Introduction : pourquoi l’annotation des images médicales est déterminante
L’IA transforme progressivement la radiologie, mais ses performances dépendent directement de la qualité des données annotées. IRM, tomodensitométrie et radiographies présentent chacune des contraintes spécifiques : formats DICOM, coupes multiples, contrastes variables, structures fines et forte exigence clinique.
Qu’il s’agisse de segmenter une tumeur en IRM, d’identifier une opacité pulmonaire sur une radiographie ou de délimiter un organe sur un scanner, l’annotation doit être cohérente, traçable et validée par les bons profils médicaux.
Les institutions cliniques qui explorent l’IA, comme la Mayo Clinic, soulignent l’importance de combiner expertise médicale et méthodes data robustes.
Concepts clés de l’annotation radiologique
1. Spécificités propres à chaque modalité
- IRM : excellente différenciation des tissus mous, séquences multiples, variations de contraste et annotation souvent volumétrique.
- Tomodensitométrie : représentation précise des structures anatomiques, coupes 3D, valeurs de densité et forte utilité pour organes, os, lésions et planification.
- Rayons X : images 2D projetées, superposition de structures, faible coût de capture mais interprétation parfois plus ambiguë.
2. Format DICOM et métadonnées
Les fichiers DICOM contiennent l’image ainsi que des métadonnées essentielles : espacement des pixels, orientation, série, protocole, modalité et informations d’acquisition. Les processus d’annotation doivent préserver ces informations ou les gérer de manière documentée.
3. Niveaux de granularité
- Classification d’image ou d’examen.
- Boîtes englobantes autour d’une lésion ou région d’intérêt.
- Contours 2D sur des coupes sélectionnées.
- Segmentation 3D sur volumes complets.
- Landmarks anatomiques ou mesures cliniques.
4. Annotation 3D dans les examens multitranches
Pour les scanners et les IRM, la cohérence entre coupes est cruciale. Une structure ne doit pas disparaître ou changer de contour de manière incohérente d’une coupe à l’autre. La revue doit donc être volumétrique, pas seulement image par image.
5. Accord entre évaluateurs
Même entre experts, certaines frontières peuvent varier. Mesurer l’accord inter-évaluateurs et documenter les règles de consensus permet de construire une vérité terrain plus fiable.
6. Contexte clinique
Une annotation utile doit correspondre à une question clinique. Délimiter une lésion, mesurer un volume ou classer un examen n’implique pas les mêmes règles ni les mêmes profils d’annotateurs.
Bonnes pratiques pour l’IRM, le scanner et les radiographies
1. Impliquer des experts du domaine
Les radiologues, spécialistes d’organe, oncologues, dosimétristes ou manipulateurs expérimentés peuvent être nécessaires selon le type d’annotation. Les annotateurs non médecins peuvent contribuer à certaines tâches, mais les cas cliniques sensibles doivent être revus par des experts.
2. Choisir le bon type d’annotation
- Classification pour les tâches de tri ou de priorisation.
- Boîtes pour la localisation approximative de lésions.
- Segmentation pour mesures, planification ou analyse précise.
- Landmarks pour alignement anatomique ou suivi de structures.
- Annotations longitudinales pour évolution d’une pathologie dans le temps.
3. Utiliser des taxonomies normalisées
Les libellés doivent être alignés avec la terminologie médicale et les objectifs du projet. Les synonymes, sous-classes et niveaux de confiance doivent être définis dès le départ pour éviter les incohérences.
4. Sélectionner des outils adaptés à l’imagerie médicale
Les outils doivent gérer les volumes, les fenêtres d’affichage, séries DICOM, masques 3D et formats d’export compatibles avec les pipelines IA. Des plateformes comme MD.ai, NVIDIA Clara ou MONAI illustrent l’importance d’outils spécialisés.
5. Intégrer des jeux de données de référence
Les jeux de données publics peuvent servir de référence, de préentraînement ou de calibration. Ils ne remplacent pas des données représentatives du contexte clinique cible, mais aident à évaluer les approches.
- BraTS pour la segmentation de tumeurs cérébrales.
- COVID-Net / COVIDx pour certains travaux liés à l’imagerie thoracique.
- Ressources MONAI pour les processus de recherche et de segmentation médicale.
6. Créer des boucles de retour
Les premiers lots annotés doivent être revus avec les experts afin d’ajuster les consignes. Cette itération réduit les erreurs systématiques avant de passer à plus grande échelle.
7. Garantir confidentialité et conformité
Les images médicales doivent être traitées avec une gouvernance stricte : anonymisation, contrôle des accès, traçabilité, hébergement adapté, contrats de traitement de données et limitation des usages. Les exigences varient selon les juridictions et le type de données.
8. Couvrir la diversité des données
Les modèles doivent être évalués sur des scanners, protocoles, populations et pathologies variés. Une base trop homogène peut conduire à de mauvaises performances hors du centre d’origine.
9. Optimiser pour la pertinence clinique
Les travaux en radiomique, souvent publiés dans des revues comme Nature, montrent que les détails de segmentation peuvent influencer les mesures extraites. Les annotations doivent donc être alignées avec l’usage clinique ou scientifique prévu.
10. Utiliser les pré-annotations avec prudence
Les modèles existants peuvent accélérer l’annotation en proposant des masques préliminaires. Mais ces pré-annotations doivent être vérifiées, car elles peuvent introduire des biais ou des erreurs difficiles à repérer si les annotateurs les acceptent trop rapidement.
11. Établir des métriques de contrôle qualité claires
- Dice score ou IoU pour les masques.
- Taux de désaccord entre annotateurs.
- Erreurs par classe, organe ou type de lésion.
- Temps d’annotation par cas et par modalité.
- Taux de correction après revue experte.
Selon les besoins, les équipes peuvent aussi s’appuyer sur des références complémentaires : outils d’annotation, benchmarks comme BraTS, bases spécialisées en radiologie ou jeux de données publics adaptés au cas d’usage. Pour un accompagnement complet, consultez DataVLab.
Adapter les processus par modalité
IRM
L’IRM demande souvent une lecture multi-séquences. Les consignes doivent préciser quelles séquences utiliser pour définir les frontières, comment gérer les zones de signal ambigu et comment maintenir la cohérence 3D.
Tomodensitométrie
Le scanner est fréquemment utilisé pour les organes, os, lésions et volumes. Les fenêtres d’affichage, l’épaisseur de coupe et la phase de contraste doivent être prises en compte.
Radiographies
Les rayons X exigent une attention particulière aux superpositions anatomiques. Les boîtes peuvent suffire pour certaines tâches, mais les contours deviennent nécessaires lorsque la localisation précise influence la décision.
Conclusion
L’annotation de l’IRM, du scanner et des radiographies exige une combinaison d’expertise médicale, de consignes précises, d’outils adaptés et de contrôle qualité rigoureux. La performance d’un modèle clinique dépend autant de ces choix que de son architecture.
Vous préparez un projet d’annotation en radiologie ? Contactez les experts DataVLab pour structurer votre protocole, vos profils annotateurs et vos critères de validation.
