La segmentation d'images médicales est une étape clé pour les médecins analysant des scans d'organes ou de parties du corps, en assignant des étiquettes anatomiques aux différentes parties de l'image, comme le cortex cérébral ou le tronc cérébral, pour guider le diagnostic, la planification chirurgicale et la recherche. Traditionnellement, ce processus repose sur une exécution manuelle par les cliniciens, ce qui est chronophage et laborieux. Ces dernières années, les U-Nets, une architecture IA conçue spécifiquement pour la segmentation d'images médicales, sont devenues le standard dominant, mais elles exigent des données et des ressources importantes pour les images volumineuses ou 3D, avec des coûts élevés.

Face à ce défi, Kushal Vyas, doctorant en ingénierie électrique et informatique à l'Université Rice, et son équipe, ont proposé MetaSeg, une nouvelle méthode de segmentation d'images médicales. Dans des expériences sur des données d'IRM cérébrale 2D et 3D, MetaSeg a démontré des performances de segmentation comparables aux U-Nets, mais avec une réduction de 90 % des paramètres nécessaires. Vyas a déclaré : « MetaSeg n'a pas suivi le chemin des U-Nets, mais a adopté une représentation neuronale implicite (INR) — un cadre de réseau neuronal précédemment non utilisé pour la segmentation d'images. » L'INR convertit les images médicales en formules mathématiques, interprétant précisément la valeur du signal pour chaque pixel ou voxel. Bien que les INR soient hautement spécifiques et généralement limités à un signal/image unique formé, MetaSeg utilise une stratégie d'apprentissage méta pour permettre à l'INR de s'adapter rapidement à de nouvelles images, de décoder les étiquettes et de prédire les contours des régions anatomiques.

Le professeur assistant en ingénierie électrique et informatique à l'Université Rice, Guha Balakrishnan, a indiqué : « MetaSeg apporte une perspective nouvelle et évolutive au domaine de la segmentation d'images médicales, dominé par les U-Nets depuis dix ans. » Ces résultats de recherche ne seulement promettent-ils une réduction des coûts de segmentation d'images médicales tout en maintenant les meilleures performances, mais ils démontrent également le grand potentiel de l'IA dans le domaine de la santé. En tant qu'auteur correspondant, Balakrishnan fait partie de l'écosystème de chercheurs de pointe en santé numérique de l'Université Rice, couvrant le programme de santé numérique et l'Institut conjoint de santé numérique.