AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
Cette étude démontre que le redimensionnement et le recadrage des IRM de nourrissons pour correspondre aux dimensions du cerveau adulte améliorent considérablement les performances de l'outil d'apprentissage profond SynthSeg, augmentant les taux de segmentation réussie dans les cohortes de développement de 36 % à 91 %.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez d'apprendre à un robot à reconnaître différents types de fruits. Vous lui montrez des milliers d'images de pastèques et de pommes géantes et mûres, lui apprenant exactement à quoi ressemble un « fruit ». Mais ensuite, vous donnez au robot un minuscule raisin vert et lui demandez : « Est-ce un fruit ? » Le robot pourrait être confus. Ce n'est pas parce que le raisin n'est pas un fruit, mais parce que le robot a seulement été entraîné sur des fruits de grande taille et à l'âge adulte. Il ne sait pas comment gérer quelque chose d'aussi petit ou comment les couleurs pourraient être différentes lorsqu'un fruit est jeune. C'est exactement le genre de casse-tête auquel les scientifiques sont confrontés lorsqu'ils essaient d'utiliser l'intelligence artificielle (IA) pour étudier le cerveau humain.
Dans le monde des neurosciences, les chercheurs utilisent des scanners IRM — comme si l'on prenait une photo 3D super détaillée de l'intérieur de votre tête — pour voir comment le cerveau se développe et change. Pendant longtemps, les outils d'IA ont été excellents pour analyser ces photos chez les adultes. Mais quand les scientifiques ont essayé d'utiliser ces mêmes outils sur des bébés et des enfants, l'IA s'est souvent trompée. Pourquoi ? Parce que le cerveau d'un bébé est minuscule par rapport à celui d'un adulte, et sa façon de paraître sur un scanner est totalement différente. C'est comme essayer de faire entrer la main d'un bambin dans un gant d'adulte géant ; la forme est simplement décalée. Cela importe car si nous ne pouvons pas mesurer avec précision le cerveau d'un enfant, nous ne pouvons pas repérer les signes précoces de troubles du développement ou comprendre comment le cerveau se développe en premier lieu. La grande question était : Pouvons-nous réparer l'IA pour qu'elle fonctionne pour tout le monde, des nouveau-nés aux adultes, sans avoir à construire un tout nouveau robot pour chaque âge ?
Cet article traite d'une équipe de chercheurs qui a décidé de résoudre ce problème de « gant » pour les scanners cérébraux. Ils ont testé un outil d'IA populaire appelé SynthSeg, qui est comme un chirurgien numérique super intelligent capable de dessiner automatiquement des contours autour des différentes parties du cerveau. Ils ont découvert que lorsqu'ils nourrissaient l'outil avec des scanners de bébés, l'outil échouait lamentablement. Sur 100 scanners de bébés, seuls environ 36 passaient le contrôle de qualité, ce qui signifie que l'IA ne pouvait pas cartographier le cerveau de manière fiable. Les chercheurs ont réalisé que l'IA était confuse parce qu'elle n'avait « vu » que des cerveaux de taille adulte pendant son entraînement. Les cerveaux de bébés étaient juste trop petits et les scanners comportaient trop d'espace vide autour d'eux (comme le cou et les épaules) pour que l'IA puisse donner un sens.
Ainsi, l'équipe a trouvé un tour de passe-passe ingénieux en deux étapes pour aider l'IA à comprendre les bébés. Premièrement, ils ont numériquement « étiré » les scanners de cerveaux de bébés pour qu'ils aient la même taille qu'un cerveau d'adulte. C'est comme zoomer sur une petite photo jusqu'à ce qu'elle remplisse tout l'écran. Deuxièmement, ils ont « recadré » l'image, coupant tout le décor supplémentaire comme le cou et les épaules, afin que l'IA ne voie que le cerveau, tout comme elle le fait avec les scanners d'adultes. Ils ont appelé cette nouvelle méthode « redimensionnement + recadrage » (rescale + crop).
Les résultats ont changé la donne. Lorsqu'ils ont appliqué ce nouveau tour de passe-passe, le taux de réussite pour les scanners de bébés est passé de 36 % à 91 %. Soudain, l'IA pouvait voir le cerveau du bébé clairement, et les scores de qualité ont augmenté, correspondant à la précision réelle des cartes. Les chercheurs ont testé cela sur une collection massive de 26 000 scanners, des bébés aux adultes, et ont constaté que cet ajustement simple permettait à l'IA de fonctionner de manière fluide sur l'ensemble du cycle de vie. Ils n'ont pas eu besoin de réentraîner l'IA à partir de zéro ou de construire un nouveau modèle ; ils ont simplement dû lui apprendre à regarder les scanners de bébés d'une manière qui corresponde à ce qu'elle savait déjà.
L'article écarte également certaines possibilités. Il montre que le problème n'était pas seulement le « contraste » ou les couleurs dans les scanners de bébés (qui changent à mesure que le cerveau mûrit), mais spécifiquement la taille et le champ de vision. Ils ont découvert que le simple fait d'étirer l'image ne suffisait pas ; il fallait aussi recadrer l'arrière-plan, sinon l'IA serait toujours confuse par l'espace supplémentaire. Bien que cette solution fonctionne à merveille pour l'instant, les auteurs précisent avec prudence que les cerveaux de bébés ne sont pas simplement des « cerveaux d'adultes en miniature » — ils possèdent des formes et des textures uniques que cette méthode ne capture pas entièrement. Cependant, cette correction permet aux scientifiques d'utiliser un outil unique et fiable pour suivre le développement cérébral de la naissance à l'âge adulte, ouvrant la voie à une meilleure compréhension de la croissance de nos cerveaux et de ce qui se passe lorsque cette croissance dévie de sa trajectoire.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.