Conversion d'images échographiques en imagerie au format CT à l'aide d'un apprentissage basé sur l'intelligence artificielle

Contexte et justification de l'expérience médicale :

L'imagerie par ultrasons est une méthode d'imagerie qui utilise des ondes sonores pour caractériser la structure et la fonction de divers organes dans des conditions de santé et de maladie. Cette technique est largement utilisée dans la vie clinique quotidienne et présente de nombreux avantages. L'examen n'implique pas l'utilisation de rayonnements ionisants, son utilisation est donc plus sûre que d'autres techniques telles que les rayons X ou les tomodensitogrammes (tomographie par ordinateur). Les images acquises et visualisées sur l'appareil à ultrasons sont en temps réel, de sorte que les changements peuvent être identifiés, ce qui, dans de nombreux cas, affecte le diagnostic final. Le test est non invasif et ne nécessite pas non plus l'utilisation d'un agent de contraste contenant des substances susceptibles de provoquer une réaction allergique ou d'altérer la fonction rénale. De plus, l'équipement est largement disponible et peut également être utilisé au chevet du patient. Outre les avantages mentionnés, le test par ultrasons présente également des inconvénients notables. Les ondes ultrasonores ne pénètrent pas bien à travers les os ou l'air, ce qui nuit à la qualité du test. De plus, la méthode dépend fortement de la compétence de l'opérateur, une expérience conséquente est donc nécessaire pour produire des informations de qualité suffisante et établir un diagnostic précis. La qualité du test dépend également de la coopération du sujet pendant le test, comme les changements de posture et la respiration profonde.

Par rapport à l'examen échographique, le scanner permet une vision anatomique plus large et n'est pas limité par des facteurs physiologiques tels que les os et l'air. Parmi les défauts les plus notables de la tomodensitométrie figure le fait que le test nécessite des rayonnements ionisants qui entraînent inévitablement un danger direct et indirect pour la santé du patient. De plus, le test nécessite plus de ressources financières et en termes de main-d'œuvre, ce qui est une limite à son utilisation en dehors de l'hôpital ou dans les pays à statut socio-économique défavorisé.

Dans cette étude, les chercheurs visent à combler le fossé entre ces deux types de techniques et à créer un système uniforme qui tire parti des deux. Cela se fait en créant des images CT à partir d'images échographiques. Ce processus impliquera l'utilisation de méthodes d'intelligence artificielle, à savoir des algorithmes d'apprentissage automatique.

Le machine learning en général, et le deep learning en particulier, ont pris de l'ampleur ces dernières années dans le domaine de la vision par ordinateur et plus récemment également dans le domaine de l'imagerie médicale. De plus, on peut déjà voir des succès significatifs dans la classification des maladies rétiniennes, dans lesquelles le capteur est une caméra de fond d'œil ou la tomographie en cohérence optique (OCT), dans la classification des classifications En imagerie IRM du sein 3, et plus récemment, en la classification de la gravité de la maladie causée par le virus Corona, à l'aide de radiographies pulmonaires et d'échographies.

L'apprentissage automatique comprend deux phases. Dans la première phase, l'algorithme s'entraîne sur des données étiquetées, en utilisant des architectures et des fonctions cibles, qui permettent d'atteindre une grande précision. Dans un deuxième temps, les enquêteurs testeront l'algorithme pour des données qui n'ont pas encore été observées. Il convient de noter qu'une grande quantité de données étiquetées peut être très utile pour développer l'algorithme, mais en même temps, il peut être difficile de produire des données étiquetées et cela peut être un processus long et coûteux. Par conséquent, les enquêteurs utiliseront des approches non supervisées ou semi-supervisées.

Objectifs de la recherche médicale : Fournir des informations échographiques et radiographiques à un système d'intelligence artificielle dans le but de créer des images CT à partir d'images échographiques, afin de permettre une meilleure orientation spatiale ainsi qu'une meilleure caractérisation des structures anatomiques numérisées.

Type d'étude : Une étude prospective ouverte dans laquelle le médecin et le patient sont conscients de la manière et des objectifs de l'examen.

Procédure expérimentale : les participants qui répondent aux critères de l'étude subiront une échographie complète des organes abdominaux à l'aide d'un appareil à ultrasons clinique à l'Institut d'imagerie du centre médical Haemek. La durée estimée de l'examen est de 20 minutes. Les images échographiques seront couplées visuellement aux images CT précédentes du même patient au moment de l'examen, à l'aide d'un système Fusion situé dans l'appareil à ultrasons mentionné ci-dessus.

Notez que si le participant est venu pour une échographie clinique qui devait avoir lieu de toute façon, il passera l'examen clinique comme d'habitude, puis passera séparément l'examen décrit ci-dessus dans le cadre de l'étude.

Les images couplées CT et échographie seront encodées et envoyées au laboratoire SAMPL de l'institut Weizmann, où les images serviront de plateforme d'apprentissage pour le système d'intelligence artificielle. Les images ne seront transférées qu'après que les données personnelles du sujet auront été encodées dans un fichier EXCEL et enregistrées par le chercheur principal. Seuls le chercheur principal et les chercheurs secondaires seront exposés à des informations de pré-encodage, qui seront stockées sur un ordinateur dédié au chercheur principal, protégé par un mot de passe.

Les informations codées collectées seront transmises en continu au cours de la recherche à l'Institut Weizmann, afin d'assurer une bonne acquisition des informations et la possibilité d'un retour en temps réel au chercheur principal favorisant l'acquisition d'informations de meilleure qualité permettant l'analyse des données.

Dans toute demande future du laboratoire SAMPL pour plus de détails sur les participants, il devra contacter avec le numéro de série lorsque la clé de codage sera exclusivement sur le site clinique (Hôpital Haemek). Le laboratoire SAMPL de l'Institut Weizmann ne sera exposé en aucune manière et à aucun stade de l'expérience à des informations identifiant les participants.

Suivi des participants et rapport des constatations médicales

Si des découvertes médicales inattendues importantes pour la santé du patient sont découvertes au cours de l'étude, il est de la responsabilité de l'investigateur principal de les transférer au médecin traitant sans délai pour un suivi et un traitement supplémentaires si nécessaire par des soins médicaux standard. Les participants ne seront pas suivis après l'analyse expérimentale dans le cadre de l'essai clinique.