transformateur pour la segmentation du sein (TraBS) dans des données IRM multi-institutionnelles, et comparé ses performances au réseau neuronal convolutif bien établi nnUNet. TraBS et nnUNet ont été formés et testés sur 200 examens IRM mammaires internes et 40 externes à l'aide de segmentations manuelles générées par des lecteurs humains expérimentés. Les performances de segmentation ont été évaluées en termes de score Dice et de distance de surface symétrique moyenne. Le score Dice pour nnUNet était inférieur à celui de TraBS sur l’ensemble de tests interne (0,909 ± 0,069 contre 0,916 ± 0,067, P < 0,001) et sur l’ensemble de tests externe (0,824 ± 0,144 contre 0,864 ± 0,081, P = 0,004). De plus, la distance de surface symétrique moyenne était plus élevée (= pire) pour nnUNet que pour TraBS sur l'ensemble de test interne (0,657 ± 2,856 contre 0,548 ± 2,195, P = 0,001) et sur l'ensemble de test externe (0,727 ± 0,620 contre 0,584 ± 0,413, P = 0,03). Notre étude démontre que les réseaux basés sur des transformateurs améliorent la qualité de la segmentation des tissus fibroglandulaires en IRM du sein par rapport aux modèles convolutionnels comme nnUNet. Ces résultats pourraient contribuer à améliorer la précision de la quantification de la densité mammaire et du rehaussement parenchymateux lors du dépistage par IRM du sein.

Le cancer du sein est le type de cancer le plus fréquent dans la population féminine et représente la deuxième cause de décès aux États-Unis1 chez les femmes. De nouvelles lignes directrices pour le dépistage du cancer du sein recommandent l’utilisation de l’IRM chez les femmes présentant un tissu mammaire dense2,3. Des outils basés sur l'apprentissage profond pour l'évaluation de la densité mammaire par mammographie ont déjà été développés4, mais il manque encore une évaluation automatisée cohérente et fiable de la densité mammaire (en tant que rapport entre le tissu fibroglandulaire (FGT) et le volume du sein) lors des examens IRM. Outre la densité mammaire, le rehaussement parenchymateux de fond (BPE) – le rehaussement du tissu fibroglandulaire – est également apparu comme un marqueur prometteur pour la détection précoce du cancer du sein5,6. Cependant, une évaluation automatisée fiable du BPE fait également défaut. Le développement d’un algorithme d’apprentissage automatique capable de segmenter la FGT constitue une première étape importante vers une quantification automatique de la densité mammaire et du BPE lors des examens IRM du sein.

Plusieurs études de recherche ont étudié ce problème en entraînant des réseaux neuronaux convolutifs (CNN) sur des examens IRM du sein segmentés manuellement et en évaluant leurs performances sur des ensembles de tests monocentriques7,8,9. Le haut niveau d'accord entre les cartes de segmentation générées par l'homme et la machine dans toutes ces publications démontre le potentiel des CNN. Il existe cependant un obstacle important à l’introduction généralisée de tels algorithmes : les examens IRM ne sont pas standardisés. Différents centres cliniques utilisent divers protocoles et séquences d'IRM pour le diagnostic du cancer du sein. Aucune des études que nous avons trouvées n’a testé leur architecture CNN sur des données indépendantes n’appartenant pas à l’institution où les algorithmes ont été développés.

De plus, le développement de modèles robustes pour la segmentation IRM du sein est un défi, notamment en présence de lésions, de cicatrices chirurgicales et d’implants mammaires10,11. L'évaluation des modèles de segmentation pour l'IRM du sein dans le contexte de tels facteurs de confusion potentiels a reçu peu d'attention. Des études antérieures ont exclu les implants mammaires12,13 ou ont reconnu la difficulté de faire une distinction précise entre les FGT saines et pathologiques14.

Les modèles basés sur des transformateurs se sont révélés plus robustes, généralisables et résistants aux attaques que les CNN dans d'autres applications d'analyse d'images médicales15,16. Ils ont obtenu des résultats de pointe en matière de traitement du langage naturel17,18, principalement en raison de leur capacité à gérer les dépendances à long terme et de leur pré-formation auto-supervisée pour les tâches en aval.