Objectifs
Proposer une analyse méthodologique structurée des étapes de prétraitement en IRM des gliomes pour un usage en Intelligence Artificielle (IA) et expliciter les choix théoriques ayant guidé l’architecture de prétraitement du dataset clinico–radiogénomique GliomAI.
Matériel et méthode
Revue narrative structurée du paysage du prétraitement IRM en neuro-oncologie, organisée selon six axes analytiques :
(1) définition opérationnelle de l’étape, (2) justification physique et clinique, (3) hypothèses mathématiques sous-jacentes, (4) implications pour le deep learning, (5) spécificités biologiques des gliomes, (6) contraintes liées au champ magnétique et au matériel.
Les étapes évaluées incluent : resampling spatial, normalisation d’intensité, correction d’inhomogénéité (bias field), skull stripping, enregistrement inter-modalité et harmonisation inter-scanner.
L’analyse couvre des acquisitions multi-constructeurs et multi-champs allant de 1,5T à 7T, reflétant les conditions réelles rencontrées dans la cohorte GliomAI.
Résultats
L’analyse met en évidence que plusieurs étapes standards reposent sur des hypothèses (stationnarité d’intensité, linéarité tissulaire) partiellement incompatibles avec la physiopathologie des gliomes (œdème étendu, nécrose, hétérogénéité intratumorale).
La répétition d’interpolations successives entraîne une dégradation cumulative du signal, susceptible d’altérer les signatures radiomiques et la convergence des architectures 3D-CNN. Une stratégie limitant l’interpolation à une étape unique constitue un principe méthodologique central.
Les environnements à ultra-haut champ (7T) majorent les inhomogénéités B1 et les artefacts de susceptibilité, rendant inadaptées certaines configurations standardisées pour le 3T.
Ces constats ont directement orienté les choix de prétraitement retenus pour la structuration du dataset GliomAI.
Conclusion
Le prétraitement IRM doit être envisagé comme une étape théoriquement contrainte et biologiquement informée. Cette revue ne propose pas un pipeline prédéfini, mais une grille de lecture méthodologique permettant d’identifier, pour un contexte donné, quelles transformations appliquer, dans quel ordre et selon quelles hypothèses. Elle vise à guider le choix des étapes de prétraitement en fonction des caractéristiques des données disponibles et des objectifs analytiques poursuivis, afin de favoriser des pipelines cohérents, explicites et transférables en neuro-oncologie.
Les choix de prétraitement reposent sur des hypothèses mathématiques rarement explicitées.
La biologie des gliomes invalide certaines simplifications techniques usuelles.
Une architecture physiquement et biologiquement informée est indispensable pour une IA généralisable.