La capacité d'un radiologue à établir des diagnostics précis à partir d'études d'imagerie diagnostique de haute qualité a un impact direct sur les résultats pour le patient. Cependant, l'acquisition de données suffisantes pour générer la meilleure qualité d'imagerie a un coût :une dose de rayonnement accrue pour la tomodensitométrie (CT) et la tomographie par émission de positons (TEP) ou des temps de balayage inconfortablement longs pour l'imagerie par résonance magnétique (IRM). Aujourd'hui, des chercheurs du Centre d'imagerie biomédicale Athinoula A. Martinos du Massachusetts General Hospital (MGH) ont relevé ce défi avec une nouvelle technique basée sur l'intelligence artificielle et l'apprentissage automatique, permettant aux cliniciens d'acquérir des images de meilleure qualité sans avoir à collecter de données supplémentaires. Ils décrivent la technique - baptisée AUTOMAP (automated transform by manifold approximation) - dans un article publié aujourd'hui dans la revue La nature .

"Une partie essentielle du pipeline d'imagerie clinique est la reconstruction d'images, qui transforme les données brutes issues du scanner en images à évaluer par les radiologues, " dit Bo Zhu, Doctorat, chercheur au Centre MGH Martinos et premier auteur du La nature papier. « L'approche conventionnelle de la reconstruction d'images utilise une chaîne de modules de traitement du signal fabriqués à la main qui nécessitent un réglage manuel expert des paramètres et sont souvent incapables de gérer les imperfections des données brutes, comme le bruit. Nous introduisons un nouveau paradigme dans lequel l'algorithme de reconstruction d'image correct est automatiquement déterminé par l'intelligence artificielle en apprentissage en profondeur.

"Avec AUTOMAP, nous avons appris aux systèmes d'imagerie à « voir » la façon dont les humains apprennent à voir après la naissance, non pas en programmant directement le cerveau mais en favorisant les connexions neuronales pour s'adapter organiquement grâce à des entraînements répétés sur des exemples du monde réel, " explique Zhu. " Cette approche permet à nos systèmes d'imagerie de trouver automatiquement les meilleures stratégies de calcul pour produire des images claires, des images précises dans une grande variété de scénarios d'imagerie."

Cette technique représente un bond en avant important pour l'imagerie biomédicale. En le développant, les chercheurs ont profité des nombreux progrès réalisés ces dernières années tant dans les modèles de réseaux de neurones utilisés pour l'intelligence artificielle que dans les unités de traitement graphique (GPU) qui pilotent les opérations, puisque la reconstruction d'images - en particulier dans le cadre d'AUTOMAP - nécessite une énorme quantité de calculs, notamment lors de l'apprentissage des algorithmes. Un autre facteur important était la disponibilité de grands ensembles de données ("big data"), qui sont nécessaires pour former de grands modèles de réseaux de neurones tels que AUTOMAP. Parce qu'il capitalise sur ces avancées et d'autres, Zhu dit, la technique n'aurait pas été possible il y a cinq ans ou peut-être même il y a un an.

AUTOMAP offre un certain nombre d'avantages potentiels pour les soins cliniques, même au-delà de produire des images de haute qualité en moins de temps avec l'IRM ou avec des doses plus faibles avec les rayons X, CT et TEP. En raison de sa vitesse de traitement, la technique pourrait aider à prendre des décisions en temps réel sur les protocoles d'imagerie pendant que le patient est dans le scanner.

"Puisque AUTOMAP est implémenté comme un réseau de neurones feedforward, la vitesse de reconstruction de l'image est quasi instantanée - quelques dizaines de millisecondes, " dit l'auteur principal Matt Rosen, Doctorat, directeur du Laboratoire d'IRM à bas champ et de médias hyperpolarisés et co-directeur du Center for Machine Learning au MGH Martinos Center. "Certains types d'analyses nécessitent actuellement un traitement informatique fastidieux pour reconstruire les images. Dans ces cas, la rétroaction immédiate n'est pas disponible pendant l'imagerie initiale, et une étude répétée peut être nécessaire pour mieux identifier une anomalie suspectée. AUTOMAP fournirait une reconstruction d'image instantanée pour éclairer le processus de prise de décision pendant la numérisation et pourrait éviter le besoin de visites supplémentaires."

Notamment, la technique pourrait également aider à faire progresser d'autres applications d'intelligence artificielle et d'apprentissage automatique. Une grande partie de l'enthousiasme actuel entourant l'apprentissage automatique en imagerie clinique se concentre sur le diagnostic assisté par ordinateur. Étant donné que ces systèmes reposent sur des images de haute qualité pour des évaluations diagnostiques précises, AUTOMAP pourrait jouer un rôle dans leur évolution pour une utilisation clinique future.

"Notre approche de l'IA montre des améliorations remarquables en termes de précision et de réduction du bruit et peut ainsi faire progresser un large éventail d'applications, "                                                                                                                                          .