Un jeu de données IRM pelvienne multimodale pour la segmentation des organes pelviens basée sur l'apprentissage profond dans l'endométriose

L'endométriose est une affection gynécologique répandue touchant environ 190 millions de femmes en âge de procréer dans le monde. En raison de sa présentation complexe et de la nature invasive des procédures diagnostiques, l'imagerie par résonance magnétique (IRM) est devenue l'approche non invasive privilégiée pour diagnostiquer cette maladie. Reconnaissant le besoin crucial d'outils diagnostiques avancés, cette étude présente un nouveau jeu de données IRM pelvienne multimodale spécifiquement conçu pour les applications d'apprentissage profond visant à segmenter les organes pelviens chez les patientes atteintes d'endométriose.\n\nLe jeu de données comprend des scans IRM collectés auprès de deux institutions cliniques distinctes, englobant un total de 132 sujets féminins. La première composante est un jeu de données multicentrique incluant 51 sujets, qui comporte des annotations manuelles de multiples structures pelviennes fournies indépendamment par trois experts évaluateurs afin d'estimer la fiabilité inter-évaluateurs. La seconde composante est un jeu de données monocentrique avec 81 sujets, annoté par un seul évaluateur, utilisé pour développer et affiner des pipelines automatisés de segmentation des ovaires.\n\nPour évaluer la performance de segmentation, deux méthodes d'auto-segmentation ont été testées : le nnU-Net auto-configurable et RAovSeg, un réseau de neurones convolutionnel conçu sur mesure. Les deux modèles avaient pour tâche de délimiter les organes pelviens critiques, principalement l'utérus et les ovaires, qui ont été annotés pour tous les sujets. De plus, le jeu de données inclut des segmentations d'endométriomes pour tous les sujets où de telles lésions étaient visibles. Cette portée d'annotation complète soutient un entraînement robuste et une évaluation des algorithmes de segmentation adaptés aux complexités présentées par l'endométriose.\n\nUn défi important souligné par l'étude est la difficulté de la segmentation manuelle des ovaires dans les scans IRM d'endométriose. La variabilité entre évaluateurs souligne la nature subjective des délimitations manuelles et renforce la nécessité de méthodes de segmentation automatisées fiables et reproductibles. La disponibilité de ce jeu de données vise à faciliter la recherche et le développement de modèles d'apprentissage profond, améliorant en fin de compte la précision diagnostique et les résultats pour les patientes.\n\nIl est important de noter que le jeu de données a été rendu accessible publiquement, favorisant la transparence et permettant à la communauté scientifique plus large de s'engager dans la recherche sur l'auto-segmentation IRM pelvienne. Le caractère en libre accès de l'étude encourage les efforts collaboratifs pour affiner les algorithmes de segmentation, accélérant potentiellement les avancées tant dans le diagnostic que dans le suivi thérapeutique de l'endométriose.