Développement d'un outil de segmentation de la moelle épinière adapté à une population pédiatrique

Contexte : La moelle épinière joue un rôle essentiel dans la motricité et la sensibilité du corps humain. Les fonctions de cet organe peuvent cependant être plus ou moins perturbées suite à des lésions provenant de di˙érentes sources. Une section suite à un accident, une compression suite à un cancer, une démyélination à cause d'une sclérose en plaques,... Une variété de lésions possibles provenant de di˙érentes sources. Afin d'assurer un suivi adéquate de ces di˙érentes pathologies l'extraction de métriques, comme la mesure du rayon de la moelle ou de l'aire de section, peut être essentiel. Il est alors nécessaire de faire une segmentation de la moelle épinière de la manière la plus précise et robuste possible. Or, ce procédé peut être long et soumis à des biais venant des observateurs. Le développement d'outils de segmentation automatique de la moelle épinière s'avère alors judicieux. Des méthodes de segmentation automatiques ont émergées ces dix dernières années. Cepen-dant, à notre connaissance aucune n'a été spécifiquement développée pour la population pédiatrique. La moelle épinière des enfants est plus petite que celle des adultes et les organes environnants également. Il peut alors être diÿcile d'appliquer des méthodes développées spé-cifiquement pour des adultes sur des images d'imagerie par résonance magnétique (IRM) d'enfants. De plus, dans le cas de patients atteints de lésions, un grand nombre de méthodes ont été spécifiquement développées pour une seule pathologie et sont diÿcilement générali-sables à un plus grand ensemble. Objectif : Développer un outil de segmentation automatique de la moelle épinière adapté à une population pédiatrique et aux patients atteints de lésion. Méthode : Le projet se compose de deux étapes principales. La première est une segmen-tation de la moelle épinière par petites sections en appliquant PropSeg avec di˙érents para-mètres d'initialisation. Ces segmentations sont ensuite fusionnées et utilisées dans un réseau de neurones convolutif (CNN). Cette méthode est évaluée sur trois di˙érents jeux de don-nées contenant tous des images IRM pondérées en T2 : la moelle épinière entière de patients pédiatriques en santé (10), la moelle épinière entière de patients pédiatriques atteints de lé-sions (4), et la moelle épinière au niveau cervical d'adultes dont les images sont de mauvaise qualité ou contiennent des artefacts (10). Les résultats sont comparés à PropSeg appliqué sur la moelle entière et au même CNN sans l'incorporation des segmentations locales. Résultats : Notre approche a fourni de meilleurs résultats que le CNN seul sur les différents jeux de données avec un Dice moyen de 0.88 versus 0.79. Les résultats ont également été meilleurs que PropSeg sur les jeux de données contenant les patients atteints de lésions ou d'images de mauvaise qualité. Cependant PropSeg a montré de meilleures performances sur la population pédiatrique en santé avec un Dice moyen de 0.90 versus 0.88. Conclusion : Durant ce projet nous avons développé une méthode capable de segmenter automatiquement la moelle épinière d'enfants et personnes atteintes de lésions. Nous avons également découvert que pour une population pédiatrique en santé l'utilisation de PropSeg est suÿsante. Notre étude ayant été e˙ectuée sur des enfants d'au moins 6 ans il serait judicieux par la suite de s'intéresser à une population encore plus jeune.