Résumé
Le cancer de l'ovaire, deuxième tumeur gynécologique la plus mortelle, est majoritairement représenté par le carcinome séreux de haut grade (HGSOC), responsable de 70 à 80 % des décès associés. En plus d’un mauvais pronostic (survie à 5 ans < 50 %), l’évaluation de l’extension de la maladie reste un défi majeur. Les approches de Deep Learning (DL) appliquées à la segmentation des lésions ovariennes et péritonéales sur imagerie médicale (CT, IRM) ont montré des résultats prometteurs. Toutefois, des questions persistent concernant la généralisation des modèles, les différences de performances entre des modèles 2D et 3D, et leur pertinence clinique.Nous avons développé un pipeline DL standardisée pour segmenter les lésions ovariennes primaires et métastatiques avec précision. Basée sur PyTorch Lightning et MONAI, cette pipeline intègre des modules compatibles avec des formats de données standards (JSON, NIFTI, Parquet) et propose des modèles avancés (ex : ResUnet, ResUNet++) extensibles, avec la possibilité d’ajouter des modules d’attention. Des fonctions de perte et des métriques d’évaluation standardisées, suivant les dernières recommandations de la littérature, complètent cette architecture.Un dataset public de 337 CT annotées, dont 90 validées par des cliniciens, a été utilisé pour entraîner et évaluer un modèle UNet 2D binaire sur le supercalculateur Jean Zay. Les résultats initiaux révèlent un potentiel prometteur pour la segmentation précise des lésions ovariennes et métastatiques (Figure 1, Table 1). Ce travail vise à standardiser et renforcer la robustesse des modèles DL, facilitant leur adoption clinique et répondant aux besoins spécifiques de la segmentation en oncologie.