Cette étude a été approuvée par le comité d’examen institutionnel de notre institution et l’exigence de consentement éclairé a été levée en raison de la nature rétrospective de l’étude.
Les sources de données
Pour développer un algorithme de segmentation multi-organes pour les tomodensitogrammes abdominaux, un ensemble de données composé de 95 examens DECT a été utilisé, répartis au hasard dans l’un des trois ensembles suivants : (1) ensemble d’entraînement (n = 75) ; (2) ensemble de validation (n = 10) ; et (3) un ensemble de tests de formation (n = 10). De plus, pour évaluer les performances de l’algorithme, deux ensembles de données externes indépendants comprenant 30 examens DECT (ensemble de tests DECT) et 30 examens CT à énergie unique (SECT) (ensemble de tests SECT) ont été collectés séparément. Des détails spécifiques sur les ensembles de données utilisés dans cette étude sont fournis ci-dessous.
Ensemble de données CT bi-énergie
Pour le développement de l’algorithme, nous avons collecté 95 examens tomodensitométriques abdominaux dynamiques avec contraste amélioré auprès de 95 patients, réalisés entre avril 2020 et septembre 2020, à l’aide de deux appareils DECT différents : SOMATOM Force, Siemens Healthineers (n = 49), et IQon Spectral CT, Philips Healthcare (n = 46). Les critères d’inclusion pour l’ensemble de données DECT étaient généralement des patients ambulatoires adultes asymptomatiques en bonne santé sans lésions focales, à l’exception des petits kystes dans les organes cibles, notamment le foie, la rate, le rein droit (RK), le rein gauche (LK) et le pancréas.
Pour les tests externes des performances de l’algorithme, un ensemble de tests DECT temporellement indépendant composé de 30 examens DECT effectués de janvier à février 2021 à l’aide de deux machines DECT différentes (SOMATOM Force, Siemens Healthineers [nâ=â15]et IQon Spectral CT, Philips Healthcare [nâ=â15]) a été collecté.
Des images de phase veineuse porte à double énergie (DE-PVP) ont été utilisées comme ensemble de données pour les images CT post-contraste. Ces images DE-PVP couvraient la région allant du sommet du dôme hémidiaphragmatique supérieur jusqu’à l’épine iliaque antéro-supérieure ou au niveau supérieur de la cuisse. Les paramètres d’acquisition et de reconstruction CT utilisés pour chaque scanner sont présentés dans le tableau supplémentaire 1. Les images VNC correspondantes ont été utilisées comme ensemble de données pour les images CT sans contraste. Ces images VNC ont été générées à partir des données brutes DE-PVP à l’aide de systèmes de post-traitement dédiés, tels que Syngo.via pour SOMATOM Force et IntelliSpace Portal pour IQon Spectral CT.
Ensemble de données CT mono-énergie
Pour l’ensemble de données SECT, 30 examens tomodensitométriques abdominaux dynamiques avec contraste amélioré de 30 patients ont été collectés (ensemble de tests SECT), qui ont été acquis à l’aide de trois scanners SECT différents dans notre établissement entre janvier 2021 et février 2021 : Revolution, GE Healthcare (n  = 9), définition SOMATOM, Siemens Healthineers (n = 11) et iCT, Philips Healthcare (n = 10). Chaque examen CT comprenait des images TNC et des images PVP à énergie unique (SE-PVP). Les critères d’inclusion pour l’ensemble de données SECT étaient identiques à ceux utilisés pour l’ensemble de données DECT. La plage de balayage pour le SE-PVP et le TNC allait du haut du dôme hémidiaphragmatique supérieur jusqu’à l’épine iliaque antéro-supérieure ou au niveau supérieur de la cuisse. Les paramètres CT détaillés pour chaque scanner sont répertoriés dans le tableau supplémentaire 1.
Création d’étiquettes d’orgue 3D
Des étiquettes d’organes 3D pour le foie, la rate, le RK, le LK et le pancréas ont été générées sur les ensembles de données DECT et SECT. Pour améliorer l’efficacité du processus d’étiquetage, un logiciel de segmentation disponible dans le commerce (MEDIP PRO v.2.4.0, MEDICALIP Co. Ltd., Séoul, Corée) a été initialement utilisé pour la segmentation préliminaire des organes. Par la suite, un radiologue abdominal certifié (SKJ, avec 9 ans d’expérience clinique dans l’interprétation de la tomodensitométrie abdominale) a effectué manuellement une correction voxel des étiquettes préliminaires, les établissant comme des annotations de vérité terrain. Pour DECT, les étiquettes d’organes 3D ont été confirmées sur les images DE-PVP. Ces étiquettes confirmées ont ensuite été directement transférées aux images VNC correspondantes sur la base d’une correspondance spatio-temporelle (Fig. 1 supplémentaire). En revanche, pour SECT, les étiquettes d’organes ont été générées séparément pour les images SE-PVP et TNC. Les étiquettes TNC ont été générées en référençant les images PVP du même patient pour garantir l’exactitude du processus de segmentation des organes.
Algorithme 3D nnU-Net pour la segmentation multi-organes
Développement d’algorithmes
Un algorithme de segmentation multi-organes pour les tomodensitogrammes abdominaux a été développé à l’aide de l’architecture 3D nnU-Net (Fig. 1), qui est un modèle CNN très avancé connu pour ses performances et son efficacité remarquables dans la segmentation d’images médicales13. Pour développer l’algorithme, un ensemble de données comprenant 20 020 tranches d’images PVP et leurs images VNC correspondantes provenant de 85 examens DECT avec des annotations de vérité terrain a été utilisé. Au lieu d’entraîner l’algorithme de segmentation de bout en bout, le réseau a été conçu pour prendre les zones d’organes internes prédites à l’aide d’un algorithme de segmentation de la composition corporelle14 comme données d’entrée, générant cinq classes correspondant aux zones segmentées du foie, de la rate, du RK, LK et pancréas (Fig. Supplémentaire 2). L’algorithme de segmentation de la composition corporelle que nous avons utilisé pour prédire les zones des organes internes fonctionne en fournissant automatiquement une segmentation volumétrique des composants du corps en sept classes : peau, os, muscle, graisse viscérale abdominale, graisse sous-cutanée, système nerveux central et organes internes avec vaisseaux. Des recherches antérieures ont rapporté des coefficients de similarité des dés (DSC) supérieurs à 0,94 pour cet algorithme14. Nous avons adopté cette stratégie de développement, en utilisant les zones d’organes internes comme entrée, pour réduire le temps d’inférence en évitant stratégiquement les zones d’organes non internes, réduisant ainsi la charge de calcul et l’apparition de faux positifs.
Figure 1
Architecture de l’algorithme de segmentation multi-organes 3D basé sur nnU-Net.
Les stratégies de prétraitement et les hyperparamètres de réseau ont été personnalisés pour optimiser les performances du nnU-Net. Dans le cadre de l’étape de prétraitement, les volumes 3D ont été redimensionnés pour correspondre aux espacements cibles de 0,66796875, 0,66796875 et 2. La configuration finale de la taille du patch était de 160  × 160 × 64, et la taille du lot était de 2. Au cours de la formation, des techniques d’augmentation des données, telles que la rotation, la mise à l’échelle, la correction gamma et la mise en miroir, ont été appliquées. Des fonctions de perte de dés et de perte d’entropie croisée ont été utilisées pour entraîner l’algorithme avec une descente de gradient stochastique (impulsion de Nesterov = 0,99). Le planificateur de taux d’apprentissage polynomial est initialisé à 0,01. L’algorithme a été entraîné pendant 1000 époques.
Performances de segmentation de l’algorithme
Premièrement, les performances de segmentation de l’algorithme ont été évaluées à l’aide d’un ensemble de tests de formation, une partie de l’ensemble de données de développement non utilisée pour la formation. De plus, des tests externes ont été effectués à l’aide de deux ensembles de données séparés (ensemble de tests DECT et ensemble de tests SECT). Pour évaluer les performances de segmentation, les images DE-PVP et leurs images VNC correspondantes ont été utilisées dans l’ensemble DECT et les images SE-PVP et TNC ont été utilisées pour l’ensemble SECT (Fig. 3 supplémentaire).
Estimation du volume des organes à l’aide de l’algorithme développé
L’algorithme développé a été testé pour son applicabilité clinique en évaluant sa précision dans la mesure des volumes d’organes dans des ensembles de tests externes (ensemble DECT et ensemble SECT). Le volume de chaque organe cible (foie, rate, RK, LK et pancréas) a été mesuré sur la base des résultats de segmentation 3D obtenus à partir de l’algorithme.
analyses statistiques
La précision de l’algorithme 3D nnU-net développé pour la segmentation des organes a été évaluée pour chaque organe et phase d’imagerie en comparant les masques dérivés de l’algorithme avec les masques de vérité terrain. Le coefficient de similarité des dés (DSC)15 a été utilisé comme mesure d’évaluation. De plus, les valeurs DSC de différentes phases d’imagerie ont été comparées entre les ensembles de tests DECT et SECT. Plus précisément, les valeurs DSC entre le DE-PVP et le VNC sur DECT et entre le SE-PVP et le TNC sur SECT ont été calculées à l’aide d’un test t apparié. De plus, les valeurs DSC ont été comparées entre les différents appareils CT à l’aide du test Mann-Whitney U ou du test Kruskal-Wallis.
Pour la volumétrie des organes, la corrélation entre le volume estimé obtenu par l’algorithme et le volume de vérité terrain de chaque organe a été évaluée à l’aide de l’analyse de corrélation de Pearson. L’accord entre les volumes estimés et ceux de la vérité terrain a été évalué à l’aide du coefficient de corrélation intraclasse (ICC) et de l’analyse Bland-Altman. Les valeurs ICC ont été interprétées à l’aide des critères suivants : ≤ 0,90, ce qui indique un excellent accord ; 0,75 € à < 0,90 €, bon accord ; ≥ 0,50 à < 0,75, accord modéré ; et <â0.50, poor agreement16. The BlandâAltman 95% limits of agreement (LOAs) were expressed as a percentage of the measured values. The percentage error of the algorithm-estimated volume was calculated by comparison with the ground-truth volume using the formula [(algorithm-estimated)âââ(ground truth)]/(ground truth)âÃâ100 (%). Accurate volume estimation was defined as an assessment that deviated by no more than 10% of the ground truth volume. Accordingly, overestimation was defined as a deviation of > 10 % du volume de vérité terrain, alors que la sous-estimation a été définie comme un écart de < âˆ' 10 % du volume de vérité terrain.
Toutes les analyses statistiques ont été effectuées à l’aide de MedCalc version 19.4.0 (logiciel MedCalc, Ostende, Belgique). La signification AP a été fixée à < 0,05.
2024-02-22 16:00:10
1708608034
#Outil #segmentation #multiorganes #entièrement #automatisé #applicable #tomodensitométrie #abdominale #sans #contraste #postcontraste #algorithme #dapprentissage #profond #développé #partir #dimages #tomodensitométriques #biénergie