Produire de meilleurs guides pour l’analyse d’images médicales

Les chercheurs du MIT ont mis au point une méthode qui accélère le processus de création et de personnalisation des modèles utilisés dans l’analyse d’images médicales pour guider le diagnostic des maladies.

Une des utilisations de l’analyse d’images médicales est de croiser les ensembles de données des images médicales des patients et de saisir les relations structurelles qui peuvent indiquer la progression des maladies. Dans de nombreux cas, l’analyse nécessite l’utilisation d’un modèle d’image commun, appelé « atlas », c’est-à-dire une représentation moyenne d’une population donnée de patients. Les atlas servent de référence pour les comparaisons, par exemple pour identifier les changements cliniquement significatifs des structures cérébrales au fil du temps.

La création d’un modèle est un processus long et laborieux, qui prend souvent des jours ou des semaines à générer, en particulier lors de l’utilisation de scans 3D du cerveau. Pour gagner du temps, les chercheurs téléchargent souvent des atlas accessibles au public qui ont déjà été produits par des groupes de recherche. Mais celles-ci ne saisissent pas pleinement la diversité des ensembles de données individuelles ou des sous-populations spécifiques, comme celles qui présentent de nouvelles maladies ou qui proviennent de jeunes enfants. En fin de compte, l’atlas ne peut pas être cartographié en douceur sur des images aberrantes, ce qui donne de mauvais résultats.

Dans un article présenté à la Conférence sur les systèmes de traitement de l’information neuronale en décembre, les chercheurs décrivent un modèle automatisé d’apprentissage machine qui génère des atlas  » conditionnels  » basés sur des attributs spécifiques des patients, tels que l’âge, le sexe et la maladie. En tirant parti de l’information partagée dans l’ensemble d’un ensemble de données, le modèle peut également synthétiser des atlas de sous-populations de patients qui peuvent être complètement absentes de l’ensemble de données.

« Le monde a besoin de plus d’atlas « , déclare Adrian Dalca, ancien postdoctorant au Computer Science and Artificial Intelligence Laboratory (CSAIL) et maintenant membre du corps enseignant en radiologie à la Harvard Medical School et au Massachusetts General Hospital. « Les atlas sont au centre de nombreuses analyses d’images médicales. Cette méthode peut en construire beaucoup plus et en construire d’autres conditionnelles. »

Marianne Rakic, chercheuse invitée à la CSAIL, John Guttag, titulaire de la chaire Dugald C. Jackson d’informatique et de génie électrique et chef du Groupe d’inférence fondée sur les données de la CSAIL, et Mert R. Sabuncu de l’Université Cornell se joindront à Dalca pour rédiger cet article.

Alignement et atlas simultanés

Les méthodes traditionnelles de construction d’atlas exécutent de longs processus itératifs d’optimisation sur toutes les images d’un jeu de données. Ils alignent, par exemple, tous les scans 3D du cerveau sur un atlas initial (souvent flou) et calculent une nouvelle image moyenne à partir des scans alignés. Ils répètent ce processus itératif pour toutes les images. Cela permet de calculer un atlas final qui minimise la mesure dans laquelle tous les balayages de l’ensemble de données doivent se déformer pour correspondre à l’atlas. Ce processus pour les sous-populations de patients peut être complexe et imprécis s’il n’y a pas assez de données disponibles.

Le mappage d’un atlas à un nouveau balayage génère un « champ de déformation » qui caractérise les différences entre les deux images. Cela permet de saisir les variations structurelles, qui peuvent ensuite être analysées plus en détail. Dans les scintigraphies cérébrales, par exemple, les variations structurelles peuvent être dues à la dégénérescence des tissus à différents stades d’une maladie.

Dans des travaux antérieurs, Dalca et d’autres chercheurs ont développé un réseau neuronal pour aligner rapidement ces images. Cela a contribué en partie à accélérer le processus traditionnel de construction de l’atlas. « Nous avons dit : « Pourquoi ne pouvons-nous pas construire des atlas conditionnels tout en apprenant à aligner des images en même temps ? » » Dalca dit.

Pour ce faire, les chercheurs ont combiné deux réseaux neuronaux : Un réseau apprend automatiquement un atlas à chaque itération, et un autre – adapté de la recherche précédente – aligne simultanément cet atlas sur les images d’un ensemble de données.

Pendant l’entraînement, le réseau commun reçoit une image aléatoire d’un ensemble de données codées avec les attributs souhaités du patient. À partir de là, il estime un atlas conditionnel aux attributs. Le second réseau aligne l’atlas estimé avec l’image d’entrée et génère un champ de déformation.

Le champ de déformation généré pour chaque paire d’images est utilisé pour former une « fonction de perte », un composant des modèles d’apprentissage machine qui permet de minimiser les écarts par rapport à une valeur donnée. Dans ce cas, la fonction apprend spécifiquement à minimiser les distances entre l’atlas appris et chaque image. Le réseau affine continuellement l’atlas pour qu’il s’aligne en douceur sur n’importe quelle image de l’ensemble de données.

Atlas à la demande

Le résultat final est une fonction qui apprend comment des attributs spécifiques, comme l’âge, sont corrélés aux variations structurelles de toutes les images d’un ensemble de données. En connectant de nouveaux attributs patients à la fonction, il tire parti de toutes les informations apprises dans l’ensemble de données pour synthétiser un atlas à la demande – même si ces données d’attributs manquent ou sont rares dans l’ensemble de données.

Supposons que quelqu’un veuille un atlas de scintigraphie cérébrale pour une patiente de 45 ans à partir d’un ensemble de données provenant de patients âgés de 30 à 90 ans, mais avec peu de données pour les femmes âgées de 40 à 50 ans. La fonction analysera les schémas d’évolution du cerveau entre 30 et 90 ans et incorporera le peu de données disponibles pour cet âge et ce sexe. Ensuite, il produira l’atlas le plus représentatif pour les femelles de l’âge désiré. Dans leur article, les chercheurs ont vérifié la fonction en générant des modèles conditionnels pour divers groupes d’âge de 15 à 90 ans.

Les chercheurs espèrent que les cliniciens pourront utiliser le modèle pour construire rapidement leur propre atlas à partir de leurs propres ensembles de données, potentiellement petits. Dalca collabore maintenant avec des chercheurs du Massachusetts General Hospital, par exemple, pour exploiter un ensemble de données de scintigraphies cérébrales pédiatriques afin de produire des atlas conditionnels pour les jeunes enfants, qui sont difficiles à obtenir.

Un grand rêve est de construire une fonction capable de générer des atlas conditionnels pour n’importe quelle sous-population, de la naissance à 90 ans. Les chercheurs pouvaient se connecter à une page Web, entrer leur âge, leur sexe, leurs maladies et d’autres paramètres, et obtenir un atlas conditionnel sur demande. « Ce serait merveilleux, parce que tout le monde peut se référer à cette fonction unique comme à un atlas universel de référence unique « , dit Dalca.

Une autre application potentielle au-delà de l’imagerie médicale est l’entraînement sportif. Quelqu’un pourrait entraîner la fonction à générer un atlas pour, disons, le mouvement de service d’un joueur de tennis. Le joueur peut ensuite comparer les nouveaux services avec ceux de l’atlas pour voir exactement où il a conservé sa forme ou où les choses se sont mal passées.

« Si vous regardez du sport, ce sont généralement les commentateurs qui disent qu’ils ont remarqué si la forme de quelqu’un était différente d’une époque à l’autre « , dit Dalca. « Mais vous pouvez imaginer que ça pourrait être beaucoup plus quantitatif que ça. »