La segmentation est la clé pour construire une représentation en 3D,
il faut savoir que la forme d’une tumeur est imprévisible et elle peut
varier d’un patient à l’autre. Les chirurgiens et radiologues font scanner
une centaine d’images manuellement pour chaque patient et entre 7 et 9 heures
de traitements sont nécessaires pour optimiser la thérapie.
Pour remédier à ce temps, il est nécessaire d’utiliser un outil qui traite
automatiquement les images scannées. La solution pour une segmentation
automatique est l’Intelligence Artificielle.
Le RàPC et le Deep Learning (voir article ici)
sont différents mais ont le même but. La plateforme COLISEUM-3D (Collaborative
platform with artificial Intelligence for Segmentation of Tumoral kidney in Medical
images in 3D) permet de coupler le RàPC et le Deep Learning afin d’obtenir le résultat
souhaité en minimisant l’intervention humaine sous une unique représentation numérique.
COLISEUM-3D est organisée en couches.
La couche de données
Cette première couche regroupe l’ensemble des informations à disposition du système sur lesquelles s’appuyer pour résoudre les problèmes de segmentation. Il regroupe donc les bases de cas pour les modules RàPC (Raisonnement à partir de cas), puis les connaissances métiers qui regroupe l’expertise médicale et technique, et enfin, l’atlas qui regroupe un ensemble d’images faites à partir du scanner.
La couche de segmentation
La segmentation a été expliqué ici. C’est une couche très importante, car elle permet de calculer les segmentations des différentes structures. La méthode de segmentation varie selon le contexte, c’est à dire que chaque module de segmentation a été conçu et optimisé spécifiquement pour délimiter les contours d’un organe ou d’une structure anatomique. Dans ces modules on retrouve bien évidemment le RàPC et le Deep Learning.
La couche de fusion
La segmentation a été expliqué ici. C’est une couche très importante, car elle permet de calculer les segmentations des différentes structures.
