Name
454 - Sclérose en plaques avec neuropathie optique inaugurale : suivi évolutif par segmentation automatisée

Merci de vous identifier pour accéder à ce contenu.

Je me connecte  


Orateurs :
Dr Huong NGUYEN THIEN
Auteurs :
Dr Huong NGUYEN THIEN
Sophie Espinoza
C Habas
Tags :
Résumé

Introduction

Evaluation de la précision de la segmentation automatisée dans le suivi longitudinal des scléroses en plaques révélées par neuropathie optique inaugurale.

Patients et Methodes

Vingts patients (12 femmes, 8 hommes de 22 à 36 ans) ont été diagnostiqués puis suivis en IRM à 3T pour une neuropathie optique en signe d’entrée dans une sclérose en plaque. A distance de l’IRM diagnostique à T0, un contrôle a été réalisé 3 à 6 mois après, puis à 9 à 12 mois, comprenant entre autres des séquences d’inversion récupération, volumiques T1, FLAIR et double inversion récupération (DIR), pour étude des voies visuelles et post-traitement en segmentation et volumétrie.

Résultats

Le suivi longitudinal se base sur la registration anatomique sur le volume T1 réalisé à différents examen de contrôle. Il a été possible d’obtenir une fusion des volumes T1, FLAIR ou DIR après transformation rigide des volumes, pour l’ensemble des patients.

Discussion

L’algorithme de segmentation permet pour tous les patients une délimitation optimale des hypersignaux périventriculaires et dans les couronnes rayonnantes. Les localisations sous-corticales en contiguïté avec les lésions de la substance blanche profonde sont incluses dans le processus de segmentation, à la différence des hypersignaux sous-corticaux isolés, segmentés dans 50% des cas lorsqu’ils mesurent plus de 5 mm de diamètre, et non segmentés en dessous de 5 mm. La segmentation prend compte d’un plus grand volume lésionnel en séquence 3D FLAIR que 3D DIR.

Conclusion

La coregistration volumique et la segmentation peuvent être réalisées en routine pour le suivi longitudinal de la volumétrie lésionnelle dans la sclérose en plaque. La répétition des analyses en apprentissage automatique (« machine-learning ») contribuera à une plus grande précision des algorithmes de segmentation des lésions inflammatoires du système nerveux central, dans le but d'un suivi du volume lésionnel dans le temps.