Apprentissage Interactif et Collaboratif pour la Segmentation des Vaisseaux – I-VESSEG

I-VESSEG était organisé en quatre axes de travail. Le premier a développé des stratégies d'apprentissage actif permettant d'entraîner un modèle de segmentation à partir d'un ensemble minimal d'images soigneusement sélectionnées, plutôt que d'exiger l'annotation complète de vastes jeux de données. L'idée clé est de demander à l'expert d'annoter uniquement les images les plus informatives, réduisant ainsi considérablement le temps de travail nécessaire sans sacrifier la qualité du modèle.

Le deuxième axe a développé des méthodes permettant à un même modèle de segmenter les vaisseaux quelle que soit la modalité d'imagerie utilisée. Ces méthodes apprennent une représentation des vaisseaux fondée sur leur géométrie, indépendante de leur apparence visuelle dans chaque type d'examen. Cela permet par exemple d'adapter un modèle entraîné sur des images artérielles pour qu'il fonctionne sur des images veineuses, un scénario particulièrement difficile.

Le troisième axe a déployé le cadre en utilisant l'apprentissage fédéré, une technologie permettant à plusieurs hôpitaux d'entraîner conjointement un modèle partagé sans jamais échanger de données patients. Le défi spécifique adressé est celui des réseaux hospitaliers réels, où les scanners, les protocoles et les données disponibles diffèrent fortement d'un site à l'autre.

Le quatrième axe visait à démontrer la valeur clinique des outils dans deux contextes : la détection du signe de la veine centrale pour le diagnostic de la sclérose en plaques, et la détection de sténoses artérielles intracrâniennes comme facteur de risque d'AVC. Le projet a impliqué un consortium multidisciplinaire réunissant EURECOM, Inria, l'University College London, l'Université de Sienne et l'Institut des Neurosciences de Grenoble.

I-VESSEG a produit cinq contributions majeures.

V-DiSNet (MICCAI 2025) est un cadre d'apprentissage actif qui sélectionne en une seule passe le sous-ensemble d'images le plus informatif à annoter, réduisant drastiquement le temps expert nécessaire à l'entraînement d'un modèle de segmentation. La méthode repose sur un dictionnaire de motifs vasculaires récurrents appris à partir d'un petit ensemble de référence, et une stratégie d'échantillonnage qui maximise la diversité des exemples sélectionnés.

A2V (BMVC 2023) et MultiVesSeg (MELBA 2025) sont deux méthodes complémentaires permettant la généralisation inter-modalités. A2V adapte un modèle entraîné sur des images artérielles TOF vers l'imagerie veineuse SWI, en apprenant une translation d'image qui préserve la géométrie des vaisseaux. MultiVesSeg étend cette approche à trois scénarios de généralisation croissante, sans entraînement adversarial.

RobustMedSeg (MICCAI 2024) est un cadre d'apprentissage fédéré robuste aux conditions réelles des réseaux hospitaliers, où les clients diffèrent par leur scanner, leur modalité et leurs annotations disponibles. Une première phase fédérée construit une représentation latente partagée ; une seconde phase locale adapte le modèle à chaque site.

VesselVerse (MICCAI 2025, spotlight) est la plus grande ressource publique d'annotations de vaisseaux cérébraux à ce jour : 950 images annotées issues de trois bases de données publiques, avec jusqu'à 9 annotations expertes par image, accompagnées d'une plateforme collaborative de type contrôle de version pour la gestion des annotations.

Le projet a également contribué à deux défis internationaux : SMILE-UHURA (ISBI 2023) sur la segmentation de petits vaisseaux en IRM 7T, et TopCoW (MICCAI 2023) sur la segmentation topologique du polygone de Willis, réunissant plus de 250 équipes participantes, avec un article de synthèse à paraître dans le New England Journal of Medicine.

I-VESSEG a ouvert plusieurs directions de recherche désormais poursuivies dans des projets successeurs.

La continuation la plus directe est le projet ERC Consolidator Grant CARAVEL (no. 101171357), obtenu par la PI en 2025. CARAVEL s'appuie sur le cadre méthodologique, les jeux de données ouverts et les partenariats cliniques développés dans I-VESSEG, en les étendant vers des études à grande échelle de la santé cérébrovasculaire et du vieillissement.

Au-delà du programme de la PI, I-VESSEG a catalysé de nouvelles initiatives au sein du consortium. Le projet ANR JCJC VINCERE-ICH (Dr. Barbara Casolla, CHU Nice) déploiera les outils I-VESSEG pour l'extraction des vaisseaux péri-hématomateux dans l'hémorragie intracérébrale, étendant le cadre à une nouvelle indication clinique. Le projet France Life Imaging AVA-STROKE (Dr. Benjamin Lemasson, GIN) les appliquera à l'imagerie vasculaire avancée dans l'AVC.

VesselVerse (https://i-vesseg.github.io/vesselverse/) représente une perspective importante pour la communauté : conçu comme une ressource évolutive, le jeu de données peut être enrichi par de nouvelles contributions via la plateforme collaborative. À mesure qu'il grandira, il permettra une évaluation de plus en plus rigoureuse des méthodes de segmentation dans des conditions réalistes de variabilité inter-annotateurs, une problématique que le projet a contribué à mettre en lumière.

Enfin, le cadre d'apprentissage fédéré développé dans le troisième axe a une applicabilité bien au-delà de la segmentation vasculaire. Sa capacité à gérer des distributions de labels hétérogènes entre clients adresse un verrou fondamental à l'adoption de l'apprentissage fédéré dans les réseaux hospitaliers réels, et son extension à d'autres structures anatomiques et tâches cliniques constitue une perspective naturelle et précieuse.

I-VESSEG vise à résoudre l’impasse qui entrave l'utilisation d'outils de segmentation 3D des vaisseaux pour l’analyse efficace des examens angiographiques. Le projet s'appuiera sur des techniques d'apprentissage automatique et répondra à leurs limites concernant le besoin de grands ensembles de données d’entrainement annotées et leur mauvaise généralisation. I-VESSEG utilisera l'apprentissage interactif pour permettre l’entrainement progressif à partir d'annotations faibles fournies par l'utilisateur. Pour faciliter l'accès aux données, I-VESSEG sera formulé dans un paradigme collaboratif d'apprentissage fédéré qui permettra l’apprentissage sans besoin de partage de données sensibles ni de stockage centralisé. En s'appuyant sur des techniques d'adaptation de domaine, I-VESSEG sera applicable de manière transparente à toutes modalités d'imagerie cérébrovasculaire. Grâce à une collaboration unique avec un réseau international de partenaires d'excellence en neuro-imagerie, la valeur translationnelle de ce projet sera démontrée sur deux cas cliniques ayant un impact sociétal primaire : 1) le diagnostic de la sclérose en plaques ; et 2) la détection de la sténose intracrânienne, un facteur de risque d'AVC.