Une base de données ouverte d’échographies en mode B pour la segmentation des plaques athérosclérotiques par apprentissage profond

Pourquoi repérer les problèmes cachés des artères est important

Les infarctus et les AVC surviennent souvent sans prévenir, mais le danger se constitue lentement, au fur et à mesure que des dépôts graisseux appelés plaques rétrécissent les artères qui irriguent le cerveau et le cœur. Les médecins peuvent visualiser ces plaques par échographie du cou, mais tracer soigneusement leur contour à la main sur chaque image prend du temps et est sujet à l’erreur humaine. Cet article présente une collection d’images ouverte et étiquetée par des experts qui permet aux ordinateurs d’apprendre à détecter automatiquement ces plaques, dans l’objectif à long terme de rendre l’évaluation du risque d’AVC et d’infarctus plus rapide, plus cohérente et plus largement accessible.

Un examen plus approfondi de l’accumulation dans les artères

L’athérosclérose correspond au durcissement et à l’épaississement progressifs des artères de moyen et gros calibre, liés à l’accumulation de graisses et de cellules inflammatoires dans la paroi vasculaire. Lorsqu’elle affecte les artères carotides du cou, elle peut réduire le flux sanguin vers le cerveau et accroître le risque d’AVC. Une manière puissante d’estimer le risque d’une personne consiste à mesurer la surface totale occupée par ces plaques le long de la carotide. Le problème est que, avant que les médecins ou les ordinateurs puissent mesurer la surface des plaques, il faut que quelqu’un en dessine le contour sur chaque image échographique, une tâche qui exige formation, temps et régularité, difficiles à maintenir dans des cliniques surchargées.

Pourquoi les ordinateurs ont besoin de meilleurs exemples

L’intelligence artificielle moderne, en particulier l’apprentissage profond, peut apprendre à délimiter automatiquement les plaques si on lui montre suffisamment d’exemples où des experts ont déjà tracé les bordures correctes. De nombreux travaux précédents ont utilisé ces méthodes avec succès, mais souvent dans des conditions idéalisées : des images soigneusement recadrées autour d’une plaque unique et évidente, sans exemples d’images sans plaque ni d’images contenant plusieurs plaques à la fois. Ces jeux de données privés ne sont généralement pas partagés, ce qui complique la reproduction des résultats par d’autres chercheurs ou l’évaluation de l’applicabilité d’un algorithme dans la réalité clinique, plus désordonnée.

Constitution d’une collection d’images réaliste

Pour combler cette lacune, les auteurs ont assemblé et nettoyé une base de données de 541 images échographiques des artères carotides issues d’un groupe de patients à haut risque en Argentine. Pour chaque image, des spécialistes ont fourni une « masque » associé où les zones de plaque étaient indiquées, créant une paire : la coupe originale en niveaux de gris et un contour simple en noir et blanc de la plaque. L’équipe a soigneusement éliminé les éléments visuels parasites comme les croix, les chiffres et les marquages d’appareils, standardisé toutes les images au format carré et veillé à ce que les deux images de chaque paire soient parfaitement alignées. La collection finale inclut délibérément des scans sans plaque, des scans avec une ou plusieurs plaques, et des plaques situées hors du centre de l’image, reflétant mieux ce que les médecins observent réellement.

Permettre aux réseaux neuronaux de tracer les contours

Pour vérifier si la base de données est réellement utile au développement d’algorithmes, les chercheurs ont entraîné trois variantes d’un réseau de segmentation d’images populaire connu sous le nom de U‑Net, chacune utilisant une architecture de base différente pour détecter les motifs. Ils ont augmenté les données d’entraînement en retournant et en décalant légèrement les images, puis combiné les trois modèles en un « ensemble » qui vote pixel par pixel pour décider si une zone appartient à une plaque ou non. Sur les images contenant des plaques, cet ensemble a atteint un niveau d’arrivée modéré avec les tracés d’experts, comparable à ce que différents spécialistes humains peuvent obtenir entre eux. Sur les images sans plaque, le système combiné a produit relativement peu de fausses alertes, ce qui suggère qu’il a appris non seulement à reconnaître l’apparence d’une plaque, mais aussi à détecter quand il n’y en a pas.

Ce que cela signifie pour les soins futurs

Pour les non‑spécialistes, le message principal est que cette base de données ouverte transforme des images cliniques éparses et difficiles d’accès en une ressource partagée que chacun peut utiliser pour entraîner et tester des algorithmes de détection de plaques. Bien que les performances ne soient pas encore parfaites et dépendent du groupe de patients et du matériel d’imagerie utilisés, ce travail montre que les ordinateurs peuvent se rapprocher du niveau des experts même dans des conditions plus réalistes et variées. En rendant à la fois les images et le code d’évaluation librement accessibles, l’étude jette les bases d’outils plus robustes qui pourront aider les médecins à mesurer rapidement et de manière cohérente la charge de plaques, améliorant ainsi les stratégies de prévention des infarctus et des AVC.

Citation: Rulloni, V.S., Perez, H.A., Dori, T. et al. An open B-mode ultrasound database for deep learning-based atherosclerotic plaque segmentation. Sci Data 13, 702 (2026). https://doi.org/10.1038/s41597-026-06952-7

Mots-clés: athérosclérose, échographie carotidienne, IA en imagerie médicale, segmentation des plaques, risque cardiovasculaire