AI-driven automated quantification of MRI high T2-weighted signal lung abnormalities in cystic fibrosis patients
Quantification automatique par apprentissage profond des anomalies en hypersignal T2 en IRM pulmonaire chez les patients atteints de mucoviscidose
Résumé
Context: cystic fibrosis (CF) is one of the most common genetic disorders among Caucasians, with pulmonary complications being the leading cause of morbidity and mortality. The advent of effective treatments such as elexacaftor/tezacaftor/ivacaftor (ETI) has significantly improved disease management. MRI, a non-ionizing imaging modality, plays a crucial role in monitoring treatment response. Pulmonary abnormalities with high T2 signal intensity on MRI reflect inflammatory damage, and their quantification can serve as biomarkers. An automated quantification technique for these abnormalities, supported by advancements in deep learning, could provide rapid, reliable, and reproducible information, in contrast to the various visual assessment scores used in cystic fibrosis. Objective: to develop and validate a deep learning tool for the semantic segmentation of T2- weighted MRI images to quantify high-signal-intensity lung volumes (T2-HSV) and T2 volume-intensity products (T2-VIP) in cystic fibrosis patients. Materials and Methods: for the model development and testing, data of 75 CF patients were retrospectively collected at the University Hospital of Bordeaux, between October 2018 and April 2022. An algorithm using the neural network nnU-Net was trained to segment highintensity T2 abnormalities. The developed AI-driven technique was then validated on 20 patients before and after ETI treatment. Similarity was evaluated using the Dice coefficient. Paired comparisons were conducted using the Wilcoxon rank test. Correlations were assessed using Spearman's test. Results: The automated quantification T2-HSV showed good similarity with manual segmentation, achieving a dice coefficient of 0.62. The T2-HSV and T2-VIP showed a significant reduction after ETI treatment decreasing from 1.49% to 0.41% for T2-HSV and decreasing from 76.4ms to 23.3ms for T2-VIP, indicating reduced bronchial and pulmonary inflammation. Most of these MRI parameters showed significant inverse correlations with FEV1 both before and after treatment (before treatment rho=-0.54 for T2-VIP, after treatment rho=-0.59 for T2-VIP and rho=-0.60 for T2-HSV). Change of T2-HSV before and after treatment showed significant inverse correlation with change of FEV1%p (rho=-0.47 for ΔT2- HSV). 10 Conclusion: our study shows that AI-driven segmentation of high T2-weighted signal intensity abnormalities in lung MRI is feasible and clinically valuable for cystic fibrosis patients. It is faster and more precise than traditional methods, reliably assessing disease severity and response to specific treatment.
Contexte : la mucoviscidose (CF) est l'une des maladies génétiques les plus courantes chez les Caucasiens, les complications pulmonaires étant la principale cause de morbidité et de mortalité. L'arrivée de traitements efficaces tels que l'elexacaftor/tezacaftor/ivacaftor (ETI) a considérablement amélioré la gestion de la maladie. L'IRM, une modalité d'imagerie non ionisante, joue un rôle crucial dans le suivi de la réponse au traitement. Les anomalies pulmonaires en hypersignal T2 à l'IRM reflètent les lésions inflammatoires, et leur quantification peut servir de biomarqueurs. Une technique de quantification automatisée de ces anomalies, soutenue par les avancées de l'apprentissage profond, pourrait fournir des informations rapides, fiables et reproductibles, contrairement aux différentes méthodes d'évaluation visuelle utilisées dans la mucoviscidose. Objectif : Développer et valider un outil d'apprentissage profond pour la segmentation sémantique des images T2 en IRM pulmonaire afin de quantifier le volume global des hypersignaux T2 (T2-HSV) et le produit volume-intensité T2 (T2-VIP) chez les patients atteints de mucoviscidose. Matériels et Méthodes : pour développer et tester le modèle, les données de 75 patients atteints de mucoviscidose ont été collectées rétrospectivement à l'Hôpital Universitaire de Bordeaux, entre octobre 2018 et avril 2022. Un algorithme utilisant le réseau de neurones nnU-Net a été entraîné pour segmenter les anomalies en hypersignal T2. La technique automatisée, pilotée par l'IA, a ensuite été validée sur 20 patients avant et après traitement par ETI. La similarité a été évaluée à l'aide du coefficient de Dice. Les comparaisons appariées ont été effectuées à l'aide du test des rangs de Wilcoxon. Les corrélations ont été évaluées à l'aide du test de Spearman. Résultats : la quantification automatisée T2-HSV a montré une bonne similarité avec la segmentation manuelle, atteignant un coefficient de Dice de 0,62. Les paramètres T2-HSV et T2-VIP ont montré une réduction significative après le traitement par ETI, passant de 1,49 % à 0,41 % pour le T2-HSV et de 76,4 ms à 23,3 ms pour le T2-VIP, indiquant une réduction de l'inflammation bronchique et pulmonaire. La plupart de ces paramètres IRM ont montré des corrélations inversement significatives avec le VEMS%p à la fois avant et après le traitement (avant traitement rho=-0,54 pour T2-VIP, après traitement rho=-0,59 pour T2-VIP et rho=- 0,60 pour T2-HSV). Les variations de T2-HSV avant et après traitement sont inversement corrélé de façon significative avec les variations de VEMS%p (rho=-0,47 pour ΔT2-HSV). Conclusion : notre étude montre que la segmentation des anomalies pulmonaires en hypersignal T2 sur l'IRM pulmonaire pilotée par IA est réalisable et apporte une donnée cliniquement précieuse pour les patients atteints de mucoviscidose. Elle est plus rapide et plus précise que les méthodes traditionnelles, permettant d'évaluer de manière fiable la sévérité de la maladie et la réponse au traitement spécifique.