Reducing Annotation Burden for Femoral Cartilage Segmentation in Knee MRI via Cross-Sequence Transfer Learning

Résumé technique : Réduction de la charge d'annotation pour la segmentation du cartilage fémoral en IRM du genou par apprentissage par transfert inter-séquences

Énoncé du problème
La segmentation précise du cartilage fémoral en imagerie par résonance magnétique (IRM) du genou est cruciale pour quantifier la progression de l'arthrose. Bien que l'apprentissage profond (DL) ait amélioré l'efficacité de la segmentation, la plupart des modèles existants sont entraînés et évalués sur une seule séquence IRM, principalement la séquence d'état stationnaire à double écho (DESS) issue de l'Osteoarthritis Initiative (OAI). La pratique clinique utilise cependant fréquemment d'autres séquences, telles que la séquence Cube en écho de spin rapide 3D pondérée en densité de protons, qui offrent des contrastes tissulaires et des résolutions spatiales différents. L'application directe de modèles entraînés sur une séquence à une autre entraîne souvent une dégradation des performances. Le réentraînement des modèles à partir de zéro sur les séquences cibles nécessite de grands volumes de données annotées manuellement, un processus laborieux et souvent irréalisable en raison de la rareté des jeux de données cliniques étiquetés. Le défi central abordé consiste à déterminer si l'apprentissage par transfert inter-séquences peut atteindre des performances de segmentation comparables à l'entraînement sur la même séquence tout en réduisant considérablement le nombre d'annotations requises dans le domaine cible.

Méthodologie
L'étude a adopté une conception rétrospective utilisant deux jeux de données : 507 images DESS provenant de l'OAI et 44 images Cube acquises à l'IRCCS Istituto Ortopedico Rizzoli. La cohorte Cube a été appariée à la cohorte OAI sur la base de l'âge, du sexe, de l'indice de masse corporelle (IMC), de la latéralité et du grade Kellgren–Lawrence (KLG), stratifiée en sous-groupes sans lésion et avec lésion.

• Architecture : Une U-Net 2D modifiée a été mise en œuvre. L'architecture comportait un encodeur avec quatre niveaux de résolution (de 64 à 512 canaux) et un goulot d'étranglement (1024 canaux), suivi d'un décodeur avec des connexions de saut. Les modifications comprenaient le remplacement des convolutions valides par des convolutions avec remplissage identique pour préserver les dimensions spatiales, l'ajout de normalisation par lots et l'introduction d'une régularisation par dropout.
• Stratégie d'entraînement :
  1. Optimisation : Les hyperparamètres (fonction de perte, taux d'apprentissage, taille de lot, dropout) et les paramètres d'augmentation de données ont été optimisés à l'aide d'un estimateur de Parzen arborescent (Optuna) sur l'ensemble du jeu de données DESS de l'OAI.
  2. Références intra-séquence : Des modèles ont été entraînés à partir de zéro sur des sous-ensembles d'images DESS et Cube en utilisant une validation croisée au niveau du sujet (70 % pour l'entraînement, 20 % pour la validation, 10 % pour le test) afin d'établir des références de performance.
  3. Apprentissage par transfert inter-séquence : Des modèles préentraînés ont été affinés sur la séquence cible. L'encodeur a été gelé pour préserver les caractéristiques de bas niveau, tandis que le goulot d'étranglement et le décodeur ont été mis à jour. L'affinement a utilisé un taux d'apprentissage réduit ($1 \times 10^{-5}$) et des tailles de lot plus petites.
• Analyse de convergence : Pour déterminer la charge d'annotation minimale, la taille de l'ensemble d'entraînement pour le domaine cible a été augmentée progressivement (de 1 jusqu'au maximum disponible) tout en maintenant les ensembles de validation et de test fixes. La convergence était définie comme une amélioration absolue inférieure à 0,003 du coefficient de similarité de Dice (DSC) sur quatre augmentations consécutives.
• Évaluation : La performance a été mesurée à l'aide du DSC et de la distance moyenne de surface (ASD). La signification statistique concernant les effets des lésions a été évaluée à l'aide de tests U de Mann–Whitney bilatéraux avec correction de Bonferroni.

Contributions et résultats clés
L'étude démontre que l'apprentissage par transfert inter-séquence peut réduire considérablement les exigences d'annotation, bien que la performance dépende fortement de la direction du transfert et des caractéristiques spécifiques de la séquence IRM.

• Performance intra-séquence : L'entraînement sur DESS a produit une précision supérieure (DSC : 0,900) par rapport à Cube (DSC : 0,830), probablement en raison du contraste cartilage-fond supérieur dans les images DESS.
• Directionnalité du transfert :
  • Cube vers DESS : L'apprentissage par transfert de Cube (source) vers DESS (cible) a atteint un DSC de 0,903, égalant la référence intra-séquence DESS (0,900). Ce plateau de performance a été atteint avec seulement 9 sujets d'entraînement du domaine cible.
  • DESS vers Cube : Le transfert de DESS (source) vers Cube (cible) a résulté en un DSC inférieur (0,802) par rapport à la référence intra-séquence Cube (0,830). Cette direction a nécessité 24 sujets du domaine cible pour atteindre un plateau de performance, indiquant que le transfert de connaissances des séquences à fort contraste vers les séquences à faible contraste est moins efficace.
• Impact des lésions : La présence de lésions du cartilage fémoral n'a pas affecté de manière significative la précision de la segmentation en DESS (P ≥ .39). Cependant, les lésions ont réduit de manière significative la précision dans les séquences Cube (DSC 0,805 contre 0,856 dans les cas sans lésion ; P < .001), suggérant que la dégradation des performances liée aux lésions dépend de la séquence.
• Efficacité de l'annotation : L'étude a quantifié que moins de 10 sujets du domaine cible annotés manuellement suffisent pour atteindre une performance comparable à l'entraînement intra-séquence lors du transfert de Cube vers DESS.

Importance et affirmations
Les auteurs affirment que l'apprentissage par transfert inter-séquence est une stratégie viable pour atténuer la charge d'annotation lors du développement de modèles de segmentation du cartilage fémoral à travers différents protocoles IRM institutionnels. Les résultats mettent en évidence que :

1. La direction compte : Le transfert d'une séquence à faible contraste (Cube) vers une séquence à fort contraste (DESS) est plus efficace que l'inverse, probablement parce que les couches de goulot d'étranglement et de décodeur peuvent affiner efficacement les caractéristiques lors de l'affinement sur des données bien contrastées.
2. Dépendance à la séquence : L'impact des lésions du cartilage sur la précision de la segmentation varie selon la séquence, DESS démontrant une robustesse là où Cube éprouve des difficultés.
3. Utilité pratique : En tirant parti de l'apprentissage par transfert, les institutions peuvent développer des modèles de segmentation précis pour leurs protocoles spécifiques en utilisant un nombre minimal de cas étiquetés manuellement (par exemple, <10 sujets), plutôt que de nécessiter un réentraînement à grande échelle.

L'article conclut avec modestie, notant des limitations telles que l'utilisation d'une U-Net 2D avec reconstruction 3D, le focus exclusif sur le cartilage fémoral et la restriction aux scanners 3 T, suggérant que la généralisation aux scanners 1,5 T et aux architectures 3D nécessite de nouvelles investigations.