CT-to-MRI Synthesis with Dual CycleGAN: Advancing Radiotherapy Planning in Brain Glioblastoma Multiform

Imaginez que vous êtes un détective essayant de résoudre un mystère à l'intérieur d'une tête humaine. Pour ce faire, vous disposez de deux lampes de poche spéciales. La première, appelée scanner CT, est comme une lampe de poche super rapide, bon marché et facile à trouver qui montre très clairement les os durs du crâne. Cependant, elle est un peu floue lorsqu'il s'agit des éléments mous et spongieux à l'intérieur, comme le tissu cérébral ou les tumeurs. La seconde, l'IRM, est comme une caméra haute définition au ralenti qui peut voir chaque minuscule détail des tissus mous, mais elle est coûteuse, prend beaucoup de temps, et certaines personnes ne peuvent pas l'utiliser en raison d'implants métalliques ou de la peur des espaces restreints.

Pendant longtemps, les médecins ont dû choisir entre la lumière rapide et floue ou la lumière lente et détaillée. Mais et si vous pouviez utiliser la lumière rapide pour créer une image qui ressemble à celle de la lumière lente et détaillée ? C'est la grande question que cet article explore. Il utilise un type d'intelligence artificielle appelé « CycleGAN ». Considérez cette IA comme un artiste très talentueux qui a étudié des milliers d'images des deux lampes de poche. L'artiste apprend comment prendre une image de la lumière rapide et la repeindre par-dessus, en ajoutant tous les détails manquants des tissus mous pour qu'elle ressemble davantage à une IRM de haute qualité, sans même avoir besoin de prendre la photo lente au préalable. C'est passionnant car cela pourrait aider les médecins à planifier les traitements contre le cancer pour les patients qui ne peuvent pas passer d'IRM, ou dans les endroits où les machines d'IRM sont rares.

Les chercheurs de cet article, dirigés par Mohamed O. F. Elzoghby et son équipe, ont décidé de tester cette idée sur des patients souffrant d'une tumeur cérébrale très agressive appelée Glioblastome Multiforme (GBM). Ils voulaient voir si leur artiste IA pouvait transformer des scanners CT en IRM pondérées en T1 synthétiques qui soient suffisamment bonnes pour aider à planifier la radiothérapie. Ils ont rassemblé des données provenant de 40 patients, en utilisant un mélange de scans appariés (où un patient avait à la fois un CT et une IRM) et de scans non appariés (où les scans n'étaient pas parfaitement synchronisés dans le temps). Ils ont construit un système « Dual CycleGAN », qui est comme une rue à double sens pour l'IA. Une partie de l'IA essaie de transformer le CT en IRM, et une autre partie essaie de transformer cette fausse IRM en un CT. En forçant l'IA à s'assurer qu'elle peut faire l'aller-retour sans perdre la forme du cerveau, ils espéraient maintenir l'exactitude de l'anatomie.

Lorsqu'ils ont testé leur création, les résultats étaient un mélange de « pas mal » et de « nécessite des améliorations ». L'IA a réussi à créer des IRM synthétiques qui paraissent assez réalistes à l'œil nu. Elle a recréé avec succès les repères majeurs comme les ventricules (espaces remplis de liquide dans le cerveau) et les replis de la surface du cerveau. En fait, les images synthétiques présentaient un bien meilleur contraste des tissus mous que les scanners CT originaux, ce qui facilite la distinction entre la matière grise et la matière blanche. L'équipe a mesuré cela avec plusieurs outils mathématiques. Ils ont trouvé une erreur quadratique moyenne (MSE) moyenne de 0,133 ± 0,017, un rapport signal sur bruit de crête (PSNR) de 15,3 ± 0,8 dB, et un indice de similitude structurelle (SSIM) de 0,60 ± 0,03. Ils ont également calculé une distance de Fréchet Inception (FID) de 154,4 ± 6,2, qui mesure à quel point les fausses images diffèrent des réelles, et une précision binaire de 92,4 ± 0,6 %.

Cependant, l'article prend grand soin de ne pas présenter cela comme une solution parfaite. Bien que l'IA ait bien saisi l'image globale, elle a eu des difficultés avec les détails minuscules. Les auteurs ont noté que les bords des tumeurs étaient moins précis et que les détails structurels fins étaient moins nets par rapport à une véritable IRM. Ils déclarent explicitement que ce modèle ne remplace pas encore une IRM clinique réelle. Il ne peut pas être utilisé pour prendre des décisions de traitement finales de manière autonome car il pourrait manquer les limites précises nécessaires pour la radiothérapie. L'article s'oppose à l'idée que l'IA actuelle puisse pleinement résoudre le problème des IRM manquantes ; au lieu de cela, ils suggèrent qu'il s'agit d'un outil de « preuve de concept ». Il montre qu'il est possible de générer ces images, offrant un plan de secours potentiel dans les contextes à ressources limitées, mais cela nécessite beaucoup plus de raffinements avant de pouvoir être dignement utilisé dans un hôpital.

Enfin, l'équipe conclut que leur cadre Dual CycleGAN est une étape prometteuse. Elle démontre que nous pouvons utiliser les scanners CT, faciles à obtenir, pour générer des images qui ressemblent à des IRM, améliorant ainsi la visibilité des tissus mous. Mais, comme le précisent les auteurs, ce n'est que la fondation. Pour en faire un véritable outil de sauvetage, ils doivent le tester sur plus de patients, utiliser de meilleurs modèles 3D et prouver qu'il aide réellement les médecins à planifier les doses de radiation avec plus de précision. Pour l'instant, c'est un aperçu fascinant d'un futur où l'IA pourrait aider à combler le fossé entre ce que nous pouvons facilement voir et ce que nous avons désespérément besoin de savoir.