Cette intervention met en lumière les avancées récentes dans la réduction de la dose d’irradiation en radiologie interventionnelle, tout en s’attachant à résoudre le problème majeur qu’elle engendre : l’augmentation du bruit électronique sur les images. Pierre Leddet rappelle que bien que la diminution des rayons X soit devenue une réalité en salles d’examen, cette réduction implique une dégradation du signal visuel, compliquant l’interprétation médicale. Pour pallier cela, il passe en revue plusieurs techniques classiques de traitement du bruit telles que la transformée de Fourier, les ondelettes et les filtres bilatéraux, avant de s’attarder sur les performances prometteuses des réseaux de neurones convolutifs (CNN) issus de l’intelligence artificielle, capables d’améliorer le rapport contraste/bruit en temps réel.
Le cœur de la présentation détaille l’utilisation de ces CNN pour analyser et supprimer le bruit dans les images de scopie, grâce à un apprentissage supervisé qui repose sur la comparaison systématique entre des images de scopie bruitées et des images de graphie plus nettes. Leddet explique que ces modèles apprennent à reconnaître les motifs correspondant au bruit et à les éliminer, ce qui permet de conserver une bonne qualité d’image tout en réduisant la dose. Cependant, il souligne également les limites inhérentes à ce type d’approche, en insistant sur la nécessité d’un grand nombre de données annotées, sur le caractère opaque des modèles (« boîte noire ») et sur le risque d’artefacts ou d’hallucinations lorsque les modèles sont appliqués en dehors du domaine d’entraînement — par exemple, sur des images de fantômes ou des patients avec du matériel médical non représenté dans la base d’apprentissage.
Pour améliorer la robustesse et la généralisation de ces outils, Pierre Leddet présente les évolutions récentes intégrant l’apprentissage contrastif, une méthode qui amplifie la quantité de données exploitables sans nécessiter d’étiquetage exhaustif. Cette approche consiste à créer des paires d’images similaires en jouant sur de légères variations, permettant ainsi un entraînement plus efficace et adaptable. Grâce à cette seconde génération de systèmes, comme la version améliorée du dispositif Evolve, il est désormais possible de gérer plus précisément différents contextes cliniques, y compris la rythmologie et les situations avec présence de matériel interventionnel, ainsi que d’intégrer des outils complémentaires comme la technologie Spot Roy. En parallèle, des efforts se poursuivent pour développer des fantômes adaptés afin d’évaluer non seulement les doses délivrées mais aussi la qualité réelle des images obtenues.
Ainsi, cette conférence offre une vision précise des défis et opportunités liés à l’utilisation de l’intelligence artificielle pour le débruitage en radiologie interventionnelle. Elle met en avant l’importance d’un entraînement ciblé et continuellement enrichi, ainsi qu’une vigilance constante quant aux limites techniques et cliniques de ces systèmes, tout en soulignant leur potentiel considérable pour améliorer la sécurité des patients en réduisant l’exposition aux rayonnements ionisants.
