Évaluation clinique de SubtlePET®, un algorithme de débruitage développé par intelligence artificielle basée sur l’apprentissage profond

Objectif Determiner, sur des fantomes et des patients, l’impact de SubtlePET, un algorithme de debruitage developpe par intelligence artificielle basee sur l’apprentissage profond, applique aux donnees brutes de TEP-FDG a moindre statistique par rapport aux temps d’acquisition utilises habituellement, en tenant compte des activites d’injection europeennes. Materiel et methode Des images de spheres faiblement et fortement contrastees en FDG (SBR= 2 et 5) et du fantome NEMA IEC et de micro-spheres fortement contrastees (SBR = 5) du fantome Jaszczak ont ete acquises sur 3 appareils de TEP-TDM differents (General Electric Healthcare Discovery 710, DMI4 et IQ4) ; 110 patients presentant differentes pathologies ont ete inclus. Pour chaque fantome ou patient, les images ont ete acquises avec la statistique d’acquisition habituelle (PET100) et post-traitees avec l’algorithme SubtlePET avec la moitie (PET50 + SP) ou le tiers (PET33 + SP donnees des fantomes uniquement). Resultats Pour 50 % des donnees, le niveau de bruit ainsi que les indices SUVmax sont compenses par SubtlePET (i.e. PET50 + SP). A l’inverse, meme ameliores par SubtlePET, nos resultats suggerent qu’une reduction de 66 % des statistiques (i.e. PET33 + SP) conduit a une perte potentielle d’information en termes d’augmentation du bruit et surtout de detectabilite des lesions. En ce qui concerne l’ensemble des donnees des patients, les images PET100 et PET50 + SP etaient visuellement comparables. L’algorithme SubtlePET a ete capable de recuperer correctement les valeurs SUVmax des lesions et de maintenir un niveau de bruit et une detectabilite equivalents aux images natives. Conclusion Sur la base de nos resultats, SubtlePET semble etre pret a etre utilise en pratique clinique pour des acquisitions a demi-duree ou a demi-dose par rapport aux parametres de temps et d’injection habituellement utilises en France et en Europe. Les consequences d’un tel outil sont potentiellement importantes pour l’organisation et l’activite des services (augmentation des flux de patients, developpement de l’activite par traceurs onereux).