Segmentation des lésions corticales et de la matière blanche dans la sclérose en plaques à 3T IRM : une méthode d'apprentissage profond basée sur FLAIR et MP2RAGE

La présence de lésions corticales chez les patients atteints de sclérose en plaques a émergé comme un biomarqueur important de la maladie. Elles apparaissent aux premiers stades de la maladie et ont montré une corrélation avec la gravité des symptômes cliniques. Cependant, les lésions corticales sont à peine visibles dans l'imagerie par résonance magnétique (IRM) conventionnelle à 3T, et ainsi leur détection automatique a jusqu'à présent été peu explorée. Dans cette étude, nous proposons une approche d'apprentissage profond entièrement convolutionnelle, basée sur le 3D U-Net, pour la segmentation automatique des lésions corticales et de matière blanche à 3T. À cet effet, nous considérons un cadre IRM cliniquement plausible composé de deux contrastes IRM uniquement : une séquence conventionnelle pondérée en T2 (FLAIR) et une séquence spécialisée pondérée en T1 (MP2RAGE). Nous incluons 90 patients de deux centres différents avec un total respectif de 728 et 3856 lésions de matière grise et de matière blanche. Nous montrons que deux méthodes de référence développées pour la segmentation des lésions de matière blanche sont inadequates pour détecter de petites lésions corticales, tandis que notre cadre proposé est capable d'atteindre un taux de détection de 76 % pour les lésions corticales et de matière blanche avec un taux de faux positifs de 29 % par rapport à la segmentation manuelle. D'autres résultats suggèrent que notre cadre se généralise bien pour les deux types de lésions chez des sujets acquis dans deux hôpitaux avec des scanners différents.