Journal de génie électrique et de technologie électronique

Modèle U-Net pour l'identification et la segmentation de l'endocarde en imagerie par résonance magnétique nucléaire

Faiza Al Kindi 

Objectif - Utiliser le modèle U-Net pour la détection et la segmentation de la paroi endocardique interne du ventricule gauche pour le calcul de la fraction d'éjection ventriculaire gauche (FEVG) à partir de l'imagerie par résonance magnétique cardiaque.

Contexte - L'imagerie par résonance magnétique cardiaque (IRM) est couramment utilisée pour évaluer la structure et la fonction du cœur par des mesures quantitatives. La fraction d'éjection du ventricule gauche (FEVG) est l'un des paramètres les plus importants de la fonction VG. Il s'agit d'un indicateur pronostique important des résultats cardiovasculaires utilisé cliniquement pour déterminer l'indication de plusieurs interventions thérapeutiques. La segmentation précise du ventricule gauche est une étape essentielle pour calculer la FEVG. La pratique actuelle dans notre centre consiste à sélectionner et à délimiter manuellement le contour interne du ventricule gauche dans les images IRM brutes. Il s'agit d'un processus chronophage et sujet à des biais induits par l'utilisateur, et donc à des résultats faussement positifs et faussement négatifs.

Méthode - Le modèle d'apprentissage profond U-Net a été développé spécifiquement pour la segmentation biomédicale et s'est avéré efficace avec moins d'échantillons d'apprentissage. Ainsi, nous avons utilisé le modèle U-Net pour réaliser et évaluer un outil automatique précis de détection et de segmentation du ventricule gauche. Le modèle U-Net a été formé et évalué sur nos données cliniques locales qui se composent de 4050 images à axe court de patients avec une FEVG normale et des structures anatomiques normales du cœur. Les délimitations manuelles ont été effectuées par deux radiologues expérimentés. Les performances du modèle ont été évaluées à l'aide de plusieurs paramètres statistiques, à savoir l'exactitude, la précision, le rappel et l'intersection sur l'union (IoU). Résultats - Avec un ensemble de tests de 810 images, le modèle U-Net a réussi à détecter la présence et l'absence de ventricule gauche dans les images cMR à axe court de tous les patients. Français De plus, la méthode a atteint des performances élevées dans la détection et la segmentation automatiques de l'endocarde avec un rappel de 91,86 %, une précision de 97,16 %, une exactitude de 99,82 % et une intersection sur l'union (IoU) de 83,65 %. Conclusion - Le modèle U-Net a obtenu de bonnes performances de segmentation du ventricule gauche avec une précision de détection élevée en moins d'une minute pour chaque examen. Ces résultats sont suffisamment convaincants pour justifier la réalisation d'une évaluation complète d'une population de patients plus large. Mots-clés : IRM, fonction cardiaque, fraction d'éjection, intelligence artificielle, apprentissage profond, réseau neuronal, modèle U-Net, segmentation, détection.

Limites : 1. Les segmentations ont été réalisées manuellement par deux radiologues. 2. Taille de l'échantillon limitée. Approbation du comité d'éthique : Oui.

Financement de cette étude : Subvention du Ministère des Transports, des Communications et des Technologies de l’information.