Évaluation des modèles d’apprentissage profond pour la segmentation des volumes hippocampiques sur des images IRM dans la maladie d’Alzheimer

Pourquoi cette recherche compte pour les familles

La maladie d’Alzheimer érode lentement la mémoire et l’autonomie, souvent bien avant que les symptômes ne deviennent évidents. Les médecins savent qu’une petite structure cérébrale appelée hippocampe rétrécit à mesure que la maladie progresse, mais mesurer ce rétrécissement manuellement sur des examens d’imagerie est lent et difficile. Cette étude explore si l’intelligence artificielle moderne peut automatiquement délimiter l’hippocampe sur des images IRM et estimer de façon fiable la perte de volume de chaque côté du cerveau, offrant potentiellement aux médecins un moyen plus rapide et plus objectif d’observer les premiers changements cérébraux.

Une petite région cérébrale aux grands rôles dans la mémoire

L’hippocampe, niché profondément dans les lobes temporaux de chaque côté du cerveau, nous aide à former de nouveaux souvenirs et à nous orienter dans l’espace. Des travaux antérieurs ont montré que son volume tend à diminuer chez les personnes atteintes de la maladie d’Alzheimer, et que cette perte peut commencer des années avant un diagnostic formel. L’hippocampe gauche est plus lié aux souvenirs verbaux et autobiographiques, tandis que le côté droit joue un rôle plus important dans la mémoire spatiale et la navigation. Suivre l’évolution de la taille de chaque côté au fil du temps pourrait donc révéler non seulement la présence de la maladie, mais aussi la manière dont elle affecte les capacités cognitives et le fonctionnement quotidien.

Pourquoi mesurer l’hippocampe est si difficile

Sur une image IRM, l’hippocampe apparaît comme une petite structure à la forme complexe, occupant une toute petite partie de chaque coupe. Traditionnellement, des experts tracent ses contours à la main sur 25 à 30 coupes, puis combinent ces surfaces pour calculer le volume. Cette méthode manuelle est considérée comme la référence, mais elle exige une formation spécialisée, prend beaucoup de temps et est difficile à appliquer aux milliers d’examens réunis dans de grandes études ou dans des cliniques très fréquentées. Les logiciels automatisés existants gèrent bien les régions cérébrales plus grandes et plus simples, mais peinent souvent à capturer de manière constante les détails fins de l’hippocampe, en particulier entre différents scanners et qualités d’image.

Mettre l’apprentissage profond à l’épreuve

Pour relever ce défi, les chercheurs ont évalué trois modèles d’apprentissage profond conçus pour détecter et délimiter des objets dans des images. Ils ont utilisé des IRM de 300 personnes issues de l’Alzheimer’s Disease Neuroimaging Initiative : 100 atteintes de la maladie d’Alzheimer, 100 présentant un déclin cognitif léger (un stade possible précoce) et 100 adultes âgés en bonne santé. Après qu’un neurologue eut étiqueté soigneusement l’hippocampe sur des milliers de coupes, l’équipe a entraîné les modèles à apprendre les motifs visuels définissant cette structure. Ils ont comparé les performances à l’aide de plusieurs mesures d’exactitude standard, en se concentrant sur le chevauchement entre les contours prédits par chaque modèle et les annotations expertes.

Le modèle gagnant et ce qu’il a révélé

Parmi les trois approches, un modèle appelé U-Net a clairement offert les meilleurs résultats pour tracer des frontières précises autour de l’hippocampe des deux côtés du cerveau. Il a obtenu le plus grand chevauchement avec les annotations expertes dans les trois groupes, surpassant un modèle de détection d’objets populaire connu sous le nom de YOLO-v8 et une autre méthode avancée appelée DeepLab-v3. Une fois entraîné, le modèle U-Net a été utilisé pour segmenter l’hippocampe sur un ensemble de test distinct et pour calculer les volumes. Les résultats ont montré un schéma clair : les personnes atteintes de la maladie d’Alzheimer présentaient les plus petits volumes hippocampiques, celles avec un déclin cognitif léger avaient des volumes intermédiaires, et les témoins sains avaient les plus grands. Dans chaque groupe, le côté gauche avait tendance à être légèrement plus petit que le droit.

Subtils déséquilibres entre gauche et droite

En comparant directement les deux côtés, les chercheurs ont aussi examiné la symétrie de l’hippocampe dans chaque groupe. Ils ont constaté que chez les adultes âgés en bonne santé, le côté droit était sensiblement plus volumineux que le gauche, affichant la plus grande asymétrie. En revanche, les personnes atteintes de la maladie d’Alzheimer et celles avec un déclin cognitif léger présentaient des volumes globaux plus faibles et de faibles différences entre gauche et droite. Cela suggère que lorsque la maladie progresse, les deux hippocampes s’atrophient et leurs volumes deviennent plus semblables, un schéma qui pourrait informer sur l’évolution de la mémoire et d’autres fonctions cognitives.

Ce que cela signifie pour les soins futurs

Pour les non-spécialistes, l’idée principale est que l’intelligence artificielle peut désormais égaler la performance des experts dans une étape fastidieuse mais cruciale : délimiter l’hippocampe sur les scanners cérébraux. Dans cette étude, le modèle U-Net s’est montré particulièrement fiable pour cette tâche, permettant un calcul rapide du volume hippocampique des deux côtés du cerveau. Si ces outils sont validés davantage sur des ensembles de données plus larges et plus divers, ils pourraient aider les cliniciens à suivre plus facilement les premiers changements cérébraux, soutenir un diagnostic plus précoce et plus sûr, et surveiller l’efficacité des traitements pour ralentir ou modifier la progression de la maladie. Ce travail rapproche de l’utilisation des IRM de routine, enrichies par l’apprentissage profond, comme biomarqueur pratique de la maladie d’Alzheimer en pratique clinique courante.

Citation: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

Mots-clés: Maladie d’Alzheimer, volume de l’hippocampe, IRM cérébrale, segmentation par apprentissage profond, U-Net