Le projet SAIAD est une solution pour les opérations médicales qui concernent une tumeur rénale fréquente chez les enfants, appelé la tumeur de Wilms. A l’aide de l’intelligence artificielle et de l’imagerie, un chirurgien devra délimiter avec précision les contours de la tumeur rénale. Selon les âges et l’état de la tumeur, les solutions de traitements peuvent varier.
La segmentation d'image
Comme cité dans l’introduction, le projet SAIAD utilise l’intelligence
artificielle et l’imagerie, mais pas n’importe lesquelles. Il faut savoir
que le projet SAIAD s’intéresse à l’exploration du corps humain sans examen
intrusif. Mais aussi à aider les chirurgiens à opérer avec une précision extrême.
Pour cela, la segmentation d’image est primordiale. Elle consiste à analyser
une image et à en extraire les informations en tentant d’associer à chaque
pixel un label. Elle s’appuie sur des caractéristiques comme son niveau de
gris, sa couleur et sa distribution spatiale. Les pixels sont regroupés selon
leurs caractéristiques communes. En résumant, la segmentation vise à l’extraction
d’indices visuels.
Dans le cas de la tumeur de Wilms la pathologie tumorale est tout d’abord
confirmée par une échographie réalisée à l’aide d’un scanner à Rayons X, ce
qui permet ainsi une évaluation de l’état ou plutôt la progression de la tumeur
dans la cavité rénale. Cependant, le temps important que représentent les
traitements d’images ne facilitent pas leur utilisation dans la routine et
peut parfois s’avérer imprécis. C’est pour cela qu’il existe différentes techniques
utilisées par le projet SAIAD afin de faciliter les segmentations d’images pour
des objectifs différents.
Le raisonnement par cas
Le raisonnement par cas consiste à utiliser les solutions de problèmes passés et déjà résolus afin de résoudre de nouveaux problèmes. Il y a 2 types de réutilisation, il y a la simple ré-application de la solution précédente, ou bien l’application d’une solution adaptée au problème actuel.
Pour le projet SAIAD, le raisonnement par cas se base sur la croissance de régions, le but est de maximiser la qualité des segmentations produites tout en minimisant la quantité de données nécessaires. Elle concerne la segmentation du parenchyme rénal pathologique. Les caractéristiques de cette partie du rein sont mises en évidence par l’usage d’un produit qui permet de rendre cette partie plus visible lors de l’examen médical.
La première étape consiste à calculer la similarité des cas existants, si un cas similaire existe alors la solution est trouvé. Si le cas n’existe pas mais présente des similitudes alors il est adapté donc le cas le plus de l’actuel et sélectionné.
Ensuite, le cas passe à la phase d’adaptation du problème vers la solution, puis il est segmenté. Si la segmentation est correcte, elle devient validée et stockée dans la base des cas. Si elle n’est pas correcte, elle devient révisée manuellement par l’utilisateur et aussi validée.
Le deep learning
Le Deep Learning est une intelligence artificielle où contrairement à la programmation qui dicte des ordres à la machine, ici la machine apprend par elle-même. Cette intelligence artificielle s’appuie sur un réseau de neurones artificiels qui s’inspire du cerveau humain. Grâce à une centaine de couches de neurones, le système apprendra par exemple à reconnaître des lettres, puis des mots et des phrases. Il serait même capable de déterminer s’il y a un visage sur l’image. Le Deep Learning est aussi utilisé par le plus grand moteur de recherche du monde, Google.
Dans le projet SAIAD, cette intelligence artificielle est utilisée pour délimiter la tumeur de Wilms, car le raisonnement par cas n’est pas efficace contre celle-ci, elle pourrait rendre la segmentation très sensible aux fuites environnantes comme par exemple les muscles qui ne sont pas contrastés dans l’image. D’ailleurs, la tumeur arrive parfois à déformer le rein, ce qui complique la tâche.
À l’inverse, le réseau de neurones est entraîné spécifiquement pour un patient, et le Deep Learning permet alors d’effectuer les segmentations automatiques de la tumeur sans intervention humaine. En résumé, le Deep Learning peut tenir compte non seulement des pixels mais aussi de la forme, de la localisation dans l’image…etc.