Segmentation par IA : une modélisation 3D plus rapide et plus simple pour tous

Visualisation de l’anatomie 3D dans la planification pédiatrique préopératoire

Les examens radiologiques sont essentiels pour visualiser les structures internes et comprendre la pathologie des patients. L’IA peut automatiser la segmentation des scans, une tâche autrement longue et coûteuse. Ce rapport de la University of Texas Southwestern School of Medicine, Dallas, TX, États-Unis, examine les outils de segmentation IA accessibles au public et la manière dont ils peuvent être rapidement intégrés à la planification préopératoire à moindre coût.

Segmentation manuelle et par IA

La segmentation d’images médicales vise à diviser les images en régions significatives afin d’isoler les structures anatomiques, détecter les anomalies et fournir des mesures pour le diagnostic, la planification du traitement et le suivi des maladies. Les outils algorithmiques peuvent accélérer ce processus, permettant un rendu ou une exportation 3D en quelques minutes. Dans cette étude, 3D Slicer a été utilisé pour affiner les segments, bien que la plupart des modèles 3D aient été générés automatiquement à l’aide d’extensions IA.

Outils de segmentation par IA

Les applications de planification préopératoire utilisent de plus en plus des algorithmes d’IA pour analyser les images médicales.

TotalSegmentator, entraîné sur 1 204 séries CT de l’Hôpital universitaire de Bâle, peut segmenter 104 structures anatomiques avec une grande précision. Il est intégré à 3D Slicer ainsi qu’à des plateformes 3D/VR commerciales comme Medicalholodeck.

MONAI est un framework open source de deep learning pour la santé. Son extension 3D Slicer, MONAI Auto3DSeg, fournit des modèles de segmentation automatisés pour des organes spécifiques et permet aux chercheurs d’entraîner des modèles personnalisés pour des pathologies ciblées.

Les IRM et scanners CT des patients ont été anonymisés et exportés au format DICOM afin de tester des extensions IA dans 3D Slicer, en utilisant un échantillon de convenance de cas chirurgicaux pédiatriques.

L’IA dans la planification pédiatrique 3D

Les reconstructions 3D générées par l’IA ont fourni des repères anatomiques précis pour la planification préopératoire en chirurgie pédiatrique, avec une forte corrélation avec l’anatomie peropératoire. Les principales extensions IA — TotalSegmentator, MONAI Auto3DSeg et RVesselX — fonctionnaient localement et produisaient des segmentations thoraciques et abdominales en 60 à 90 secondes. Bien qu’entraînées sur des données adultes, elles identifiaient de manière fiable plusieurs structures pédiatriques pour une superposition efficace avec des images en rendu volumique. Les limites comprenaient une précision réduite chez les patients très jeunes ou de faible poids ainsi que l’absence d’applications peropératoires intégrées. Les modèles 3D exportés pouvaient également être utilisés pour l’enseignement, la visualisation VR/AR et l’impression 3D de simulateurs chirurgicaux ou d’implants.

Rendre la segmentation 3D accessible grâce à l’IA

L’IA et la vision par ordinateur ont considérablement réduit les barrières techniques et financières liées à la génération de reconstructions 3D à partir de scanners CT et IRM standard. Les outils accessibles au public permettent désormais aux chirurgiens pédiatriques de créer rapidement des modèles haute fidélité sans expertise spécialisée ni logiciel coûteux. Les développements futurs — tels que des modèles d’IA entraînés spécifiquement sur des données pédiatriques — promettent une précision encore plus grande et des applications peropératoires et éducatives plus larges.

Medicalholodeck, combiné à TotalSegmentator, rend les segmentations disponibles en quelques minutes, fournissant des modèles 3D rapides et accessibles sans nécessiter de traitement manuel. Cela aide considérablement à comprendre l’anatomie de chaque patient, améliore la planification des cas et peut améliorer les résultats chirurgicaux.