Objectifs L’objectif de l’étude est le développement d’un outil de segmentation automatique de l’anatomie zonale prostatique sur la séquence en pondération T2 en IRM, basé sur l’apprentissage profond (réseau de neurones), robuste quelle que soit la variabilité morphologique de la prostate et les caractéristiques techniques des séquences (constructeurs, aimants, épaisseur de coupes, champs de vue). Méthodes Nous avons utilisé une variante du réseau U-Net 3D de Isensee avec le Dice généralisé pour fonction de coût, que nous avons entraîné sur les bases de données publiques ProstateX (79 volumes) et PROMISE12 (50 volumes) ré-échantillonées à une résolution de 1 × 1 × 3 mm, avec une répartition entraînement/validation de 4/1, et ce durant 150 epochs. En post-traitement nous avons extrait la plus grande zone connexe. Pour les tests nous avons utilisé les bases de données NCI-ISBI-Dx (29 volumes) et MSD-P (32 volumes), ainsi qu’une base de donnée privée (10 volumes, 2 types de constructeurs). Résultats Pour évaluer la performance du réseau nous avons utilisé une mesure volumique (Dice). Les Résultats étaient variables, fonction des bases de données utilisées : – sur la base de données MSD-P, dont les caractéristiques images sont très homogènes (même centre et même constructeur machine) le Dice moyen était bon évalué à 0,899 (± 0,033) ; – sur la base de données NCI-ISBI-Dx, comportant des IRM acquises sur des machines de constructeurs différents, la performance est moindre mais correct avec un Dice moyen de 0,840 (± 0,028) ; – sur la base de données privée avec des constructeurs et des types de séquences différentes le Dice moyen était de 0,903 (± 0,019) à 0,610 (± 0,310). La performance était supérieure pour les données proches de celles utilisés à l’entraînement (Fig. 1, Fig. 2, Fig. 3). Conclusion Ce réseau de neurones est la première étape d’un framework qui fonctionnera secondairement à des résolutions plus élevées sur une zone réduite, pour lequel il serait intéressant d’intégrer l’anisotropie et une métrique de distance spatiale. La performance du réseau est fortement liée aux caractéristiques des données utilisées pour l’entraînement (type de constructeur, champ de vue utilisé).