Dr. Félix Quinton
Introduction
1. Le cancer dans le monde
Le cancer reste aujourd’hui l’une des principales causes de mortalité dans le monde. Le cancer du foie, en est un exemple emblématique, avec une incidence en constante augmentation et des enjeux thérapeutiques majeurs avec 800 000 décès par an lui étant attribué dans le monde [1]. La prise en charge de ces pathologies repose largement sur l’imagerie médicale, qui permet de détecter les tumeurs, d’en suivre l’évolution et de planifier les traitements. Avec le développement du suivi des patients et la multiplication des contrôles, le recours à l’imagerie s’est intensifié, générant un volume de données de plus en plus important à analyser.
2. Détection et traitement des tumeurs : le cas du foie
Parmi les traitements disponibles pour le cancer du foie, la radiothérapie interne sélective [2] constitue une option de référence pour certains patients. Cette technique consiste à injecter des microsphères radioactives dans les artères alimentant la tumeur, afin d’y délivrer une irradiation ciblée (illustré dans la Figure 1). Elle présente l’avantage d’être peu invasive et de concentrer la dose au niveau de la lésion, tout en préservant au maximum les tissus sains. Pour être efficace et sûre, cette approche nécessite cependant une connaissance très précise de la localisation des tumeurs et de l’anatomie du foie.
Cette précision repose sur l’analyse d’images médicales, principalement issues de l’IRM et du scanner. Les cliniciens doivent identifier les lésions, en délimiter précisément les contours, puis aligner différentes modalités d’imagerie afin de préparer le traitement. Ces étapes, appelées segmentation [4] et recalage [5], sont essentielles mais longues et complexes. Elles demandent une expertise importante et présentent une certaine variabilité entre opérateurs, ce qui en fait des candidates naturelles à l’automatisation.
Figure 1 : Schéma de l’injection de microsphère radioactives dans une tumeur du foie lors d’un traitement.Image issue de [3].
2. Le rôle de l’intelligence artificielle
L’automatisation de ces étapes permettrait de réduire le temps consacré à des tâches répétitives, de limiter la variabilité entre opérateurs et d’améliorer la reproductibilité des analyses. Elle ouvre également la voie à une prise en charge plus efficace des patients, avec la possibilité de traiter un plus grand volume de données et de détecter plus précocement certaines lésions.
Dans ce contexte, l’intelligence artificielle, et en particulier l’apprentissage profond, s’impose comme une solution prometteuse. En apprenant directement à partir des images médicales, ces modèles sont capables d’automatiser des tâches complexes comme la segmentation.
Segmentation en imagerie médicale
1. Modèles de segmentation
La segmentation en imagerie médicale consiste à identifier et délimiter automatiquement les différentes structures présentes dans une image, comme les organes ou les tumeurs. Pour cela, des modèles de vision par ordinateur, basés sur l’apprentissage profond, sont utilisés. Dans le cas de l’imagerie médicale, ces modèles sont adaptés pour traiter des volumes 3D plutôt que de simples images 2D [6], afin de prendre en compte la structure complète des organes. Ils sont entraînés à partir d’exemples annotés par des experts, en apprenant à associer chaque voxel de l’image à une catégorie donnée, comme le foie ou une lésion tumorale. Une fois entraînés, ces modèles sont capables de produire automatiquement des segmentations sur de nouvelles données, avec un niveau de précision élevé dans les cas les plus favorables comme illustré dans la Figure 2.
Figure 2 : Exemple de segmentation automatique de tumeur du foie tiré de [7].
2. Les limites actuelles des modèles de segmentation médicale
Lorsqu’ils sont appliqués à l’imagerie médicale, les modèles d’apprentissage profond présentent encore plusieurs limites. La principale difficulté réside dans le manque de données annotées [8]. Produire des annotations précises nécessite l’intervention d’experts, ce qui est long, coûteux et difficile à généraliser à grande échelle. Cette difficulté est renforcée par la rareté de certaines pathologies, ainsi que par les contraintes liées à la protection des données médicales, qui limitent leur partage. De plus, lésions peuvent être petites, peu contrastées et très variables d’un patient à l’autre. À cela s’ajoutent des variations liées aux protocoles d’acquisition et aux différences de population, qui compliquent encore davantage l’apprentissage de modèles robustes.
3. Comment dépasser ces limites ?
Pour pallier ces difficultés, plusieurs approches ont été développées ces dernières années. Même si les données restent globalement rares, il existe aujourd’hui des jeux de données publics pour certaines pathologies, permettant d’entraîner des modèles dits de fondation [9]. Ces modèles, appris sur de grandes quantités de données et souvent sur plusieurs tâches, capturent des représentations générales des images médicales et peuvent ensuite être adaptés à des problèmes spécifiques. L’apprentissage auto-supervisé [10] constitue une autre approche complémentaire : il consiste à entraîner les modèles sans annotations explicites, en leur faisant résoudre des tâches intermédiaires directement construites à partir des données, afin d’apprendre des représentations utiles avant une phase d’entraînement supervisé plus classique.
Une autre piste consiste à enrichir artificiellement les jeux de données [11]. Cela peut passer par la génération de pseudo-annotations à partir de données faiblement annotées, ou par la création de données synthétiques. Dans ce cadre, des méthodes récentes permettent par exemple de générer des tumeurs artificielles directement intégrées dans des images médicales réelles [12], à l’aide de modèles génératifs comme les modèles de diffusion. Ces approches visent à exposer les modèles à une plus grande diversité de cas, afin d’améliorer leur robustesse et leurs performances sur des situations complexes.
Performances des meilleurs modèles
Les modèles d’apprentissage profond ont atteint ces dernières années un niveau de performance élevé sur certaines tâches de segmentation de tumeurs. Sur des cas bien définis, avec des images de bonne qualité et des données proches de celles utilisées à l’entraînement, les modèles récents atteignent des niveaux de précision comparables à ceux des experts humains [13].
Cependant, ces performances restent hétérogènes. Dès que les conditions se complexifient, les résultats peuvent chuter significativement. Les petites tumeurs, les cas atypiques ou les images issues d’autres centres médicaux restent difficiles à traiter, avec des performances parfois nettement inférieures et une variabilité importante entre patients. Sur le cas du foie par exemple, on observe aujourd’hui que les modèles sont très performants dans environs deux tiers des cas standards mais que les performances sur le dernier tier sont encore loin d’être acceptable. Ces limites montrent que, malgré les progrès récents, des améliorations sont encore nécessaires pour garantir une robustesse suffisante en conditions réelles.
Conclusion
L’intelligence artificielle apparaît aujourd’hui comme une solution d’avenir pour la détection et la segmentation des tumeurs en imagerie médicale. En automatisant des tâches complexes, elle offre la possibilité de réduire le temps d’analyse, d’améliorer la reproductibilité des résultats et d’optimiser la préparation des traitements. Elle s’inscrit ainsi dans une évolution plus large vers une médecine plus quantitative, plus personnalisée et plus efficace.
Cependant, malgré des performances prometteuses, les modèles actuels présentent encore des limites importantes, notamment en termes de robustesse et de généralisation. Si leur utilisation en tant qu’outils d’aide est déjà pertinente, ils ne permettent pas encore, à ce jour, un déploiement fiable et généralisé en pratique clinique. L’enjeu des prochaines années sera donc de poursuivre les efforts de recherche afin de rendre ces approches suffisamment fiables pour une intégration à grande échelle, tout en conservant un rôle central pour l’expertise médicale.
Références
[1] Bray, F., Laversanne, M., Sung, H., Ferlay, J., Siegel, R. L., Soerjomataram, I., et Jemal, A. (2024). Global cancer statistics 2022 : GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA : A Cancer Journal for Clinicians, 74(3) :229–263
[2] Ponziani, F. R., Santopaolo, F., Posa, A., Pompili, M., Tanzilli, A., Maestri, M., … & Iezzi, R. (2022). SIRT in 2025. CardioVascular and Interventional Radiology, 45(11), 1622-1633.
[3] Viñal, D., Minaya-Bravo, A., Prieto, I., Feliu, J., et Rodriguez-Salas, N. (2022). Ytrrium-90 transarterial radioembolization in patients with gastrointestinal malignancies. Clinical and Translational Oncology, 24(5) :796–808.
[4] Azad, R., Aghdam, E. K., Rauland, A., Jia, Y., Avval, A. H., Bozorgpour, A., … & Merhof, D. (2024). Medical image segmentation review: The success of u-net. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(12), 10076-10095.
[5] Fu, Y., Lei, Y., Wang, T., Curran, W. J., Liu, T., & Yang, X. (2020). Deep learning in medical image registration: a review. Physics in Medicine & Biology, 65(20), 20TR01.
[6] Isensee, F., Jaeger, P. F., Kohl, S. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature methods, 18(2), 203-211.
[7] Quinton, F., Presles, B., Popoff, R., Godard, F., Chevallier, O., Pellegrinelli, J., … & Meriaudeau, F. (2025). Tackling data scarcity: Synthetic tumour and mask generation to improve image segmentation. Artificial Intelligence in Medicine, 103348.
[8] Upadhyay, A. K., & Bhandari, A. K. (2024). Advances in deep learning models for resolving medical image segmentation data scarcity problem: a topical review. Archives of Computational Methods in Engineering, 31(3), 1701-1719.
[9] Chen, C., Miao, J., Wu, D., Zhong, A., Yan, Z., Kim, S., … & Li, Q. (2024). Ma-sam: Modality-agnostic sam adaptation for 3d medical image segmentation. Medical Image Analysis, 98, 103310.
[10] Shurrab, S., & Duwairi, R. (2022). Self-supervised learning methods and applications in medical imaging analysis: A survey. PeerJ Computer Science, 8, e1045.
[11] Thambawita, V., Salehi, P., Sheshkal, S. A., Hicks, S. A., Hammer, H. L., Parasa, S., … & Riegler, M. A. (2022). SinGAN-Seg: Synthetic training data generation for medical image segmentation. PloS one, 17(5), e0267976.
[12] Hu, Q., Chen, Y., Xiao, J., Sun, S., Chen, J., Yuille, A. L., & Zhou, Z. (2023). Label-free liver tumor segmentation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 7422-7432).
[13] Lee, H. H., Gu, Y., Zhao, T., Xu, Y., Yang, J., Usuyama, N., … & Poon, H. (2024). Foundation models for biomedical image segmentation: A survey. arXiv preprint arXiv:2401.07654.