StrokeSeg : une IA pour accélérer l’analyse des IRM après un AVC

Après un accident vasculaire cérébral (AVC), analyser une IRM suppose de délimiter avec précision, « segmenter » les zones du cerveau lésées. Un travail minutieux qui peut mobiliser un médecin ou un chercheur pendant plusieurs heures et freiner l’exploitation de données pourtant essentielles pour comprendre la récupération des patients. À Rennes, le projet StrokeSeg ambitionne d’automatiser cette étape grâce à l’intelligence artificielle.

Développé au sein de l’équipe Empenn, affiliée à Inria, à l’Irisa et à l’Inserm, en collaboration avec le CHU de Rennes et Siemens Healthineers, StrokeSeg est un logiciel capable d’identifier et de délimiter automatiquement les lésions visibles sur les IRM cérébrales de patients ayant subi un AVC. « La segmentation consiste à déterminer, voxel par voxel (NDLR : un voxel est l’équivalent 3D d’un pixel), quelles zones correspondent à une lésion et lesquelles correspondent à du tissu sain », explique Youwan Mahé, doctorant CIFRE chez Siemens Healthineers sur le projet. « C’est une étape indispensable pour de nombreux travaux de recherche sur la récupération post-AVC, mais elle peut prendre entre une heure et huit heures lorsqu’elle est réalisée manuellement. »

De la recherche clinique à l’outil logiciel

L’origine du projet remonte aux besoins exprimés par des médecins impliqués dans la rééducation des patients après un AVC. En particulier, ceux de Stéphanie Leplaideur, médecin en médecine physique et réadaptation au CHU de Rennes et au Centre de Rééducation et Réadaptation de Kerpape, qui utilisait ces segmentations dans ses travaux de recherche. Pour automatiser cette tâche, les équipes ont entraîné des modèles de deep learning à partir de milliers d’IRM déjà annotées. Le système apprend à reconnaître les caractéristiques des lésions cérébrales afin de reproduire automatiquement le travail réalisé jusqu’ici par des experts. Mais pour Youwan Mahé, le défi ne se limitait pas à développer un algorithme performant. « Les outils d’intelligence artificielle sont souvent difficiles à utiliser pour les cliniciens. L’objectif était aussi de proposer un logiciel simple d’utilisation, avec une interface graphique accessible aux médecins et aux chercheurs cliniques ». L’équipe a ainsi développé une chaîne complète de traitement intégrant la standardisation des images, leur analyse par intelligence artificielle et la génération automatique d’un masque de segmentation exploitable par les utilisateurs.

Une première diffusion auprès des chercheurs

Une première version du logiciel est aujourd’hui disponible. Présentée en avril dernier lors de l’International Symposium on Biomedical Imaging (ISBI), l’une des principales conférences mondiales du domaine, elle commence à être utilisée par des équipes de recherche extérieures. « Nous avons déjà reçu plusieurs demandes d’utilisation, notamment de chercheurs internationaux et d’équipes françaises proches collaboratrices », indique le doctorant. Une nouvelle version, dotée d’une interface plus aboutie et d’un système d’installation simplifié sur Windows, MacOS et Linux, est attendue d’ici la fin de l’été.

Un potentiel de valorisation industrielle

Au-delà de la recherche académique, StrokeSeg pourrait également trouver sa place dans les outils utilisés quotidiennement par les radiologues et les chercheurs cliniciens. Grâce au partenariat avec Siemens Healthineers, l’intégration du logiciel au sein des plateformes d’imagerie du groupe constitue l’une des pistes envisagées. « Notre stratégie consiste à faciliter le passage d’un prototype de recherche vers un environnement proche de la pratique clinique », explique Cédric Pasquier, directeur des partenariats scientifiques et cliniques de Siemens Healthineers France. « Nous disposons d’infrastructures permettant d’intégrer ces innovations à nos plateformes pour les tester à plus grande échelle et évaluer leur intérêt clinique. »

À ce stade, le projet se situe encore entre les premiers niveaux de maturation technologique, avec un TRL estimé entre 3 et 4. Les prochaines étapes viseront à consolider le logiciel, élargir sa base d’utilisateurs et poursuivre les validations scientifiques nécessaires. À plus long terme, les équipes envisagent déjà d’adapter l’approche à d’autres pathologies neurologiques, comme la sclérose en plaques. Une manière de transformer un outil conçu pour l’AVC en plateforme plus large d’analyse automatisée des lésions cérébrales.