• Langue : Français
• Discipline : Médecine. Radiodiagnostic et imagerie médical
• Identifiant : 2021LILUM404
• Type de thèse : Doctorat de médecine
• Date de soutenance : 01/10/2021

Résumé en langue originale

Contexte : La quantification du volume d’un infarctus cérébral est un élément important dans la prise en charge thérapeutique et l’évaluation pronostique d’un accident vasculaire cérébral ischémique. L’objectif de notre étude est d’analyser les performances d’un algorithme d’intelligence artificielle (IA) dans la segmentation de ces lésions par rapport aux méthodes manuelles et semi-automatiques, ainsi que d’évaluer certains paramètres pouvant impacter leur performance. Méthode : Les analyses portent sur 164 patients présentant un AVC ischémique de moins de 72h, issus de la cohorte Strokdem. Cinq méthodes de segmentation sont évaluées par rapport à une méthode de référence : une méthode manuelle, trois méthodes semi-automatiques (par défaut (A), avec sélection des coupes d’intérêt (B), avec sélection des coupes d’intérêt et correction des lésions (C)) et un algorithme d’IA développé pour l’étude. Leur performance était évaluée par le calcul du coefficient de Spearman, le coefficient de Dice et la distance des barycentres lésionnels. Les paramètres pouvant impacter les performances évaluées sont la maladie des petits vaisseaux, le volume lésionnel et la qualité d’examen. Résultats : Les volumes médians segmentés sont de 1,83 [0,40-9,41] mL par le Gold Standard, 1,80 [0,43-8,16] mL par la méthode manuelle, 2,86 mL [0,50-10,84] par la méthode d’IA, 22,06 [10,06-37,03] mL par la méthode semi-automatique A, 2,55 [0,70-7,73] mL pour la méthode semi-automatique B et 1,49 [0,24-4,83] mL pour la méthode semi-automatique C. Les corrélations des volumes segmentés par rapport au Gold Standard sont élevées pour toutes les méthodes sauf pour la méthode semi-automatique A : méthode manuelle 0,954 (p<0,001) ; IA 0,894 (p<0,001) ; méthode semi-automatique A 0,213 (p=0,007), méthode semi-automatique B 0,853 (p<0,001), méthode semi-automatique C 0,896 (p<0,001). Un impact significatif du volume et de la qualité d’examen a été retrouvé pour la segmentation par l’IA, avec une baisse des performances pour les petits volumes et pour les examens de qualité altérée. Conclusion : Les performances de segmentation observées étaient proches entre la méthode manuelle, l’IA et la méthode semi-automatique C. La méthode manuelle reste globalement supérieure en terme de reproductibilité et de performance pour toute taille de lésion.