Pipeline entièrement automatisé pour la détection et la segmentation du cancer du poumon non à petites cellules (NSCLC) sur les images CT

Dans cette étude, nous visons à développer et à tester un logiciel automatisé de détection et de segmentation par apprentissage en profondeur pour le cancer du poumon non à petites cellules (NSCLC) qui peut automatiquement détecter et segmenter les tumeurs sur les tomodensitogrammes et ainsi réduire la variation humaine. Nous évaluerons le niveau d'accord entre un groupe de radiologues, effectuant une segmentation tumorale manuelle ou semi-automatique. Pour ce faire, nous fournirons aux radiologues deux séries de tomodensitogrammes. Le premier ensemble sera segmenté manuellement ; le second sera segmenté à l'aide du logiciel automatisé.

Par la suite, nous utiliserons la variance inter- et intra-observateur de l'étude clinique dans une étude de simulation ou de modélisation. Nous comparons également le temps nécessaire et la cohérence des segmentations par le logiciel aux performances des médecins.

Étude de fiabilité et d'accord :

Les tumeurs primaires de 25 patients atteints d'un cancer du poumon seront délimitées par 6 experts en segmentation.

1. Évaluer la concordance entre la segmentation automatique et la segmentation des radiologues Les tumeurs primitives de 25 patients seront segmentées manuellement par les radiologues et automatiquement par l'outil. Le temps nécessaire pour effectuer cette tâche et la reproductibilité de la segmentation seront enregistrés. Le degré de chevauchement entre les OR et le contour automatique sera évalué deux à deux à l'aide du coefficient de Dice.
2. Délimitation des tumeurs par les experts, assistés par l'outil logiciel Pour 25 autres patients, les experts bénéficieront d'une délimitation automatique, réalisée par l'outil. Ils ont la possibilité de l'ajuster et de le valider. Le temps nécessaire sera enregistré. La différence entre la fraction de chevauchement moyenne dans la première situation (délimitation manuelle des experts) et la seconde situation (délimitation des experts + outil logiciel) sera évaluée à l'aide d'un coefficient de Dice multi-observateur.
3. Évaluation de la variance intra-observateur Les experts répéteront la segmentation des tumeurs pulmonaires après 2 semaines. Ils répéteront la segmentation manuelle (n=25) et la segmentation semi-automatique (n=25). Cela permettra d'évaluer la variance intra-observateur dans les deux situations.
4. Évaluation qualitative des préférences des experts à l'aide d'une boîte à outils de visualisation développée en interne.