QuantaCell a remporté le SFR Data Challenge sur le cancer du poumon à la Journée française de radiologie

nodule detection cancer quantacell JRF SFR

QuantaCell est fier de participer au défi de détection des nodules du cancer du poumon avec le Dr Julien Brehant du CHU Jean Perrin (Clermont-Ferrand) et IBM Montpellier (Systèmes Cognitifs).

L’objectif du défi était de « distinguer les examens par scanner 3D avec des nodules de cancer du poumon supérieurs à 100 mm3 ».

Le risque de malignité d’un nodule pulmonaire augmente avec l’augmentation de son diamètre. Des études de dépistage utilisant des mesures de volume semi-automatisées ont montré une précision et une reproductibilité plus élevées que les mesures de diamètre, et il a été démontré que les petits nodules (ceux avec un volume <100 mm3 ou un diamètre <5 mm) ne sont pas prédictifs du cancer du poumon. Pour cette question, les équipes avaient différentes tâches: reconnaître les nodules pulmonaires sur les scanners thoraciques 3D CT, les segmenter, estimer leur volume et les classer en nodules probables bénins (volume <100 mm3) ou probablement malins (volume ≥ 100 mm3).

https://hal.archives-ouvertes.fr/hal-02921345/document

3D retina unet quantacell ibm
3D Retina U-NET

Ce défi était un problème de détection difficile en raison du réseau des systèmes respiratoire et circulatoire, conduisant à une confusion potentielle due aux images à contraste élevé.

Notre approche a consisté à implémenter une fonction de prétraitement qui gère les images originales et les annotations, isolant les poumons du reste du corps à l’aide d’unités Hounsfield (HU) en utilisant un algorithme de segmentation 3D U-NET et postprocessing. Cette détection nous a permis de rejeter automatiquement artefacts détectés à l’extérieur des poumons.

Cette étape a été suivie d’un modèle de détection de nodules, basé sur l’architecture «Retina U-Net 3D» https://www.nature.com/articles/s41591-019-0447-x, qui a accepté l’entrée d’image prétraitée et prédire la nodules détectés en générant les coordonnées d’une boîte parallélépipédique rectangulaire, mais aussi des attributs d’intensité et des résultats de segmentation. Enfin, nous avons utilisé un modèle de classification (SVM support vector machine after feature extraction), pour classer le patient comme pathologique ayant au moins un nodule supérieur à 100 mm3 ou normal.

Grâce à l’équipe IBM nous avons utilisé 3 serveurs IBM Power AC922 avec des cartes graphiques Nvidia V100 32 Go (GPU – Graphics Processing Unit avec respectivement 4, 4 et 6, pour un total de 14 GPU) https://www.ibm.com/us-en/marketplace/power-systems-ac922. Cette puissance de traitement, associée à la capacité de gérer de grands modèles, a permis de traiter avec succès les images de test dans le temps requis avec le meilleur résultat des dix équipes du défi.

data challenge Deep learning cancer detection Quantacll ibm
The trophy. Thanks deep learning !

Cette puissance de traitement associée à la capacité de gérer de grands modèles a permis de traiter avec succès les images de test dans le temps requis avec le meilleur résultat des dix équipes du défi.  

La méthode a été publiée dans la revue « Diagnostic and Interventional Imaging » en novembre 2020 (DOI:10.1016/j.diii.2020.10.004)

Winning team Julien Brehant Thibault Besson Victor Racine
The winning team !

QUANTACELL