Evaluation of a deep learning segmentation tool to help detect spinal cord lesions from combined T2 and STIR acquisitions in people with multiple sclerosis (Evaluation d'un outil deep learning de segmentation dans l'aide à la détection des lésions médullaires de sclérose en plaques sur des séquences T2 et STIR)

Lodé, Baptiste - (2024-09-27) / Universite de Rennes Evaluation of a deep learning segmentation tool to help detect spinal cord lesions from combined T2 and STIR acquisitions in people with multiple sclerosis Langue : Anglais Directeur de thèse:  Kerbrat, Anne Thématique : Médecine et santé

Accès à la ressource :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion... Mots-clés : Radiologie, apprentissage profond, sclérose en plaques, IRM, détection, segmentation , Sclérose en plaques, Moelle épinière, Apprentissage profond, Imagerie par résonance magnétique Résumé : Les lésions de moelle épinière (LME) sont fréquentes chez les patients atteints de sclérose en plaques (SEP) et ont un impact pronostique majeur sur l'évolution clinique. Cependant, leur détection est difficile et sujette à une forte variabilité inter-opérateurs. L'étude a été conçue pour évaluer la performance des cliniciens dans la détection des (LME) avec et sans l'aide d'un outil de segmentation automatique. 20 cliniciens ont analysé des IRM de moelle épinière de 50 patients atteints de SEP. Il leur a été demandé d'identifier les LME, avec et sans l'aide d'un réseau de neurones profond. Une verité terrain a été établie par deux évaluateurs indépendants et un troisième expert est intervenu en cas de désaccord. La sensi-bilité moyenne a été significativement améliorée avec l'aide de l'outil automatique (78,0 % avec vs. 73,0 % sans, p <0,001). Nous avons observé une grande variabilité inter-opérateurs et aucune différence statistique dans la précision moyenne. Résumé (anglais) : Spinal cord lesions (SCL) are common in patients with multiple sclerosis (MS) and have a major prognostic impact on clinical course. However, their detection is difficult and prone to a high inter-rater variability. The study was designed to evaluate the performance of clinicians in detecting SCL with and without the aid of an automatic segmentation tool. 20 clinicians analyzed spinal cord MRIs from 50 patients with MS. They were asked to identify SCL, with and without the aid of a deep neural network. A ground truth was established by two independent raters and a third expert involved in case of disagreement. Mean sensitivity was significatively improved with the help of the automatic tool (78.0% with vs. 73.0% without, p <0.001). We observed a high inter-rater variability and no statistical difference in the mean precision. Identifiant : rennes1-ori-wf-1-19835

Exporter au format XML