Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

Titre de l'étude

Détection hybride multidimensionnelle du cancer de la prostate par IRM via une correction de biais basée sur un réseau Hadamard et des réseaux résiduels (HBR-Net-18)

---

1. Problématique

Le cancer de la prostate (PCa) est le cancer le plus fréquent chez les hommes et une cause majeure de mortalité. Bien que l'Imagerie par Résonance Magnétique (IRM) et l'IRM Hybride Multidimensionnelle (HM-MRI) offrent un contraste tissulaire supérieur et des mesures quantitatives, leur utilisation clinique automatisée rencontre plusieurs obstacles :

• Hétérogénéité du champ de biais : Les variations d'intensité à basse fréquence dans les images IRM (biais) peuvent fausser l'analyse.
• Variabilité des signaux : Les différences de signal entre les séquences IRM et les limites floues des lésions rendent la généralisation difficile.
• Limites des approches existantes : Les méthodes radiomiques traditionnelles et les réseaux de neurones convolutifs (CNN) standards souffrent souvent d'une incohérence spatiale et d'une dépendance aux artefacts d'acquisition, limitant leur sensibilité et leur spécificité.

L'objectif est de développer un cadre d'IA robuste capable de corriger ces inhomogénéités avant la classification pour améliorer la détection précise du cancer.

2. Méthodologie

Les auteurs proposent HBR-Net-18, un cadre d'apprentissage profond en deux étapes, conçu pour traiter les cartes de biomarqueurs tissulaires générées par un Autoencodeur Informé par la Physique (PIA).

A. Entrées et Pré-traitement

Le système utilise six cartes de biomarqueurs quantitatifs dérivés de l'HM-MRI via le PIA :

1. Fraction de volume épithélial ($v_{ep}$)
2. Fraction d'eau luminal ($v_{lu}$)
3. Diffusivité épithéliale ($d_{ep}$)
4. Diffusivité stromale ($d_{st}$)
5. Temps de relaxation T2 épithélial ($t_{2ep}$)
6. Temps de relaxation T2 stromal ($t_{2st}$)

B. Étape 1 : Correction de Biais (Hadamard U-Net)

• Objectif : Supprimer les inhomogénéités d'intensité à basse fréquence (champs de biais) tout en préservant les structures spatiales diagnostiques.
• Architecture : Un réseau U-Net probabiliste basé sur la Transformée de Walsh-Hadamard.
• Fonctionnement : La transformée de Hadamard décompose les signaux en une base de fonctions binaires, permettant de concentrer les composantes de basse fréquence du biais dans un petit sous-ensemble de coefficients. Cela permet une suppression efficace du bruit et du biais par des opérations d'addition basées sur les signes, plus rapides et économes en énergie que les multiplications convolutives classiques.
• Entraînement : Le réseau est entraîné pour minimiser l'erreur quadratique moyenne par rapport à des cartes de référence corrigées par l'algorithme N4ITK. Une fois convergé, les paramètres sont figés (frozen) pour garantir une séparation stricte entre la normalisation des données et la décision de classification.

C. Étape 2 : Classification au niveau des Patchs (ResNet-18)

• Extraction de Patchs : Les cartes corrigées sont divisées en patchs chevauchants de 11 × 11.
• Contexte 3D : Pour améliorer la cohérence spatiale, chaque patch cible (slice $N$) est enrichi avec ses slices adjacentes ($N-1$ et $N+1$), formant un tenseur $3 \times 6 \times 11 \times 11$.
• Projection et Classification : Les patchs sont upscalés via une projection convolutive apprenable, puis classifiés par un ResNet-18 pour distinguer les tissus cancéreux des tissus sains.
• Stratégie d'entraînement : Utilisation d'une perte de focalisation (Focal Loss) pour gérer le déséquilibre entre les patchs cancéreux et non cancéreux.

3. Contributions Clés

1. Architecture HBR-Net-18 : Introduction d'un cadre modulaire en deux étapes qui découple la correction de biais de la classification, évitant ainsi que le classifieur n'exploite des artefacts d'intensité spuriés.
2. Intégration de la Transformée de Hadamard : Utilisation innovante de la transformée de Hadamard dans un U-Net pour une correction de biais efficace et computationnellement légère.
3. Approche Hybride Physique-AI : Combinaison de biomarqueurs générés par un modèle physique (PIA) avec des réseaux de neurones profonds pour une interprétation physiologique plus profonde.
4. Contexte Spatiale 3D : Incorporation de l'information inter-slices (voisins immédiats) pour améliorer la détection des limites des lésions et la cohérence spatiale.

4. Résultats Expérimentaux

L'étude a été menée sur un jeu de données de 86 patients (34 sans cancer, 52 avec cancer) scannés sur un IRM Philips 3T. Une validation croisée en 5 plis a été utilisée.

Performance au niveau des Patchs (Tableau I)

Le modèle HBR-Net-18 a surpassé tous les modèles de base :

• Précision (Accuracy) : 93,8 % (contre 80,0 % pour la radiomique et 62,5 % pour ResNet-18 brut).
• Sensibilité : 94,4 %.
• Spécificité : 93,3 %.
• Amélioration : Gain de 17,25 % par rapport à la radiomique et de 50,08 % par rapport à ResNet-18 seul.

Performance au niveau du Patient (Tableau II)

• Précision globale : 83,7 %.
• Spécificité remarquable : 78,5 % (contre seulement 20,0 % pour la radiomique), indiquant une capacité bien supérieure à identifier correctement les patients sains sans faux positifs excessifs.
• Sensibilité : 88,5 %.

Étude d'Ablation (Tableau III)

• La suppression de l'étape de correction de biais (Stage 1) a fait chuter la précision de 93,8 % à 89,1 %, confirmant l'importance cruciale de la normalisation.
• L'utilisation d'un contexte 2D pur (sans slices adjacentes) a réduit la performance à 88,2 %, validant l'apport de l'information 3D.
• La taille de patch de 11 × 11 s'est révélée optimale par rapport aux tailles 9 × 9 ou 15 × 15.

5. Signification et Perspectives

Cette étude démontre que la combinaison de la correction de biais basée sur la transformée de Hadamard et des réseaux résiduels permet d'atteindre une sensibilité et une spécificité équilibrées, surpassant largement les méthodes radiomiques et les CNN standards.

• Impact Clinique : Le système offre un potentiel pour un déploiement clinique visant à réduire les biopsies inutiles et à améliorer la précision du diagnostic du cancer de la prostate.
• Limites et Futur : L'étude est limitée par la taille de l'échantillon (86 patients), ce qui empêche l'utilisation d'architectures plus complexes comme les Transformers. Les auteurs prévoient d'intégrer des tissus bénins mimant le cancer (comme l'hyperplasie bénigne de la prostate - BPH) dans les données d'entraînement pour améliorer la robustesse clinique et la précision de localisation.

En résumé, HBR-Net-18 représente une avancée significative vers une détection automatisée, robuste et physiquement informée du cancer de la prostate.