Les récents progrès qu’a connus l’imagerie à résonance magnétique (IRM) ont permis de développer de nouvelles pratiques de diagnostic du cancer de la prostate, dont le principal enjeu est de mieux détecter les tumeurs sur les supports d’imagerie. Dans ce contexte, la délimitation et l’évaluation du volume de la glande sont des opérations nécessaires souvent effectuées, manuellement, par un opérateur expert. Ces tâches sont fastidieuses et demandent un temps d’exécution trop important, notamment dans le cas de l’imagerie 3D (IRM, scanner). Elles souffrent aussi du biais relatif à l’opérateur, ce qui en réduit la reproductibilité et par conséquent la fiabilité. Dans cet article, nous proposons une méthode d’extraction automatique des contours de la prostate en IRM, afin d’assister le praticien dans cette tâche et de la rendre moins coûteuse dans le contexte de pratique hospitalière. D’abord, un modèle statistique déformable 3D, développé au sein de l’équipe, est utilisé pour obtenir une segmentation initiale. Ensuite, une approche markovienne nous permet d’affiner cette segmentation en se basant sur les intensités de la glande en IRM. La segmentation est alors optimisée par Iterative Conditional Mode (ICM) selon un critère de Maximum A Posteriori. Les résultats de l’évaluation effectuée sur des données de patients montrent que la méthode développée est suffisamment précise, rapide et robuste pour pouvoir être utilisée dans un contexte clinique. Une validation multicentrique et un transfert à l’industrie devraient, à l’avenir, concrétiser les retombées cliniques de ce travail.

Recent progress in magnetic resonance imaging (MRI) has enabled new prostate cancer diagnosis techniques. The newest challenges in this field are to enhance image-based tumours detection. In such a context, the extraction of prostate’s contours is a crucial step in the interpretation of MR images, and is usually carried out by an expert radiologist. This is though a tedious time consuming task, especially in 3D images (like CT and MRI). In addition, manual delineation is not reproducible because of differences between observers. In this paper, we introduce a novel method for automatic segmentation of prostate MRI that could help physicians in extracting 3D outlines of the gland. First a deformable shape model is used to obtain a first segmentation. The latter is refined using intensity information and Markov Random Fields modelling of regions. We use the Iterative Conditional Mode for optimising voxels’ labelling according to a Maximum A Posteriori criterion. Results from evaluation on patients’ data show that the method is satisfyingly accurate, fast and robust which makes it suitable for use in a clinical context. A multicentric validation and transfer to the industry would bring the contributions of this method to clinical routine and help improving diagnosis of prostate cancer.