Development and evaluation of an artificial intelligence algorithm for lung segmentation in 3D UTE VIBE MRI
Développement et évaluation d'un algorithme d'intelligence artificielle pour la segmentation pulmonaire en IRM 3D UTE VIBE
Résumé
Rationale and Objectives: Magnetic Resonance Imaging (MRI) of the lungs has improved significantly with ultra-short echo time (UTE) sequences, offering a viable alternative to CT for certain pulmonary diseases. This study aimed to develop and validate a deep learning algorithm for accurate and robust 3D lung segmentation on UTE MRI across different pathologies, addressing the need for quantitative analysis in pulmonary imaging. Materials and Methods: the study utilized 206 UTE MRI scans from patients with cystic fibrosis (n=172) and interstitial lung disease (n=34). A 3D nnU-Net architecture was employed for lung segmentation. The model was trained using a two-iteration process with manual segmentations, incorporating data augmentation techniques. Performance was evaluated using the Sorensen-Dice coefficient, with additional analysis of factors potentially influencing segmentation accuracy. Results: the algorithm demonstrated high performance with a mean Dice score of 0.97 (range 0.92-0.99). Performance was consistent across age, sex, disease severity, and lung function. A slight, clinically insignificant improvement was noted for cystic fibrosis patients compared to those with interstitial lung disease (mean Dice scores 0.980 vs. 0.966). External validation on 68 MRIs from seven different centers showed equivalent performance (Dice score 0.96). Conclusion: the developed deep learning algorithm provides accurate and reliable 3D lung segmentation on UTE MRI, even in cases of severe parenchymal alterations. This tool enables quantitative analysis of lung volumes and lays the foundation for more reproducible, advanced, and time-efficient pulmonary MRI applications in clinical practice.
Objectifs : l'imagerie par résonance magnétique (IRM) des poumons s'est considérablement améliorée grâce aux séquences à temps d'écho ultra-court (UTE), offrant une alternative viable au scanner pour certaines maladies pulmonaires. Cette étude visait à développer et valider un algorithme d'apprentissage profond pour une segmentation pulmonaire 3D précise et robuste sur des IRM UTE, couvrant différentes pathologies, afin de répondre aux besoins d'analyse quantitative en imagerie pulmonaire. Matériels et méthodes : la base d'entrainement est constituée de 206 IRM UTE pulmonaire de patients atteints de mucoviscidose (n=172) et de maladie pulmonaire interstitielle (n=34). Une architecture 3D nnU-Net a été utilisée pour la segmentation pulmonaire. Le modèle a été entraîné en utilisant un processus itératif à deux phases avec des segmentations manuelles, intégrant des techniques d'augmentation de données. La performance a été évaluée à l'aide du coefficient de Sorensen-Dice, avec une analyse supplémentaire des facteurs susceptibles d'influencer la précision de la segmentation. Résultats : l'algorithme a démontré une performance élevée avec un score Dice moyen de 0,97 (plage de 0,92 à 0,99). Les performances étaient cohérentes en fonction de l'âge, du sexe, de la gravité de la maladie et de la fonction pulmonaire. Une validation externe sur 68 IRM provenant de sept centres différents a montré des performances équivalentes (score Dice de 0,96). Conclusion : l'algorithme d'apprentissage profond développé offre une segmentation pulmonaire 3D précise et fiable sur IRM UTE, même dans les cas d'atteinte sévères de l'architecture du parenchyme pulmonaire. Cet outil permet une analyse quantitative des volumes pulmonaires et constitue une base pour des applications d'IRM pulmonaire plus reproductibles, avancées et efficaces en temps dans la pratique clinique.