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.