Apport des reconstructions par Deep Learning sur les séquences IRM T2 pour la détection des lésions d'endométriose pelvienne profonde

INTRODUCTION : l'endométriose est une pathologie gynécologique fréquente entraînant des douleurs pelviennes chroniques, avec un retard diagnostique important. Le diagnostic repose sur l'examen clinique, l'échographie et l'IRM, cette dernière permettant la cartographie des lésions. Depuis 2020, le score dPEI standardise cette cartographie, essentielle pour le bilan préopératoire des patientes. Cependant, la complexité des lésions peut rendre la cartographie difficile. De nouvelles reconstructions en deep learning sont désormais disponibles en IRM et réduisent le temps d'acquisition, améliorent la qualité des images et pourraient permettre une meilleure détection des lésions d'endométriose pelvienne profonde. OBJECTIF : l’objectif principal de cette étude était d’évaluer l’apport des reconstructions en deep learning sur la confiance diagnostique pour l’endométriose pelvienne profonde. Les objectifs secondaires étaient l'évaluation du bruit, des artefacts, du contour des organes, de la détectabilité des lésions et de la qualité globale de l’image. Une évaluation du rapport signal sur bruit des différentes zones anatomiques été réalisée. MÉTHODE : étude rétrospective monocentrique menée sur 154 patientes ayant passé une IRM pelvienne entre novembre 2022 et avril 2023. Les images ont été évaluées qualitativement et quantitativement par deux radiologues, en comparant les séquences T2 Propeller de référence et les reconstructions en deep learning simple (ARDL) et avec ajout d’un filtre de durcissement (FL). RÉSULTATS : les reconstructions en deep learning ont montré une amélioration significative de la confiance diagnostique par rapport au T2 Propeller, avec une qualité d'image supérieure, se traduisant par des AUCVGC moyennes respectivement pour ARDL et FL de 0,80 et 0,89 pour le lecteur junior et 0,70 et 0,75 pour le lecteur senior. Les séquences en deep learning ont également surpassé le T2 original, avec des AUCVGC moyenne de 0,13 pour le junior et 0,01 pour le senior. Pour les critères de jugement secondaires, les deux séquences reconstruites en deep learning étaient significativement supérieures au Propeller, à l'exception des artefacts. Les AUCVGC moyens pour les cinq critères secondaires étaient respectivement en ARDL et FL de 0,87 et 0,92 pour le lecteur junior, 0,75 et 0,85 pour le lecteur senior. Pour les critères quantitatifs, le rapport signal-sur-bruit était significativement plus élevé avec les séquences deep learning par rapport aux autres séquences au niveau du myomètre, de la zone jonctionnelle, du muscle piriforme droit et de la lésion d’endométriose pelvienne profonde, avec un SNR moyen en axial et en sagittal toutes localisations confondues à 9,7 en FL, 8,9 en ARDL, 6,5 en Propeller et 4,3, en T2 Original. CONCLUSION : les reconstructions en deep learning, en particulier avec le filtre de durcissement, présentent des performances similaires voire supérieures aux séquences T2 Propeller dans le diagnostic de l'endométriose pelvienne profonde. Ces résultats soulignent leur potentiel pour améliorer la pratique clinique, en réduisant le temps d'acquisition et en offrant une meilleure qualité d'image.