3D AGSE-VNet : Un cadre automatisé pour la segmentation des données d'IRM de tumeurs cérébrales

Contexte : Le gliome est le tumor cérébral malin le plus fréquent, caractérisé par un taux de morbidité élevé et un taux de mortalité dépassant 3 %, représentant une menace sérieuse pour la santé humaine. La méthode principale utilisée en clinique pour l’acquisition des tumeurs cérébrales repose sur l’imagerie par résonance magnétique (IRM). La segmentation des régions tumorales cérébrales à partir d’images IRM multimodales est particulièrement utile pour l’inspection thérapeutique, le suivi post-diagnostic et l’évaluation de l’efficacité du traitement des patients. Toutefois, la segmentation manuelle reste largement utilisée en pratique clinique, ce qui entraîne un temps de traitement élevé ainsi qu’une forte variabilité entre les opérateurs. Il existe donc une nécessité urgente d’un méthode automatisée, fiable et précise pour la segmentation des tumeurs cérébrales.Méthodes : Afin de relever ces défis, nous proposons un cadre automatisé de segmentation des données IRM cérébrales, nommé AGSE-VNet. Dans notre approche, nous intégrons le module Squeeze and Excite (SE) dans chaque encodeur afin d’exploiter les relations entre canaux pour renforcer automatiquement les informations pertinentes et supprimer les informations redondantes. Par ailleurs, nous ajoutons le module de filtre guidé par l’attention (AG) dans chaque décodeur, qui utilise un mécanisme d’attention pour mieux capturer les informations aux frontières de la tumeur tout en éliminant l’influence de bruits ou d’éléments non pertinents. Cette architecture combinée permet une extraction de caractéristiques plus fine et robuste.Résultats : Notre méthode a été évaluée à l’aide de l’outil de vérification en ligne du défi BraTS2020. Les scores Dice obtenus pour la tumeur entière (WT), le noyau tumoral (TC) et la tumeur améliorée (ET) sont respectivement de 0,68, 0,85 et 0,70. Ces résultats démontrent une performance compétitive par rapport aux méthodes existantes.Conclusion : Malgré les variations d’intensité présentes dans les images IRM, AGSE-VNet n’est pas sensible à la taille de la tumeur et parvient à extraire de manière plus précise les caractéristiques des trois régions ciblées. Cette approche atteint des performances remarquables et apporte une contribution significative au diagnostic et au traitement clinique des patients atteints de gliomes.