Segmentation d'image échographique de la prostate assistée par Intelligence artificielle : définition de critères de qualité et réflexion sur la vérité terrain

AI-Assisted Prostate Ultrasound Image Segmentation : Defining Quality Criteria and Exploring Ground-Truth Strategies

• Auteur / Autrice : Louis Lenfant
• Direction : Pierre Mozer, Sandrine Voros, Jocelyne Troccaz, Clément Beitone
• Type : Thèse de doctorat
• Discipline(s) : Automatique et robotique
• Date : Soutenance le 20/02/2026
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques, acoustique, électronique et robotique de Paris (2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut des systèmes intelligents et de robotique (Paris ; 2009-....)
• Jury : Président / Présidente : Raphaële Renard-Penna
• Jury : Examinateurs / Examinatrices : Alain Lalande, Charles Dariane
• Jury : Rapporteurs / Rapporteuses : Sophie Achard, Alexandre Peltier
• DOI : 10.70675/3cdc56e7z79bbz43b2z8726zca5c9125ee9e

Mots clés

Mots clés contrôlés

Intelligence artificielle en médecine

Imagerie pour le diagnostic

Prostate -- Cancer

Imagerie

Prostate

Biopsie

Mots clés libres

Cancer de la prostate

Biopsies de prostate

Segmentation échographique

Intelligence artificielle

Vérité terrain

Prostate cancer

Prostate biopsy

Ultrasound segmentation

Artificial intelligence

Ground truth

Résumé

Le diagnostic du cancer de la prostate a été profondément transformé par l'intégration de l'IRM multiparamétrique et le développement des biopsies ciblées assistées par ordinateur. Dans ce contexte, la segmentation échographique de la prostate constitue une étape essentielle pour la fusion IRM-échographie et le guidage du geste. Toutefois, cette segmentation demeure un processus long, opérateur-dépendant avec une forte variabilité inter- et intra-individuelle. Parallèlement, l'essor de l'intelligence artificielle (IA) ouvre la voie à une automatisation potentiellement fiable, mais la définition d'une vérité terrain robuste et de critères de qualité cliniquement pertinents reste un enjeu majeur. L'objectif de cette thèse est de proposer une méthodologie d'évaluation rigoureuse des méthodes de segmentation échographique de la prostate, incluant les approches manuelles, semi-automatiques et basées sur l'IA, et d'analyser leur impact clinique dans le cadre des biopsies ciblées. Les contributions de ce travail sont triples. (1) Évaluation clinique de la segmentation en pratique courante : nous évaluons l'impact direct de la qualité de segmentation sur la performance diagnostique des biopsies ciblées, notamment via l'analyse de la différence de volume relative IRM-échographie et de la courbe d'apprentissage de l'opérateur. (2) Définition de critères objectifs de qualité et de vérités terrain robustes : nous comparons les segmentations manuelles et semi-automatiques, quantifions leur variabilité, et proposons un cadre méthodologique pour établir une vérité terrain multi-expert. (3) Évaluation de stratégies avancées d'entraînement des modèles IA : nous étudions l'impact du type de vérité terrain (annotations individuelles, multi-experts ou consensus), de la taille et de la composition de la base d'apprentissage, en comparant plusieurs architectures (UNet, UNETR, VNet, nnUNet). Enfin, nous proposons une évaluation clinique externe de deux algorithmes IA à travers une métrique directement liée au résultat des biopsies, renforçant la pertinence clinique du cadre proposé. Cette thèse fournit ainsi une base méthodologique pour une intégration sûre, contrôlée et efficace de la segmentation automatique assistée par IA dans le workflow des biopsie ciblées de la prostate avec fusion d'images.

The diagnosis of prostate cancer has been profoundly reshaped by the integration of multiparametric MRI and the development of computer-assisted targeted biopsies. In this context, ultrasound prostate segmentation is a crucial step for MRI-ultrasound fusion and biopsy guidance. However, segmentation remains a time-consuming and operator-dependent process, subject to substantial inter- and intra-observer variability. Meanwhile, advances in artificial intelligence (AI) offer the prospect of reliable automation, but defining a robust ground truth and clinically meaningful quality criteria remains a major challenge. The objective of this thesis is to provide a comprehensive methodology for the rigorous evaluation of prostate ultrasound segmentation methods—including manual, semi-automatic, and AI-based approaches—and to assess their clinical impact in the context of targeted biopsies. This work includes three main contributions. (1) Clinical evaluation of segmentation in routine practice: we evaluate the direct impact of segmentation quality on the diagnostic performance of targeted biopsies, particularly through the analysis of the MRI-ultrasound relative volume difference and operator learning curves. (2) Definition of objective quality criteria and robust ground truths: we conduct an exhaustive comparison of manual and semi-automatic segmentations, quantify their variability, and propose a methodological framework to construct a multi-expert ground truth. (3) Evaluation of advanced AI training strategies: we assess the influence of ground-truth type (individual annotations, multi-expert annotations, or consensus), as well as the size and composition of the training dataset, by comparing several representative architectures (UNet, UNETR, VNet, nnUNet). Finally, we provide an external clinical evaluation of two AI algorithms using a metric directly linked to biopsy outcomes, thereby reinforcing the clinical relevance of the proposed framework. This thesis thus provides a methodological basis for the safe, controlled, and effective integration of AI-assisted automatic segmentation into the workflow of targeted prostate biopsies with image fusion.