Réseaux de neurones profonds pour détecter et quantifier les lésions de lymphome : conclusion et références

Tableau des liens

• Résumé et introduction
• Travaux connexes
• Matériels et méthodes
• Résultats
• Discussion
• Conclusion et références

VI. CONCLUSION

Dans cette étude, nous avons évalué diverses architectures de réseaux neuronaux pour automatiser la segmentation des lésions du lymphome dans les images TEP/CT sur plusieurs ensembles de données. Nous avons examiné la reproductibilité des mesures des lésions, révélant des différences entre les réseaux, soulignant leur adéquation à des utilisations cliniques spécifiques. De plus, nous avons introduit trois critères de détection des lésions pour évaluer les performances du réseau au niveau de chaque lésion, en soulignant leur pertinence clinique. Enfin, nous avons discuté des défis liés à la cohérence de la vérité terrain et souligné l’importance d’avoir un protocole de segmentation bien défini. Ce travail fournit des informations précieuses sur les potentiels et les limites de l’apprentissage profond dans la segmentation des lésions du lymphome et souligne la nécessité de pratiques d’annotation standardisées pour améliorer la validité de la recherche et les applications cliniques.

LES RÉFÉRENCES

[1] SF Barrington et al. « TEP au FDG pour le suivi thérapeutique des lymphomes hodgkiniens et non hodgkiniens ». Dans : European Journal of Nuclear Medicine and Molecular Imaging 44.1 (août 2017), pp. 97-110. ISSN : 1619-7089.

[2] K.Okuyucu et al. "Estimation du pronostic à la lumière des paramètres métaboliques de la tumeur sur le FDG-PET/CT initial chez les patients atteints d'un lymphome extraganglionnaire primitif". fr. Dans : Radiol. Oncol. 50.4 (décembre 2016), pp. 360-369.

[3] N. Wu et al. "Les réseaux de neurones profonds améliorent les performances des radiologues dans le dépistage du cancer du sein". Dans : IEEE Transactions on Medical Imaging 39.4 (2020), pp. 1184-1194.

[4] C. Yuan et al. "Segmentation diffuse du lymphome à grandes cellules B dans les images TEP-CT via l'apprentissage hybride pour la fusion de fonctionnalités". Dans : Physique médicale 48.7 (2021), pp. 3665-3678.

[5] H. Hu et al. "Segmentation du lymphome dans les images TEP basée sur une stratégie de fusion multi-vues et Conv3D". Dans : 17e Symposium international de l'IEEE 2020 sur l'imagerie biomédicale (ISBI). 2020, p. 1197-1200.

[6] H. Li et al. « DenseX-Net : un modèle de bout en bout pour la segmentation du lymphome dans les images TEP/CT du corps entier ». Dans : IEEE Access 8 (2020), pages 8004 à 8018.

[7] L. Liu et al. « Segmentation multimodale améliorée du lymphome basée sur des patchs avec augmentation des échantillons négatifs et conseils sur les étiquettes sur les scans TEP/CT ». Dans : Imagerie médicale multimodale multiéchelle. Éd. par X. Li et al. Cham : Springer Nature Suisse, 2022, pp. ISBN : 978-3-031-18814-5.

[8] CS Constantino et al. «Évaluation des méthodes de segmentation entièrement automatiques basées sur l'apprentissage semi-automatique et profond sur les images TEP/CT [18F]FDG de patients atteints de lymphome : influence sur la caractérisation de la tumeur". Dans : Journal of Digital Imaging 36.4 (août 2023), pp. ISSN : 1618-727X.

[9] AJ Weisman et coll. "Comparaison de 11 méthodes automatisées de segmentation TEP dans le lymphome". Anglais. Dans : Physique en médecine et biologie 65.23 (2020), pp. 235019-235019.

[10] AJ Weisman et coll. « Réseaux de neurones convolutifs pour la détection automatisée par TEP/CT de la charge des ganglions lymphatiques malades chez les patients atteints de lymphome ». Dans : Radiologie : Intelligence artificielle 2.5 (2020), e200016.

[11] C. Jiang et coll. "Segmentation tumorale basée sur l'apprentissage profond et prédiction du volume métabolique total de la tumeur dans le pronostic des patients atteints de lymphome diffus à grandes cellules B dans les images 3D FDG-PET". Dans : European Radiology 32.7 (juillet 2022), pp. 4801-4812. ISSN : 1432-1084.

[12] P. Blanc-Durand et al. « Segmentation entièrement automatique des lésions diffuses du lymphome à grandes cellules B sur FDGPET/CT 3D pour la prédiction du volume métabolique total de la tumeur à l'aide d'un réseau neuronal convolutif. » Dans : European Journal of Nuclear Medicine and Molecular Imaging 48.5 (mai 2021), pp. ISSN : 1619-7089.

[13] S. Ahamed et coll. «Un réseau neuronal convolutif U-Net avec perte de dés multiclasses pour la segmentation automatisée des tumeurs et des ganglions lymphatiques à partir d'images TEP/CT de cancer de la tête et du cou». Dans : Segmentation des tumeurs de la tête et du cou et prévision des résultats. Éd. par V. Andrearczyk et al. Cham : Springer Nature Suisse, 2023, pp. ISBN : 978-3-031-27420-6.

[14] S. Gatidis et coll. « Un ensemble de données FDG-PET/CT du corps entier avec des lésions tumorales annotées manuellement ». Dans : Données scientifiques 9.1 (octobre 2022), p. 601. ISSN : 2052-4463.

[15] M. Pop et coll. "Quantification du ventricule gauche à l'aide du U-Net résiduel". Anglais. Dans : vol. 11395. Atlas statistiques et modèles informatiques du cœur. Défis de segmentation auriculaire et de quantification du VG. Suisse : Springer International Publishing AG, 2019, pp. 371-380. ISBN : 0302-9743.

[16] A. Myronenko. «Segmentation des tumeurs cérébrales par IRM 3D à l'aide de la régularisation par auto-encodeur». Anglais. Dans : Lésions cérébrales : gliomes, sclérose en plaques, accidents vasculaires cérébraux et traumatismes crâniens. Cham : Springer International Publishing, 2019, pp. ISBN : 0302-9743.

[17] F. Isensee et al. « nnU-Net : une méthode auto-configurable pour la segmentation d'images biomédicales basée sur l'apprentissage profond ». Dans : Nature Methods 18.2 (décembre 2020), pp.

[18] A. Hatamizadeh et al. « Swin UNETR : Transformateurs Swin pour la segmentation sémantique des tumeurs cérébrales dans les images IRM ». Anglais. Dans : (2022).

[19] MJ Cardoso et al. MONAI : un cadre open source pour l'apprentissage profond dans le domaine de la santé. 2022. arXiv : 2211. 02701 [cs.LG].

[20] S. Ahamed et coll. "Vers une segmentation améliorée des lésions à l'aide d'un réseau neuronal 3D formé sur des zones recadrées multirésolution d'images TEP de lymphome". Dans : Journal of Nuclear Medicine 64.supplément 1 (2023), P1360–P1360. ISSN : 0161-5505.

[21] JL Fleiss. "Mesurer l'accord d'échelle nominale parmi plusieurs évaluateurs". Anglais. Dans : Bulletin psychologique 76.5 (1971), pp. 378-382.

[22] AK Jha et al. « Médecine Nucléaire et intelligence artificielle : Bonnes pratiques d'évaluation (les lignes directrices RELAINCE) ». fr. Dans : J. Nucl. Méd. 63.9 (septembre 2022), pp.

[23] N. Hasani et coll. « Intelligence artificielle dans l'imagerie TEP du lymphome : une revue de la portée (tendances actuelles et orientations futures) ». Dans : Cliniques PET 17.1 (1er janvier), pp. 145-174. ISSN : 1556-8598.

[24] SK Warfield et coll. « Estimation simultanée du niveau de vérité et de performance (STAPLE) : un algorithme pour la validation de la segmentation d'images ». fr. Dans : IEEE Trans. Méd. Imagerie 23.7 (juillet 2004), pp. 903-921.