Résumé
Objectifs : Les réseaux de neurones convolutifs ont récemment permis d’automatiser la segmentation d'images médicales. Cependant, ces derniers nécessitent de grandes bases de données, ce qui rend leur utilisation clinique difficile [1]. L'apprentissage semi-supervisé a réduit le besoin en données annotées [2, 3] mais reste peu explorée pour la segmentation multi-classes d'IRM multi-paramétriques (IRM-mp), essentielle pour le suivi de tumeurs. Nous proposons une optimisation du modèle UG-MCL [3] pour pallier la baisse de performances rencontrée dans l’extension multi-classes.Matériel et Méthodes : 522 IRM T1, T1Gd et T2-FLAIR issus du challenge BraTS 2021 [4]. Les classes considérées sont la nécrose-œdème (NET), la tumeur rehaussée (ET) et la tumeur entière (WT). L'optimisation réside dans la modification du calcul des fonctions de coût, réalisé sur toutes les classes (tissu sain inclus) avec une réduction en moyenne sur le batch. Les performances sont comparées via le coefficient de Dice sur 100 échantillons entre différents modèles semi-supervisés et un modèle 3D U-Net supervisé (entraîné sur 100% des données annotées).Résultats : Avec 30 à 50% de données annotées, notre méthode obtient des scores de Dice comparables à la méthode supervisée (p > 0.14) et surpasse UG-MCL [3] (p < 0.0022). Ces résultats sont validés en 4-times repeated holdout, où l’écart type du coefficient de Dice est inférieur à 0.013 entre les différents folds.Conclusion : Le modèle semi-supervisé optimisé pour la segmentation multi-classes d'IRM-mp permet d'obtenir des performances stables et comparables à la méthode supervisée, tout en réduisant le besoin en données annotées de 50%. Références : [1] Schreier, J. et al., Frontiers in Oncology, 2020. [2] Yu, L. et al., MICCAI, 2019. [3] Zhang, Y. et al. Artificial Intelligence in Medicine, 2023. [4] Baid, U. et al., arXiv e-prints, 2021.