Résumé
Le cancer de l’ovaire est la deuxième tumeur maligne gynécologique la plus mortelle, le carcinome séreux ovarien de haut grade (HGSOC) représentant 70 à 80 % des décès associés. Malgré les progrès thérapeutiques, le pronostic reste défavorable, avec un taux de survie à cinq ans inférieur à 50 %. Un défi clinique majeur réside dans l’évaluation précise de l’étendue de la maladie, car celle-ci influence directement les décisions thérapeutiques et le devenir des patientes. La tomodensitométrie (TDM) constitue l’outil d’imagerie standard pour cette évaluation. Cependant, la segmentation manuelle des lésions ovariennes et péritonéales est à la fois chronophage et sujette à une variabilité inter-clinicien importante.Les techniques d’apprentissage profond (Deep Learning, DL) ont montré un fort potentiel pour automatiser la segmentation des lésions à partir d’images médicales, offrant une amélioration en termes de rapidité et de reproductibilité. Néanmoins, plusieurs questions clés subsistent concernant la généralisation des modèles, les différences entre les approches 2D et 3D, la segmentation binaire versus multiclasse, ainsi que la pertinence clinique globale.Afin d’explorer ces aspects, nous avons utilisé le modèle nnUNet, reconnu pour ses performances robustes « prêtes à l’emploi » grâce à l’adaptation de l’ensemble de son pipeline, incluant le prétraitement et la configuration de l’Unet aux données. Nous avons entraîné trois versions du modèle nnUNet (2D, 3D basse résolution et 3D pleine résolution) sur un jeu de données public comprenant 349 scanners TDM (269 provenant du MSKCC et 80 de la base TCGA). Tous les examens TDM incluaient des cartes de segmentation annotées pour deux classes de lésions : les masses ovariennes et les lésions carcinomateuses. Dans le cadre de la segmentation binaire, le modèle identifiait les deux types de lésions sans distinction, tandis que dans le cadre multiclasse, il les différenciait. Toutes les annotations ont été soigneusement corrigées et validées par des cliniciens expérimentés. Un sous-ensemble de 35 patientes a été exclu de l’entraînement et réservé à l’évaluation.Les performances ont été évaluées à l’aide de plusieurs métriques implémentées dans TorchMetrics, notamment le score F1, la précision, le rappel, le score F2 et le coefficient de corrélation de Matthews (MCC), calculés par patiente avec micro-moyennage. Pour la segmentation binaire, les scores de Dice étaient de 0,704 pour le modèle 2D, 0,748 pour le 3D basse résolution et 0,769 pour le 3D pleine résolution. Dans le cadre multiclasse, les scores de Dice pour les masses ovariennes et les lésions de carcinomatose étaient respectivement de 0,697/0,545 (2D), 0,735/0,641 (3D basse résolution) et 0,745/0,644 (3D pleine résolution).Nos résultats indiquent que les modèles 3D surpassent numériquement leurs homologues 2D en apprentissage supervisé, tant pour la segmentation binaire que multiclasse. Le passage au cadre multiclasse conduit à une distribution plus resserrée et met en évidence la nette supériorité des modèles 3D dans la détection des lésions carcinomateuses. Néanmoins, les valeurs de MCC ainsi que leur distribution restent inchangées pour tous les modèles lors du passage de la segmentation binaire à la segmentation multiclasse, ce qui suggère une absence d’amélioration globale de la qualité de segmentation. Ces observations sont également confirmées par une inspection visuelle des résultats de segmentation sur les images TDM.Cependant, ces seules métriques ainsi que les diagrammes en violon ne suffisent pas à évaluer pleinement leur efficacité. La complexité du contenu lésionnel, de la forme et de la taille, en particulier pour les lésions de carcinomatose, a contribué à un taux notable de faux positifs. Cela met en évidence la nécessité de méthodes d’évaluation supplémentaires, basées notamment sur des critères topologiques. L’intégration de métriques telles que le Dice dilaté ou le Dice topologique pourrait offrir une compréhension plus fine des performances des modèles et aider à combler l’écart vers une utilisation clinique efficace.