La NPRA repose sur l’évaluation préopératoire des caractéristiques tumorales par le biais de l’interprétation du scanner, qui peut être assistée par reconstruction 3D. Nous avons entraîné un réseau de neurones artificiel (RNA) à la reconnaissance automatisée du parenchyme rénal dans l’objectif à terme de développer le guidage chirurgical par réalité augmentée, par fusion de la reconstruction 3D virtuelle sur la vision réelle du chirurgien.

Nous avons constitué un dataset d’entraînement comprenant 16 435 images extraites de 8 vidéos de NPRA, dans lesquelles le parenchyme rénal visible a été segmenté manuellement par un urologue. Des règles de segmentation ont été consignées afin de rendre cette tâche le plus homogène possible. Après entraînement, le RNA a été évalué sur un dataset comprenant 454 images issues de 29 vidéos de NPRA. Une partie du dataset d’évaluation (100 images) a été utilisée afin de réaliser une étude de variabilité intra- et inter-annotateur, comparant les segmentations à 2 reprises de la même image par le même annotateur, puis par d’autres annotateurs entraînés.

Les images du dataset d’évaluation ont été classées de 5 groupes de complexité différentes, selon la présence sur les images d’éléments perturbant la reconnaissance de la surface rénale (instruments, sang, graisse). Les indices de recouvrement DICE et IoU ont permis de comparer les images segmentées, et les résultats sont exprimés selon les différentes classes d’images. L’étude de variabilité inter- et intra-opérateur a montré une marge d’erreur allant jusqu’à 10 % de l’indice de DICE et 19 % de l’IoU. L’étude comparative des segmentations du RNA et de l’annotateur expert retrouve un indice de DICE entre 41 et 52 % et un IoU entre 29 et 40 %. Cela correspond à une spécificité de la reconnaissance automatique du parenchyme rénal visible de 31 à 35 % et une sensibilité de 97 à 98 % (Fig. 1, Fig. 2 et Tableau 1).

Le RNA a montré des résultats préliminaires prometteurs, reconnaissant le parenchyme rénal avec spécificité, mais avec une sensibilité faible. Le nuage de point ainsi reconnu pourrait suffire à la reconstruction spatiale 3D en vue de la fusion d’image. La poursuite de l’enrichissement du dataset d’entraînement permettra d’améliorer ces performances et les premiers tests de recalage en phase préclinique sont encourageants.