L’apprentissage profond fondé sur l’interprétation de bases de données pertinentes est une voie de recherche dans le développement d’outils d’aide au diagnostic. La prise en charge décisionnelle des lésions IRM du genou en est l’illustration. Notre objectif dans le cadre de ce projet est de produire un algorithme d’intelligence artificielle (IA) pour la détection et la caractérisation automatisée des lésions du genou en IRM, et cela au moyen d’examens de routine clinique, respectant la réglementation RGPD actuelle.

L’algorithme d’IA devra, à partir des images d’entrée, produire un compte rendu listant les différentes lésions détectées, à des fins de deuxième lecture et d’aide à la décision. Ce projet nécessite la mise en oeuvre des technologies de deep learning, en l’occurrence les réseaux neuronaux convolutifs, dont la mise au point nécessite des milliers d’images annotées. Pour cela 5 experts en imagerie ostéoarticulaires ont constitué un corpus pour l’IRM du genou, contenant 365 examens d’IRM et près de 6000 annotations, au moyen d’un serveur web dédié à ce type de tâches (ePAD, Stanford), qui est déployé dans notre centre. Ce système permet de tracer des régions d’intérêt et de les caractériser sur un plan anatomique et pathologique via des formulaires dédiés à chaque type de lésion. Les formulaires ont été définis par les experts radiologues, en utilisant la nomenclature RadLex. Parmi les 5 tissus considérés, les régions d’intérêts les plus nombreuses concernent os, ménisques et cartilages et chaque type de lésion est ensuite réparti selon le type de pathologie.

Les travaux en cours utilisant des réseaux convolutifs de type VGG16 atteignent une précision de l’ordre de 87 % sur les patches contenant une lésion et 94 % pour les patches de tissus sains. Un premier exemple d’application va être la détection de lésions du ménisque sur des coupes IRM, à partir d’un ensemble d’annotations tracées sur les scans coronaux en densité de protons des examens présentant des lésions du ménisque visualisé 187 IRM. Les 178 examens restants fournissent le groupe contrôle. Nous extrayons autour de chaque région d’intérêt un ensemble de 10 petites régions de 128 par 128 pixels, de façon à faire varier la position de la lésion au sein du patch pour obtenir un score prédictif sur un nouvel examen entré dans la base de données.

L’apprentissage automatisé dans la lecture IRM de genou et la prédiction de lésions méniscales est possible.