Objectif
Proposer un algorithme de segmentation du glioblastome multiforme (GBM) sur des images IRM cérébrales basé sur la technique U-Net.
Patients et Méthodes
Collection de 200 images IRM de tumeurs GBM présentant des différentes Séquences (Flair, T1, T1c et T2) à partir de la base de données open source Brats 2020. 85 % de la base de données sont utilisés pour entraîner U-Net. Ensuite, notre structure U-NET est évaluée sur les 15 % restants de la base de données en calculant les coefficients IoU et Dice.
Construire un réseau U-Net pour la détection et segmentation du glioblastome multiforme (GBM) sur des images IRM.
Evaluation de la technique proposée à l'aide de paramètres statistiques (Dice et IoU), temps de segmentation par patient et comparaison avec d’autres méthodes de la littérature.
Résultats
Le coefficient IoU moyen atteint une valeur de 93,52 %. De plus, les valeurs de Dice et de précision pour les résultats de segmentation sont respectivement de 94,28 % et 95,20 %.
Sur la base de ces paramètres statistiques, nous pouvons conclure que la segmentation par U-Net est proche de la réalité ("ground truth").
Conclusion
L'architecture U-Net employée permet d'obtenir un temps de calcul court et une précision de segmentation supérieure pour la segmentation du GBM à partir d'images IRM par comparaison aux réseaux neuronaux traditionnels. Dans des travaux futurs, le schéma utilisé pourrait être employé pour identifier les régions lésionnelles de bas grade et de haut grade.