Un nouvel outil d’IA révolutionne la segmentation d’images médicales avec 20 fois moins de données

Un nouvel outil d’intelligence artificielle, baptisé GenSeg, promet de révolutionner l’apprentissage automatique en imagerie médicale en réduisant drastiquement la quantité de données annotées nécessaires pour entraîner des modèles de segmentation. Conçu par une équipe menée par le professeur Pengtao Xie de l’Université de Californie à San Diego, sous la direction de Li Zhang, doctorant en génie électrique et informatique, ce système permet d’atteindre des performances supérieures en segmentation d’images médicales, même avec très peu d’exemples annotés — jusqu’à 20 fois moins que les méthodes classiques. La segmentation d’images médicales consiste à identifier et étiqueter chaque pixel d’une image selon son contenu : tissu sain ou malade, tumeur, vaisseau sanguin, etc. Cette tâche, traditionnellement réalisée par des experts, est longue et coûteuse. Les modèles basés sur l’apprentissage profond, bien qu’efficaces, nécessitent des jeux de données massifs et soigneusement annotés, une condition souvent impossible à remplir pour des maladies rares ou des modalités d’imagerie peu courantes. GenSeg surmonte cette limitation grâce à une approche innovante intégrant la génération de données synthétiques et l’entraînement du modèle en boucle fermée. Le système apprend d’abord à générer des images artificielles à partir de masques de segmentation (représentations colorées des zones d’intérêt). Il crée ensuite des paires image-masque synthétiques pour enrichir un petit jeu de données réelles. Ensuite, un modèle de segmentation est entraîné sur l’ensemble combiné. Le processus est itératif : les performances du modèle guident la génération des nouvelles données, assurant que celles-ci soient non seulement réalistes, mais aussi utiles pour améliorer la précision de la segmentation. Les tests ont montré que GenSeg améliore significativement les performances dans des tâches variées : détection de lésions cutanées en dermoscopie, cancer du sein en échographie, vaisseaux placentaires en imagerie fœtoscopique, polypes en coloscopie, ulcères du pied en photographie standard, ainsi que dans des images 3D comme celles du hippocampe ou du foie. Dans des conditions de données extrêmement limitées, le système a permis une augmentation de 10 à 20 % des performances par rapport aux méthodes existantes, tout en nécessitant 8 à 20 fois moins de données réelles. Selon Li Zhang, cette avancée pourrait permettre aux dermatologues, par exemple, d’entraîner un outil de détection du mélanome avec seulement une quarantaine d’images annotées, au lieu de milliers. Le modèle pourrait alors analyser en temps réel les images des patients, aidant à un diagnostic plus rapide et plus précis. Les chercheurs prévoient d’améliorer encore GenSeg en intégrant directement les retours cliniques dans le processus d’entraînement, afin de rendre les données synthétiques encore plus pertinentes pour les contextes réels d’usage. Cette technologie, publiée dans Nature Communications, ouvre la voie à des outils d’aide au diagnostic plus accessibles, rapides et économiques, particulièrement dans les établissements de santé à ressources limitées.