Use of artificial intelligence tools and ontologies to automatize the segmentation of medical images in children with nephroblastoma

Le néphroblastome (ou tumeur de Wilms) est la tumeur rénale maligne la plus fréquemment rencontrée chez l’enfant. Les progrès réalisés dans les dernières décennies concernant sa prise en charge diagnostique et thérapeutique ont permis d’améliorer son pronostic avec à l’heure actuelle une survie à 5 ans dépassant 90% tous stades confondus. Cependant, la morbidité liée aux traitements (chirurgie, chimiothérapie et radiothérapie) reste élevée puisque 25% des patients présenteront des séquelles au cours de leur vie. La chirurgie garde une place centrale dans la stratégie thérapeutique de cette tumeur. La reconstruction en 3 dimensions du rein tumoral et de son environnement, réalisée en pré-opératoire à partir des images scanner du patient, présente des avantages notamment pour la planification opératoire, la sélection des patients pouvant bénéficier d’une chirurgie conservatrice, la précision du calcul des volumes ou l’information des familles. Cependant, ces reconstructions 3D nécessitent une phase préalable de segmentation qui est chronophage, fastidieuse et source d’erreurs lorsqu’elle est réalisée manuellement. Nous présentons dans ce travail l’utilisation d’outils d’intelligence artificielle (réseaux de neurones et raisonnement à partir de cas) pour automatiser le processus de segmentation du rein tumoral. Les résultats obtenus avec les outils développés sont encourageants, nécessitant cependant d’être optimisés et validés sur un plus grand nombre de cas. C’est dans cette optique d’optimisation des résultats que nous avons créé une ontologie d’application, nommée WilmsOntol, dont l’objectif principal est d’apporter des connaissances anatomiques aux outils d’intelligence artificielle afin d’améliorer leurs performances de segmentation.Wilms’ Tumor (or nephroblastoma) is the most common malignant tumor of kidney in children. With diagnostic and therapeutic advances in the last decades, the prognosis of this tumor has dramatically improved, reaching an overall survival rate of 90% at 5 years. Nevertheless, the therapeutic morbidity (related to surgery, chemotherapy and radiotherapy) remains high since 25% of the patients will develop sequelae during their lifetime. Surgery is a fundamental step of the therapeutic pathway of these patients. The three-dimensional reconstruction of tumoral kidney and his surrounding area, performed preoperatively on CT scans of patients, offers several advantages such as risk anticipation during surgical planning, selection of patients who can benefit from nephron-sparing surgery, accurate measurement of renal and tumoral volumes or better family counselling. However, 3D reconstructions consistently require a preliminary step of image segmentation (i.e delineation of various anatomical structures on images) which is tedious, very time-consuming and source of mistakes when manually performed. We present the use of artificial intelligence tools (particularly convolutional neural networks and case-based reasoning) to automate the segmentation of kidney and Wilms’ tumor in children. Compared to manual segmentations performed by experts, the results obtained with these artificial intelligence tools are promising, but requiring optimization and validation on a largest set of data. For the optimization of these results, we have developed an application ontology called WilmsOntol. This ontology provides hierarchized anatomical knowledge to intelligent tools in order to improve their segmentation performance