Sur l'utilisabilité des données synthétiques pour améliorer la robustesse de la segmentation basée sur l'apprentissage profond des images de résonance magnétique cardiaque

Les méthodes de segmentation basées sur l'apprentissage profond offrent un moyen efficace et automatisé d'évaluer la structure et la fonction du cœur dans les images de résonance magnétique cardiaque (RMC). Cependant, malgré leur performance de pointe sur des images acquises à partir de la même source (même scanner ou fournisseur de scanner) que les images utilisées lors de l'entraînement, leur performance se dégrade considérablement sur des images provenant de domaines différents. Une approche simple pour résoudre ce problème consiste à acquérir de grandes quantités de données multi-sites et multi-fournisseurs, ce qui est pratiquement irréalisable. Les réseaux antagonistes génératifs (GAN) pour la synthèse d'images présentent une solution prometteuse pour relever les limitations de données en imagerie médicale et aborder la capacité de généralisation des modèles de segmentation. Dans ce travail, nous explorons l'utilisabilité des images RMC en coupe courte synthétisées à l'aide d'un GAN conditionnel informé sur la segmentation, afin d'améliorer la robustesse des modèles de segmentation des cavités cardiaques dans divers paramètres. Le GAN est entraîné sur des images réelles appariées et des cartes de segmentation correspondantes appartenant à la fois au cœur et aux tissus environnants, renforçant la synthèse d'images sémantiquement cohérentes et réalistes. Tout d'abord, nous évaluons la performance de segmentation d'un modèle entraîné uniquement avec des données synthétiques et montrons qu'il sous-performe légèrement par rapport à la référence entraînée avec des données réelles. En combinant davantage des données réelles avec des données synthétiques pendant l'entraînement, nous observons une amélioration substantielle de la performance de segmentation (jusqu'à 4% et 40% en termes de score de Dice et de distance de Hausdorff) à travers plusieurs ensembles de données collectées sur divers sites et scanners. Cela est également démontré à travers des réseaux de segmentation 2D et 3D à la pointe de la technologie, où les résultats obtenus montrent le potentiel de la méthode proposée pour faire face à la présence de décalages de domaine dans les données médicales. Enfin, nous analysons en profondeur la qualité des données synthétiques et leur capacité à remplacer des images IRM réelles pendant l'entraînement, ainsi que fournir un aperçu des aspects importants de l'utilisation d'images synthétiques pour la segmentation.