Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence

Transcription

1 Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence E. NIAF *ab, O. ROUVIERE ac, F. BRATAN c, AL. CHESNAIS c, F. MEGE-LECHEVALLIER c et C. LARTIZIEN b a LabTAU, INSERM U1032, Lyon b CREATIS; UMR CNRS 5220; INSERM U1044-INSA-Lyon; UCBL; Villeurbanne c Hospices Civils de Lyon, Service de Radiologie Urinaire et Vasculaire, Hôpital Edouard Herriot, Lyon Novembre 2011 *emilie.niaf@creatis.insa-lyon.fr

2 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 2

3 Contexte clinique Besoin clinique : détecter et localiser les foyers tumoraux dans la prostate Enjeu majeur : Adénocarcinome prostatique = 1 er cancer de l homme de plus de 50 ans [1] Aucune modalité d imagerie ne donne une information fiable et reproductible sur la position des foyers tumoraux dans la glande et leur agressivité. Méthode de référence : biopsies Progrès de l IRM : Développement de séquences diverses T2, T2-pondéré, T1, DCE, DWI (cartes ADC multi-b, mesures d anisotropie), spectroscopie Sensibilité et/ou spécificité de détection de chaque séquence prise individuellement insuffisante : développement de l imagerie multi-séquence Gros volume de données à analyser et fusionner à l œil => forte inter et intra-variabilité dans l interprétation des images IRM Nécessité de développer des méthodes de fusion de l information multi-séquence pour l aide à la détection des foyers cancéreux Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 3

4 Contexte clinique Exemple de données : Illustration du problème Coupe histologique «gold standard» Patient de 53 ans, IRM 1,5T, hôpital Edouard Herriot T2-W T2-w ADC Faux positif : adénome de la zone périphérique a) Hyposignal T2 significatif? b) DCE DCE Restriction de la diffusion? Lecteur 1 : pas de cible décrite Lecteur 2 : une cible en zone périphérique c) Hyper-vascularité visible en dynamique? Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 4

5 Objectif Construire un système d aide au diagnostic??? ADC b0-b600 vox = 3.34x2.34x3 mm vox =.78x.78x3 mm T2w?? DCE Utilisant toutes les séquences IRM à disposition Par apprentissage (classification supervisée) sur une base de données cliniques annotées Approche CADx (Computer Assisted Diagnosis) Renvoie un degré de suspicion de lésions tumorales sur une région d intérêt (ROI) CADx 2. Le radiologue interroge le système vox =.78x.78x3 mm T2w 3 min vox = 0.47x0.47x3 mm 1. Les ROI suspectes sont coutourées sur les séquences d IRM Le CAD retourne un degré de suspicion de malignité de la ROI Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 5

6 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 6

7 Description générale CLARA-P* comme : CorréLations Anatomo-RAdiologiques En IRM de Prostate IRM, avant ou après biopsie, chez tous les patients avec suspicion clinico-biologique de cancer Sélection des patients prostatectomisés Relecture en aveugle des IRM par deux radiologues Processing strict de la pièce histologique CORRELATION ANATOMO-RADIOLOGIQUE Relecture en consensus des IRM par les radiologues et l anatomopathologiste *CLARA-P: approuvée par le CPP Sud-Est IV, décision N L Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 7

8 Protocole IRM IRM multiparamétrique standardisée Siemens Magnetom Symphony IRM 1,5T 2004A (Siemens, Allemagne) : Antenne pelvienne de surface T2 TSE plans axial, coronal, sagittal TR 7750ms ; TE 109 ms ; FOV mm ; matrice ) DIFFUSION DWI (Diffusion Weighted Imagery) TR 4800 ms ; TE 90 ms ; FOV 300x 300 mm ; matrice 128x88 ; angle de bascule 90 ; b = 0 et 600 s/mm² T1 EG Fat Sat dynamique avant et après injection de gadolinium (bolus de 0.1 mmol/kg à 3cc/s) TR 5,38 ms ; TE 2,73 ms ; angle de bascule 10 ; FOV mm ; matrice 448x512 ; acquisition toutes les 15 s, repétée 12 fois 3 min vox =.78x.78x3 mm T2w (T2 weighted) vox = 0.47x0.47x3 mm DCE (Dynamic Contrast Enhanced) avec injection d agent de contraste vox = 3.34x2.34x3 mm Carte ADC construite à partir des b-values = 0 and 600 sec/mm 2. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 8

9 Protocole IRM Deux points majeurs pour la corrélation anatomo-radiologique : Epaisseur des coupes : 3mm, jointives, pour une comparaison coupe à coupe des différentes séquences entre elles 24 coupes 3mm Positionnement des coupes axiales : Plan perpendiculaire à la surface rectale prostatique (repérage en sagittal), pour la corrélation avec les coupes histologiques Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 9

10 Protocole IRM Annotations a priori en pré-opératoire Lecture en aveugle (sans connaître le statut carcinologique des patients) des images par deux radiologues de façon indépendante Contourage des cibles sous Osirix Attribution d un score de degré de suspicion de malignité : 0 : bénignité certaine 1 : probablement bénin 2 : intermédiaire 3 : probablement malin 4 : malignité certaine Cette analyse a priori permettra de comparer les performances des experts à celles du système CAD proposé. Outil d analyse : le logiciel OSIRIX Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

11 Analyse de la pièce de prostatectomie Préparation de la pièce de prostatectomie Plan de coupe perpendiculaire à la paroi du rectum Correspondance directe avec les images IRM axiales. Obtention de grandes coupes tous les 3 mm grâce à une machine dédiée Epaisseur identique aux coupes IRM coupes de 3mm Analyse stricte de la pièce de Prostatectomie : «vérité terrain» Analyse au microscope de l ensemble de la pièce par un anatomopathologiste senior Marquage de tous les foyers carcinomateux ou zones d intérêt sur chaque coupe dénomination par une lettre (A,B,C ) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

12 Corrélation anatomo-radiologique Annotations a posteriori en post-opératoire : banque de corrélations IRM-Histologie??? 1) Confrontation des résultats b1 B A Ici: 2 VP, 1 FP, 0 FN Détermination du nombre de : Vrais positifs (VP) Faux positifs (FP) Faux négatifs (FN) 2 radiologues + 2 anatomopathologistes + 1 chercheur Toutes les zones suspectes en IRM sont classées en : Vrai positif (VP) : - Corrélation de la position ET de la taille Faux positif (FP) : - Pas de cancer dans la même zone / forte discordance de taille - Recherche d une explication (prostatite, PIN, ) Tous les cancers non vus en IRM sont classés en faux négatifs (FN) et contourés en consensus sur la console Osirix. 2) Contourage en consensus Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

13 Corrélation anatomo-radiologique Les régions d intérêt (ROI) ainsi contourées sur les images IRM peuvent être classifiées en 3 groupes: Tissus Malins {M} Vrais positifs ou Faux négatifs visibles a posteriori Tissus Normaux mais Suspects {NS} Principalement des faux positifs dans le diagnostic a priori des experts Mais aussi des cibles choisies par les radiologues parce qu elles présentent visuellement les caractéristiques du cancer (fort réhaussement en dynamique, hyposignal significatif en T2 ou ADC ) Tissus Normaux {N} ROI choisies aléatoirement sur toute la surface restante de la prostate. L étude se focalise sur la zone périphérique. En effet, il est généralement admis que le développement du cancer de la prostate se fait à partir de la glande périphérique dans près de 70 % des cas. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

14 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

15 Schéma de principe Construction du CAD supervisé Acquisitions des données Correction des artefacts d IRM Normalisation des séquences non quantitatives Recalage des différentes séquences Annotations (ROI) Extraction des caractéristiques descriptives Statistiques Structurelles Fonctionnelles Sélection de caractéristiques discriminantes Approche «Filtre» Test statistique (t-test) Information mutuelle mrmr(d) mrmr(q) Classification SVM LDA NB KNN Optimisation des paramètres H1 H0 H1 Images d apprentissage Caractéristiques V(x,y,z) = [c 1, c 2,...c n ] Caractéristiques V(x,y,z) = [c 1, c 2,...c n ]? Caractéristiques V(x,y,z) = [c 1, c 2,...c n ] Sélection des 0.01 caractéristiques Classifieur discriminantes H1 H1 H0 H H1 Posttraitements Image de test Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

16 Les étapes majeures de construction Extraction de caractéristiques (1/3) Extraction de 140 caractéristiques de différents types décrivant les images IRM Niveaux de gris des images Caractéristiques statistiques Statistiques du 1 er ordre, calculées, pour chaque pixel, sur une fenêtre locale Moyenne locale, médiane, écart type Caractéristiques structurelles Gradients Sobel, Kirsch, évalués selon différentes directions, normes Textures et caractéristiques d Haralick Energie, entropie, contraste, corrélation, dissimilarité, cluster shade Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

17 Les étapes majeures de construction Extraction de caractéristiques (2/3) Caractéristiques fonctionnelles calculées sur la séquence dynamique (DCE) Semi-quantitatives, issue de la courbe de réhaussement - Pentes : wash-in/wash-out - Valeurs de signal remarquables : - Maximum absolu (SIpic), - Valeur à 95% du réhaussement maximal (SImax) - Valeur à 5% (SIonset), - Amplitude (SImax SIonset) - Temps remarquables : - Temps d arrivée au pic (Tpic) - Temps à 95% du réhaussement maximal (Tmax), - Temps à 5% (Tonset), - Aire sous la courbe (AUGC) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

18 Les étapes majeures de construction Extraction de caractéristiques (3/3) Caractéristiques fonctionnelles calculées sur la séquence dynamique (DCE) Quantitatives issues de la modélisation pharmacocinétique de la courbe de réhaussement utilisant une fonction d entrée artérielle (AIF) mesurée et un modèle mono-exponentiel. - K trans (Forward volume transfer constant) - ve (fractional volume of extracellular space per unit volume of tissue) - Kep ( = K trans /ve, rate constant) modélisation Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

19 Les étapes majeures de construction Exemples de caractéristiques a) T2w avec les cancers A et B contourées b) Carte de Wash-In (u.a.) c) Coupe histologique d) Carte des Tmax (u.a.) e) Carte du Ktrans (u.a.) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

20 Les étapes majeures de construction Classification des données (1/2) Séparateurs à Vaste Marge (SVM) On projette, par une fonction dite noyau, les données dans un espace de grande dimension dans lequel elles deviennent peut être séparables. On cherche alors un séparateur maximisant l écart entre les données des classes saines et malines. Projection des données Calcul de la séparatrice optimale Espaces des caractéristiques ( ex. en 2D) Projection des données par une fonction noyau Φ On cherche l hyperplan séparateur maximisant la marge entre les données des deux classes. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

21 Les étapes majeures de construction Classification des données (2/2) Séparateurs à Vaste Marge (SVM) On projette, par une fonction dite noyau, les données dans un espace de grande dimension dans lequel elles deviennent peut être séparables. On cherche alors un séparateur maximisant l écart entre les données des classes saines et malines. K-plus proches voisins (KNN) On place la nouvelle donnée ( ) dans l espace des caractéristiques On détermine, parmi les points de la base d apprentissage, ses K plus proche voisins La classe du point est fonction de celles ses voisins (proportion) Analyse Discriminante Linéaire (LDA) On cherche un hyperplan séparateur des deux classes de données qui s exprime comme une combinaison linéaire des caractéristiques descriptives. Classifieur bayésien Naïf (NBC) Classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Les K-NN: Exemple 2D avec K =3 Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

22 Les étapes majeures de construction Sélection des caractéristiques Tests statistiques : t-test. On sélectionne les caractéristiques selon le niveau de significativité souhaité (p-valeur) Information mutuelle : Sélection des caractéristiques maximisant l information mutuelle avec les variables de classe mrmr (minimum-redundancy maximum-relevancy) : sélection des caractéristiques maximisant l association avec les variables de classe tout en minimisant la redondance d information avec les autres caractéristiques Ces méthodes de sélection par filtres permettent d ordonner les caractéristiques descriptives selon un critère (p-valeur, information mutuelle, mrmr). On choisit, pour chaque classifieur, le seuil à appliquer qui maximise les performances de tous les classifieurs (en moyenne) Exemple : Performances du classifieur en fonction du seuil appliqué sur la p-valeur en sortie du t-test. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

23 Mesures de performances Evaluation des performances de discrimination des tissus Comparaison des classifieurs ET des méthodes de sélection de caractéristiques Identifier le classifieur le plus performant Identifier les caractéristiques image les plus discriminantes Validation croisée : Leave-One-Patient-Out (LOPO) : On itère N fois - On exclut les données du patient X de la base d apprentissage - On réalise l apprentissage sur la base de données de N-1 patients - On teste le modèle de classification ainsi conçu sur le patient X Performances mesurées en terme d aire (AUC) sous la courbe ROC (Receiver Operating Characteristic)* Exemple de courbes ROC Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

24 Mesures de performances 2 Problèmes de discrimination considérés Problème 1: Discriminer les tissus normaux (sains {N} + suspects {NS} ) des tissus malins {M} Problème 2: Discriminer les tissus suspects {NS} des tissus malins {M} Les tissus qualifiés de «suspects» sont majoritairement des faux positifs sélectionnés par les deux radiologues lors du contourage a priori. Il peut également s agir de zones saines qui présentent visuellement les caractéristiques du cancer (fort réhaussement en dynamique, hyposignal significatif en T2 ou ADC ) et qui ont été contourées a posteriori par les radiologues pour tester / piéger le système CAD. Comparaison directe du système avec les performances humaines Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

25 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

26 Courbes ROC, sensibilités, spécificités Données globales Population étudiée : 30 patients, inclus entre septembre 2008 et mai 2010 Âge moyen: 60,6 and (45-70 ans) Contourage en consensus de : 40 cibles de tissus Malins {M} 50 cibles de tissus Normaux mais Suspects {NS} 122 cibles de tissus Normaux {N} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

27 Se Se Introduction Matériel: Base CLARA-P Méthode: construction du CAD Résultats: Evaluation du CAD Cas cliniques Conclusion Courbes ROC, sensibilités, spécificités Comparaison des performances (1/2) Sélection par t-test Sélection par Information mutuelle a) b) 1 - Spe 1 - Spe Classifieurs SVM LDA KNN NBC #caractéristiques AUC Classifieurs SVM LDA KNN NBC #caractéristiques AUC Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection a) par t-test et b) par information mutuelle. Les performances de discrimination sont mesurées sur le Problème 1: {M} versus {N, NS} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

28 Courbes ROC, sensibilités, spécificités Comparaison des performances (2/2) Sélection par mrmr(d) Sélection par mrmr(q) a) b) Classifieurs SVM LDA KNN NBC #caractéristiques AUC Classifieurs SVM LDA KNN NBC #caractéristiques AUC Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection a) par t-test et b) par information mutuelle. Les performances de discrimination sont mesurées sur le Problème 1: {M} versus {N, NS} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

29 Courbes ROC, sensibilités, spécificités On observe que les caractéristiques sélectionnées en utilisant les p-valeurs du t-test comme critère de discrimination permettent d obtenir de meilleures performances (mesurées en terme d AUC) que celles sélectionnées par les autres méthodes. De même, on observe que le classifieur SVM obtient de meilleurs résultats que les autres classifieurs. Néanmoins, quel que soit le test considéré, la différence de performance en termes d AUC entre les classifieurs SVM, LDA et NBC n a pas pu être montrée statistiquement significative*. En revanche, les performances du KNN sont, elles, statistiquement significativement inférieures à celles des autres classifieurs (p<0.05) Les caractéristiques sélectionnées simultanément par la majorité des algorithmes de sélection sont issues des trois modalités validant l approche multi-séquences et concernent les trois types de caractéristiques (structurelle, statistique et fonctionnels) *La significativité statistique a été testé en utilisant le logiciel ROCKIT (Kurt Rossman Laboratories for Radiologic Image Research, Chicago) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

30 Se Introduction Matériel: Base CLARA-P Méthode: construction du CAD Résultats: Evaluation du CAD Cas cliniques Conclusion Courbes ROC, sensibilités, spécificités Performances experts Courbes ROC experts Construites à partir des scores attribués à chaque ROI contourée indépendamment par les radiologues dans l étude a priori des images IRM 1- Spe Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

31 Courbes ROC, sensibilités, spécificités Comparaison aux performances experts On compare les performances du CAD à celles de nos deux radiologues experts en terme de spécificité et sensibilité. On se place dans le contexte du problème 2: discrimination tissus malins {M} versus nonmalins mais suspects {NS} CAD Expert 1 Expert 2 Sensibilité 0.8 0,7 0,8 Spécificité 0.6 0,6 0,6 A spécificités égales, la sensibilité du CAD est supérieure à celle de l expert 1 et équivalente à celle de l expert 2. (0.4, 0.8) seuil=0.8 Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection par t-test. Les performances de discrimination sont mesurés sur le Problème 2: {M} versus {NS} Ainsi, dans cette population, c est le seuil de 0.8 qui est retenu. Le CAD classifie les données de la façon suivante : score > 0.8 cancer, score < 0.8 bénin Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

32 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

33 Quiz de cas typiques et pièges en IRM Exemple n 1 1.Quelle(s) anomalie(s) remarquez-vous? 2.Quel score de malignité lui donneriez-vous? Faux positifs [cible 1: foyer d inflammation, cible 2: zone fibreuse] Cible 1 Lecteur 1 : score 2/4 Lecteur 2: score 2/4 CAD : score 0.5/1 (seuil 0.8) Cible 2 Lecteur 1: score 0/4 Lecteur 2: score 0/4 CAD: score 0.4/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

34 Quiz de cas typiques et pièges en IRM Exemple n vrai positif [cible 3: gleason 7 (3+4)] 2 Faux positifs [cibles 1 et 2: foyers d inflammation] 2 Cible 1 Lecteur 1 : score 2/4 Lecteur 2: score 2/4 CAD : score 0.5/1 (seuil 0.8) Cible 2 Lecteur 1: score 0/4 Lecteur 2: score 0/4 CAD: score 0.4/1 (seuil 0.8) Cible 3 Lecteur 1: score 4/4 Lecteur 2: score 4/4 CAD: score 0.93/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

35 Quiz de cas typiques et pièges en IRM Exemple n faux positif [foyer adénomyomateux] Cible 1 Lecteur 1 : score 1/4 Lecteur 2: score 0/4 CAD : score 0/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

36 Quiz de cas typiques et pièges en IRM Exemple n vrai positif [Gleason 8] Cible 1 Lecteur 1 : score 3/4 Lecteur 2: score 3/4 CAD : score 0.98/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

37 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

38 Conclusion et perspectives Points forts La base de données : La construction du système CAD repose sur une base de données entièrement annotée grâce à la vérité histologique. Elle utilise les données de 30 patients La méthode : Le CAD exploite conjointement les données de 3 séquences IRM différentes On extrait un nombre important de caractéristiques descriptives des images (statistiques, structurelles, fonctionnelles) L étude propose de tester et comparer 4 méthodes de sélection de caractéristiques associées à 4 méthodes de classification de données fonctionnant par apprentissage. sans précédent à notre connaissance Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

39 Conclusion et perspectives Points forts Résultats: Les performances de notre système CAD sont favorablement comparables aux résultats de la littérature. La valeur AUC = 0.90 (approche combinée t-test / SVM) est positivement comparable à Artan [1] (AUC = 0.79), Viswanath [2] (AUC = 0.82), Ozer [3] (AUC = 0.82); en revanche, les résultats de Vos [4,5] (AUC = 0.92) surpassent notre système. Résultats équivalents voire meilleurs que ceux obtenus par inspection visuelle humaine Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

40 Conclusion et Perspectives Perspectives Amélioration des performances Augmentation de la base de données Evaluation d autres méthodes de sélection de caractéristiques (approches wrapper ) Extraction d autres types de caractéristiques (ondelettes, Gabor ). Combinaison des sorties des classifieurs (vote à la majorité,fusion de Dempster- Shafer) Evaluation clinique Approche cartographie Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

41 N hésitez pas à nous contacter par mail pour plus de détails

42 Bibliographie 1. Haas, G., Delongchamps, N., Brawley, O., Wang, C., de la Roza, G. "The worldwide Epidemiology of prostate cancer: perspectives from autopsy studies". Can. J. Urol., Vol. 15, 1, pp (2008). 2. Artan, Y., Haider, M., Langer, D., van der Kwast, T., Evans, A., Yang, Y., Wernick, M., Trachtenberg, J., Yetik, I. "Prostate cancer localization with multispectral MRI using Cost- Senstive Support Vector Machines and Conditional Random Fields". IEEE Trans. Image processing, Vol. 19, 9 (2010). 3. Viswanath, S., Bloch, B., Rosen, M., Chappelow, J., Toth, R., Rofsky, N., Lenkinski, R., Genega, E., Kalyanpur, A., Madabushi, A. "Integrating structural and functional imaging for computer assisted detection of prostate cancer on multi-protocol In vivo 3 Tesla MRI". Proc. of SPIE Medical Imaging, Vol (2009). 4. Ozer, S., Langer, D., Liu, X., Haider, M., van der Kwast, T., Evans, A., Yang, Y., Wernick, M., Yetik, I. "Supervised and unsupervised methods for prostate cancer segmentation with multispectral MRI". Med. Phys., Vol. 37, 4, pp (2010). 5. Vos, P., Hambrock, T., Hulsbergen, C., Fütterer, J., Barentsz, J., Huisman, H. "Computerized analysis of prostate lesions in the peripheral zone using dynamic contrast enhanced MRI". Med Phys., Vol. 35, 3, pp (2008). 6. Vos, P., Hambrock, T., Hulsbergen, C., Fütterer, J., Barentsz, J., Huisman, H. "Computerized analysis of prostate lesions in the peripheral zone using dynamic contrast enhanced MRI". Med Phys., Vol. 35, 3, pp (2008). Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

43 Résumé Objectif : Construire un système d aide au diagnostic du cancer de la prostate par IRM multiséquences utilisant une approche par classification supervisée. Matériel : Données cliniques de 30 patients : images IRM (T2-w, DCE, ADC) et coupes histologiques obtenues après prostatectomie radicale Les images IRM sont entièrement annotées en consensus par 2 radiologues et 2 anatomopathologistes. On distinguera 3 types de ROI : tissus malins, tissus sains mais suspects, tissus bénins Méthode : On extrait plus de 140 caractéristiques descriptives des images IRM (statistiques, structurelles, fonctionnelles) On teste et compare les performances, sur la base de données annotées, de 4 méthodes de sélection des caractéristiques discriminantes combinées à 4 méthodes de classification. Résultats : Le classifieur SVM combiné à la méthode de sélection des caractéristiques par test statistique permet d atteindre des performances, en termes d aire sous la courbe ROC, de Les résultats sont montrés favorablement comparables aux performances humaines et à la littérature. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

44 QCM A) Les performances de discrimination sont meilleures si l aire mesurée sous la courbe ROC est : 1- Proche de 1 2- Proche de Proche de 0 B) Sur la DCE, le cancer de prostate aura, théoriquement, un réhaussement en produit de contraste : 1- Plus tardif qu un tissu sain 2- Plus précoce qu un tissu sain 3- Plus important qu un tissu sain C) Le siège de prédilection du développement d un cancer de la prostate est: 1- La zone périphérique 2- La zone centrale 3- La zone fibro-musculaire 4- La zone de transition 5- La zone péri-urétrale Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/

45 QCM - réponses A 1 : Les performances de discrimination sont meilleures si l aire mesurée sous la courbe ROC est proche de 1 B 2 et 3 : Théoriquement, un tissu malin aura un réhaussement plus précoce et plus important qu un tissu bénin. C 1: Le siège de prédilection du développement d un cancer de la prostate est La zone périphérique Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/