L’imagerie a été l’un des premiers champs d’application de l’intelligence artificielle (IA) en santé, les réseaux de neurones étant très efficaces pour la vision par ordinateur. Il ne fait aucun doute que le clinicien doit rester autonome et compétent dans la lecture des imageries et il n’est pas question de se reposer aveuglément sur l’IA pour effectuer l’ensemble des diagnostics radiologiques [1]. L’IA peut alors compléter les praticiens, permettant d’automatiser des tâches répétitives et chronophages à faible valeur ajoutée ou d’aider dans le radiodiagnostic de lésions rares ou fortuites.
Génération automatisée de modèles 3D
Il est aujourd’hui possible d’automatiser intégralement la reconstruction de modèles 3D issus d’imageries CBCT en se basant sur des modèles d’apprentissage profond entraînés à cet effet. Ce processus, appelé segmentation, nécessite d’isoler les tissus d’intérêt (par exemple les dents, le maxillaire et la mandibule) qui apparaitront chacun d’une couleur différente sur les coupes et le rendu volumique de l’imagerie CBCT (fig. 1). La difficulté repose sur la séparation de tissus ayant des niveaux de gris très proches, par exemple au niveau des apex dentaires, des couronnes dentaires en occlusion ou du condyle mandibulaire où les techniques de segmentation par simple seuillage sont peu efficaces. Cette reconstruction a longtemps été conduite semi-manuellement par des techniciens experts, ce qui leur demandait plusieurs heures de travail pour traiter un seul examen CBCT, parfois coupe après coupe.
Une solution gratuite de segmentation d’imageries CBCT, appelée DentalSegmentator, a été développée au sein de l’AP-HP et de l’École Nationale des Arts-et-Métiers [2]. Elle est aujourd’hui disponible dans le logiciel libre 3D Slicer. Ce modèle d’IA a été entraîné sur 470 scanners et CBCT, et ses performances ont été évaluées sur…
