Le CAD améliore-t-il les performances en détection ?

J. Le Sein, 2004, t. 14, n° 2, pp. 75-84 © Masson, Paris, 2004

SESSION II : LES LÉSIONS NON DÉTECTÉES PAR INSUFFISANCE DE MOYENS

LE CAD AMÉLIORE-T-IL LES PERFORMANCES EN DÉTECTION ? Does CAD improve detection yield?

B. BOYER-NANCY Centre Alexis Vautrin, Vandœuvre-les-Nancy.

INTRODUCTION L’exactitude des compte rendus d’imagerie, en particulier pour la mammographie, dépend des qualités d’observation et d’interprétation des radiologues, qui sont variables. Plusieurs facteurs limitent la possibilité pour les observateurs de détecter et de diagnostiquer les signes de maladies sur des images médicales : absence de recherche systématisée d’information, présence de « bruit de fond », défaut de perception. La grande quantité d’images à analyser dans certaines modalités d’imagerie, le chevauchement des aspects radiologiques normaux et anormaux peuvent contribuer à causer d’autres erreurs. Les études portant sur la « vision informatique » et « l’intelligence artificielle » dans la lecture des images médicales ont montré que les ordinateurs pouvaient être moins enclins que les observateurs humains à certaines erreurs. Depuis plusieurs décennies, des programmes de recherche ont porté sur l’utilisation d’algorithmes informatiques pour améliorer à la fois la perception et l’interprétation des images diagnostiques [9]. La plupart des secteurs de l’imagerie médicale ont fait l’objet de travaux sur le CAD ; plusieurs ont bénéficié du marquage CE ou d’un agrément de la FDA, sont utilisés en pratique clinique et peuvent donner lieu à remboursement dans certains cas [18]. C’est à ce jour la mammographie qui en bénéficie au premier chef. CONTEXTE ET DÉFINITIONS Progrès technique La mutation rapide de presque toutes les modalités de l’imagerie médicale, dont la mammographie, vers le numérique constitue une opportunité majeure d’émergence des système d’aide informatisée à la détection ou au diagnostic. Les images n’ont plus besoin, pour être « vues » par un outil informatique, d’être secondairement numérisées, ce qui suppose manipulaTirés à part : B. BOYER-NANCY, Centre Alexis Vautrin, 6, avenue de Bourgogne, 54511 Vandœuvre-les-Nancy.

tion, risque d’erreur et perte de temps. Elles sont « prêtes à l’emploi », et le CAD peut s’intégrer parfaitement dans l’activité radiologique. L’amélioration de la qualité de ces images numériques, la plus grande vitesse et la capacité de stockage accrue des ordinateurs, capables de gérer des images « lourdes » dans le cadre de réseaux, la disponibilité d’importantes bases de données d’imagerie médicale sont apparues en même temps que devenait évidente l’opportunité médicale de recourir à l’assistance de systèmes informatiques, en particulier dans le cadre de dépistages organisés, dont celui du cancer du sein est le plus abouti. Dépistages organisés et assistance informatisée à la détection Les campagnes de dépistage organisé consistent à chercher, chez des sujets réputés en bonne santé, des signes de maladie dont la découverte sera rare. Cette activité récente génère un travail répétitif, sur des images très majoritairement normales. C’est le cas pour le dépistage du cancer bronchopulmonaire par scanner basse-dose chez les sujets à risque, pour la recherche de polypes en colonographie par scanner, pour le dépistage mammographique du cancer du sein où l’occurrence d’une anomalie significative est de moins de 1 %. Dans le cas du dépistage mammographique, 10 % à 30 % des cancers présents lors du dépistage sont « manqués ». Dans une large part de ces cas, les signes de cancers peuvent être retrouvés rétrospectivement. Ils ont été méconnus en raison de leur caractère subtil, à cause de la qualité suboptimale des examens, ou simplement non vus par le radiologue. Ces détections manquées peuvent être « récupérées » par un dispositif de seconde lecture. L’utilisation de systèmes CAD peut augmenter l’efficacité du dépistage. Une spécificité imparfaite est en principe un obstacle à l’utilisation de ces dispositif dans le cadre du dépistage, mais la faible prévalence de la maladie et l’importance individuelle du risque de méconnaître un cancer peuvent conduire à privilégier une sensibilité élevée, au prix de la gestion de faux-positifs dont le nombre doit rester maîtrisé.

76

B. BOYER-NANCY

Les systèmes d’Assistance Informatisée à la Détection ou Computer-Aided Detection (CAD) mettent en évidence des zones de l’image médicale susceptibles de correspondre à des anomalies (des cancers ou des lésions précancéreuses dans le cadre du dépistage organisé des cancers) ; après une première lecture « non assistée », le radiologue en prend connaissance et décide ou non de les considérer comme significatives. Lui seul prend la responsabilité d’intégrer à son compterendu final les éléments issus du CAD, qui reste un outil, au même titre que d’autres traitements d’images ou des dispositifs de visualisation. C’est le radiologue qui injecte ou non dans le compte rendu final la plus-value du CAD intégrée à sa connaissance médicale. Déontologie et consumérisme Une obligation de moyens s’impose aux médecins en France, et l’article 32 du code de déontologie médicale dispose que les soins sont donnés, et les diagnostics élaborés, « […] conformément aux données acquises de la science […] ». Cette obligation est de plus en plus souvent appréciée par les juges du droit commun, car le nombre de plaintes de patients est notoirement en augmentation rapide. Le public est de plus en plus largement informé des possibilités offertes par les systèmes informatiques en médecine et spécialement en imagerie médicale. Le droit de chacun à une information complète sur les soins qui lui sont donnés, que ce soit dans le cadre curatif, diagnostic ou du dépistage, est heureusement admis. Le consumérisme en santé a été rendu possible par la médiatisation et la vulgarisation des connaissances médicales du public. Les patients, par le biais des associations et de la représentation des usagers institutionnalisée par la loi de mars 2002 sur les droits des malades, et donc les assureurs en responsabilité civile professionnelle, ne tarderont sans doute pas à mettre le CAD au rang des prestations nécessaires. La réglementation « de la Qualité » s’impose progressivement (évaluation, accréditation, certification, …). Elle rend nécessaire une homogénéité et une reproductibilité de la prestation offerte, auxquelles peut contribuer le CAD. Ces éléments concourent à imposer à plus ou moins brève échéance l’utilisation des outils performants disponibles dont nous pouvons disposer, dont les systèmes d’assistance informatisée à la détection.

BASES THÉORIQUES Généralités Les algorithmes : aperçu Les systèmes CAD comprennent une partie logicielle spécifique à chaque type d’application,

et une partie d’aide à la décision qui est l’adaptation de dispositifs plus « généralistes » adaptés à chaque cas particulier. • Réseaux neuronaux artificiels La détection ou le diagnostic assisté par ordinateur reposent largement sur des systèmes « d’intelligence artificielle », capables « d’apprendre ». Ce sont les réseaux neuronaux artificiels (Artificial Neural Networks = A.N.N.), tentative de simuler, au sein de matériels informatiques spécialisés ou dans des logiciels sophistiqués, des couches multiples de structures élémentaires appelées neurones. Le traitement d’images et la reconnaissance de formes sont un domaine d’application privilégiés des A.N.N. parmi beaucoup d’autres ; la prédiction de risque, la classification de données sont des modes d’action électifs des A.N.N., et ils représentent un outil très efficace pour le CAD. Avec une bonne compréhension de leurs capacités et de leurs limites, les A.N.N. peuvent efficacement être appliqués à la détection précoce et au diagnostic des cancers [68]. • Extraction des éléments discriminants Ce sont eux qui, après avoir été quantifiés automatiquement, vont constituer les données d’entrée des A.N.N. Associées à la comparaison à des bases de données évolutives, de nombreuses « pistes » ont été ou sont explorées, dont le type dépend de la nature des anomalies à détecter et de leur environnement : — nodules pulmonaires en radiographie : filtrage adaptatif pour rehaussement des nodules et suppression de l’image de poumon normal, extraction de contours par méthodes morphologiques conventionnelles ou logiciel spécifique pour élimination des faux-positifs ; — nodules pulmonaires au scanner : segmentation, seuillage multiple du niveau de gris, étude de connectivité pour éliminer les vaisseaux, puis approche morphologique (localisation, volume et forme [15]) et densitométrique de chaque nodule « candidat » [6] ; — polypes coliques au scanner : segmentation avec approche orientée par l’anatomie, étude densitométrique et morphologique ; — foyers de microcalcifications en mammographie : segmentation, filtration spatiale et obtention d’une image sans « trame de fond », extraction de signal par seuillage global et local du niveau de gris, extraction de contours puis application d’un A.N.N. [23] ; — masses en mammographie : exploitation des différences de densité optique dans les différentes régions du sein, et par rapport au sein contro-latéral dans certains systèmes, extraction de contours avec filtration morphologique, taille, forme et distance au bord du sein. Le traitement numérique de l’environnement tumoral a également été étudié [84] ;

Le CAD améliore-t-il les performances en détection ?

— analyse informatisée de la densité du sein : elle a été étudiée, en particulier chez les patientes porteuses d’une mutation du gène BRCA1 ou BRCA2 [86]

77

haute sensibilité pourrait être choisie pour le dépistage d’une patiente à haut risque de cancer, alors qu’une faible sensibilité et une spécificité plus grande seraient retenue pour le dépistage d’une patiente à faible risque de cancer.

Applications des A.N.N. en dehors de l’imagerie Les A.N.N. sont employés pour la prise de décision en oncologie. Leur utilisation est proposée dans l’estimation du pronostic chez les patientes atteintes de cancer du sein [35]. Ils sont employés pour déterminer les procédures radiologiques les plus appropriées aux situations cliniques rencontrées [40]. Les A.N.N. ne peuvent toutefois pas remplacer l’approche statistique classique dans toutes les applications [74]. Affichage des résultats du CAD Une séquence d’utilisation rigoureuse doit être respectée pour permettre l’exploitation optimale des possibilités du système CAD : lecture humaine sans le CAD, puis lecture avec le CAD. Il s’agit d’apporter un surcroît de performance à la lecture humaine, et non de la remplacer, en tout cas en l’état actuel. À défaut de cette rigueur, l’utilisation inadaptée d’un système CAD peu performant pourrait dégrader la performance de la lecture humaine [95]. Des systèmes efficace de transmission des données de sorties du CAD doivent être utilisés, pour optimiser l’interaction entre lecteur humain et CAD dans le processus de détection et/ou d’interprétation. Il peut s’agir de simples annotations ou symboles reportés sur l’image médicale, au mieux de façon interactive à l’écran d’un console de lecture. Chaque firme a son code de marquage des zones d’intérêt. En mammographie, les zones pouvant correspondre à des foyers de microcalcifications sont marquées par des triangles chez R2 et des rectangles de taille proportionnelle à l’étendue du foyer chez CADx. Les zones pouvant correspondre à des masses sont marquées par des étoiles chez R2, par des ovales de taille proportionnelle à celle de l’anomalie chez CADx. Une autre approche possible est de fournir au lecteur un ensemble de lésions avec des caractères similaires à ceux de l’image détectée, et dont le diagnostic est prouvé ; cette option a été envisagée pour la mammographie [86], mais c’est en imagerie de l’encéphale qu’elle s’est imposée pour l’instant. Il serait intéressant que le radiologue puisse paramétrer en temps réel le système CAD, en réglant sensibilité et donc spécificité en fonction des conditions précises où il se trouve face à des images médicales. Les besoins ne sont en effet pas constants, et le radiologue devrait pouvoir choisir et adapter le compromis qui est toujours fait : une

CHAMP D’APPLICATION Les travaux initiaux Des travaux pré-cliniques ont fait l’objet de publications de synthèse dès 1993, en particulier sur l’assistance informatique à la détection de foyers de microcalcifications en mammographie, montrant un impact positif sur l’indice de confiance des radiologues exprimé par l’étude de leurs courbes R.O.C. [24]. L’amélioration des performances d’un lecteur de mammographies par le CAD était montré dès 1994 [85]. Applications cliniques Le potentiel des outils informatiques a conduit à envisager leur application à de nombreux domaines de l’imagerie médicale, certains aux frontières avec les disciplines cliniques : assistance informatique à la lecture de prélèvement cytologiques, à l’examen instrumental des lésions cutanées pigmentées, etc. La différence avec le domaine radiologique n’est qu’apparente, et ce sont les mêmes mécanismes qui sont testés, dans des contextes proches tels que le dépistage organisé des cancers. Ce dépistage repose sur les mêmes fondamentaux, qu’il s’agisse de cancer du sein en mammographie, de mélanome en dermoscopie, de cancer bronchopulmonaire au scanner ou de cancer du col utérin en lecture assistée par ordinateur des frottis. Une revue de synthèse [92] montre que la sensibilité et la spécificité rapportées dans la littérature pour le CAD ne diffèrent pas significativement de celles d’un clinicien expert. Des systèmes complètement automatisés semblent donner des résultats prometteurs dans la détection des lésions malignes et le suivi quantitatif des lésions dans la durée [42, 70]. L’intérêt de ces méthodes pour un diagnostic plus précoce et à des fins pédagogiques a été souligné [130]. Applications en imagerie sénologique La mammographie est considérée comme la meilleure méthode de dépistage du cancer du sein, mais la lecture de grandes séries de clichés parmi lesquels 1 % seulement contiennent une image de cancer, est difficile et propice à l’erreur. Jusqu’à un quart des cancers échappe au radiologue dans le cadre des dépistages organisés, ce qui a motivé la mise en place d’une double lecture. Outre les nombreux travaux portant sur l’amélioration et la combinaison des algorithmes de dé-

78

B. BOYER-NANCY

tection [145], la réflexion autour des possibilités nouvelles de traitement informatique de l’image (soustraction, simulation de paramètres techniques « virtuels », …) a conduit à proposer des pistes d’amélioration sans débouchés cliniques, telles que la double compression (comparaison de 2 clichés du même sein avec études du mouvement des septa fibreux en présence d’une éventuelle lésion maligne) [8], ou la simulation de grille anti-diffusante qui aurait permis un gain important en dose délivrée [30]. Les développements et recherches entrepris depuis de nombreuses années sur le CAD en mammographie ont récemment quitté le domaine de la recherche pour intégrer le champ clinique [69]. L’apparition de la mammographie numérisée constitue l’opportunité majeure pour le CAD de prendre une place prépondérante dans le circuit de lecture des mammographies ; son efficacité à partir de mammographies numérisées plein champ est au moins équivalente à celle observée sur films secondairement numérisés [4, 12, 53], avec une ergonomie optimisée. Comme dans les autres domaines où il est employé, le CAD en mammographie doit être employé comme un outil : après une lecture « classique », le radiologue consulte les données CAD et revoit les clichés en « réinjectant » la plus-value du CAD dans un acte qui reste médical et sous sa responsabilité entière [16]. Il est important de noter que, utilisé de façon non adaptée, un système CAD aux performances insuffisantes, ou mal paramétré, peut conduire à une dégradation des performances du lecteurs et augmenter le nombre de faux-négatifs [16, 95]. Revue de la littérature Les travaux réalisés sont très concordants : ils montrent l’intérêt du CAD en mammographie. Toutefois, certains résultats sont plus réservés en ce qui concerne le bénéfice du CAD pour des lecteurs très expérimentés [7], ou pour certaines images [2] ; au contraire, l’impact est très marqué sur des lecteurs non spécialisés, et l’usage du CAD peut prendre place dans des structures pédagogiques (auto-enseignement assisté, etc.) [29]. L’approche diagnostique est améliorée par la prise en compte dans le CAD de déterminants tels que les descripteurs du lexique BI-RADS et des éléments cliniques, avec une amélioration de tous les paramètres de détection dont la spécificité [3, 23, 51]. Il a même été envisagé que la prise en compte par un A.N.N. des éléments mammographiques et démographiques des patientes puisse permettre de surseoir à des biopsies chirurgicales… [55]. Des études ont montré que l’utilisation du CAD augmentait le nombre de biopsies proposées pour des lésions effectivement malignes, diminuait le nombre de celles proposées pour des

lésions finalement bénignes [38], et réduisait la variabilité de l’interprétation des mammographies [36]. L’efficacité du CAD apparaît meilleure pour les foyers de microcalcifications, moindre pour les opacités nodulaires, intermédiaire pour les opacités spiculées. Elle ne semble pas s’accompagner d’une augmentation marquée du taux de rappel de faux-négatifs [21]. Une étude va dans un sens différent : l’utilisation d’un A.N.N. « entraîné » pour estimer la nécessité d’une biopsie donne de meilleurs résultats pour les masses que pour les foyers de microcalcifications [59]. Deux grandes études sont notables. Celle de Birdwell [5] porte sur 115 cancers « manqués » au dépistage, secondairement soumis à l’analyse du CAD. Les erreurs concernaient des microcalcifications et des masses, elles étaient imputées à la densité du sein dans 34 % des cas, à un élément « distracteur » dans l’image dans 44 % des cas. Parmi les lésions initialement manquées, le CAD permettait de mettre en évidence 83 % des microcalcifications manquées en raison de la densité du sein, 100 % des microcalcifications manquées en raison de leur caractère poussiéreux, 69 % des convergences fibreuses et 74 % des lésions en périphérie de la glande. Au total, 77 % des cancers manqués au dépistage (88/115) étaient mis en évidence par le CAD. Celle de Freers [24], réalisée de façon prospective sur 12 860 patientes, a montré, par rapport à une lecture « simple », une augmentation du taux de rappel de 6,5 % à 7,7 %, sans modification de la VPP de la biopsie (38 %), avec une augmentation de 19,5 % des cancers détectés, et un pourcentage plus élevé de formes de faible stade (78 % de stades 0 et 1 contre 73 %). Des études portant sur de très grands nombres de patientes sont en cours ; l’apport du CAD sera également mesuré à travers l’évaluation de la mammographie numérique, entreprise en particulier dans le cadre de l’étude ACRIN. Une « veille bibliographique » doit être menée, afin de mesurer l’apport effectif du CAD dans la détection précoce des cancers du sein (tableau I). L’utilisation du CAD homogénéise les résultats de relecture, ce qui présente un intérêt dans l’évaluation des campagnes de dépistage ; dans une étude portant sur des foyers de microcalcifications, 2/3 des désaccords significatifs entre relecteurs ont été résolus par le recours au CAD [39]. Une étude concerne la reproductibilité des renseignements apportés par le CAD ; celle-ci est considérée comme insuffisante pour permettre une utilisation clinique systématique, et devrait faire l’objet de développement prioritaires à ce titre [57]. L’étude souligne en outre l’intérêt, pour l’évaluation du CAD, de distinguer la sensibilité large (un marqueur au moins sur la lésion, quel que soit le nombre de clichés soumis au CAD) et

Le CAD améliore-t-il les performances en détection ?

79

TABLEAU I. — L’impact du CAD en mammographie sur les performances des lecteurs (signalé en +/- ou de…à…) et les performances propres du CAD (indiquées en valeurs absolues), (FM = faux marqueur). TABLE I. — Impact of CAD mammography on reader’s performance (designated ± or from… to…) and on the performance of CAD itself (given in absolute values). FM=false marker. Auteur Baker 1995 [3] Baker 2003 Baum 2002 [4]

Nb dossiers 206 2 CAD 43 63 (cancers)

Résultats Sp de 30 % à 62 % VPP biopsie de 35 % à 61 % 45 distorsions architecturales Se < 50 % : contribution ? Se = 89 % (calcif.) - Se = 81 % (masses) 0,61 FM par image

Birdwell 2001 [5]

115

77 % des faux négatifs « récupérés »

Brem 2001 [7]

106

Se = 98 % (calcif.) - Se = 80 % (masses) 1,2 FM par image

Evans 2002 [19]

94 (CLI)

Freer 2001 [24]

12860 (prospectif)

Ho 2003 [31]

264

Huo 2002 [34]

110

Jiang 1999

104

Leichter 2000 [50]

55 (prospectif)

Malich 2001 [58]

150 (cancers)

Quek 2003 [67]

294 seins

Taft 2001 [80] Brake 1998 [83] Vyborny 2000 [87] Warren Burhenne 2000 [89] Zheng 1996

100 (cancers) 75 677 (masses) 115 220 (masses)

la sensibilité stricte (un marqueur sur la lésion dans chaque incidence). Le suivi temporel des images mammographiques avec comparaison informatisée a été proposé, sans application probante jusqu’alors [86]. L’analyse informatisée du tissu mammaire chez des patientes porteuses d’une mutation du gène BRCA1 ou BRCA2 montre une densité plus élevée que dans la population générale ; la quantification de ce facteur pourrait être prise en compte dans l’appréciation du « sur-risque » chez ces patientes [33], qui en outre bénéficient au mieux des informations fournies par le CAD. L’IRM a par ailleurs permis, après segmentation et analyse assistée par ordinateur, une approche similaire de la composition du sein en compartiments graisseux et fibro-glandulaire [49]. La performance du CAD se dégrade quand la densité du sein augmente [31] (tableau II).

Se = 91 % Se + 19,5 % (100 % pour calcifications, 80 % pour masses) Se = 93,3 % dans type 1 Se = 64,3 % dans type 4 R.O.C. de 0,93 à 0,96 Se de 94 % à 98 % Se de 73,5 % à 87,4 % rendement biopsique de 46 % à 55 % (masses) Se de 92 % à 100 % VPP de 51,1 % à 71,4 % Se = 90 % 1,3 FM par image Se de 74,4 % à 87,2 % Confusion induite dans 1 % Se + 8 % (série 1) Se +10,5 % (série 2) 60 % des faux négatifs « récupérés » 1,0 FM par image Se = 86 % (selon degré de spiculation) 77% des faux négatifs « récupérés » Taux de rappel de 8,3 % à 7,6 % Se = 96 % - 0,79 FM par image (1 alg.) Se = 100 % - 2,07 FM par image (2 alg.)

TABLEAU II. — Performance du CAD en fonction de la densité mammaire. TABLE II. — Impact of breast density on the performance CAD. Densité : type ACR BI-RADS Type 1 : graisseux Type 2 : structures fibroglandulaires éparses Type 3 : sein dense hétérogène Type 4 : sein très dense

Sensibilité

Spécificité

93,3 %

1,3 FM par image

93,9 %

1,6 FM par image

84,8 %

1,6 FM par image

64,3 %

1,2 FM par image

(FM : faux marqueur).

Comme les seins denses, de manière générale, présentent un risque plus élevé de cancer, des faux négatifs plus fréquents en dépistage, il est nécessaire d’optimiser les algorithmes pour les prendre en charge [54].

80

B. BOYER-NANCY

Parmi les développements récents, un système de localisation spatiale des anomalies, prenant en compte les différentes incidences, a été proposé avec des résultats prometteurs [44]. Une simulation de la morphologie du sein mammographié s’il n’était pas comprimé a été étudiée, en vue de la fusion des images mammographiques et IRM (examen réalisé sans compression), avec des résultats intéressants quant à la qualité de cette fusion : une précision de moins de 4 mm est avancée [71, 72]. À côté des importants développements du CAD en mammographie, des recherches en cours portent sur l’application aux images échographiques mammaires, et un potentiel de distinction automatique entre images bénignes et malignes semble se dégager [10, 11], avec des résultats encourageants en termes de courbes R.O.C. [26]et une amélioration de la sensibilité, de la spécificité, de la VPP et de la VPN [47]. Outre un système d’exploration par laser infrarouge piloté par ordinateur (CTI = Computed Thermal Imaging), une application du CAD a été proposée sur la base d’acquisition thermographiques gérées par un A.N.N., dont l’usage serait en particulier adapté aux femmes jeunes et aux adolescentes… [62] Place du CAD dans la chaîne de lecture Pour la pratique « individuelle », se pose le double problème du coût de l’installation et de la complexité de sa mise en commun pour plusieurs structures. Ce problème, en France, est en outre modifié par la généralisation du dépistage organisé, qui ne prend pas en compte pour l’instant une telle modalité dans son cahier des charges. Pour le dépistage organisé, plusieurs propositions sont discutées : — CAD mis à la disposition du premier lecteur (effecteur des clichés) : le problème est similaire à celui de la pratique individuelle ; — CAD remplaçant le premier lecteur : cette solution a été envisagée dans certaines propositions publiées. En France, l’orientation adoptée (restauration d’un contact clinique et d’un contrat médical véritable entre patiente et premier lecteur) semble exclure cette possibilité, pour laquelle les systèmes disponibles ne sont pas suffisamment performants ; — CAD mis à la disposition du 2 e lecteur : la plus viable sur les plans financier et organisationnel, cette perspective pourrait être effective assez simplement. C’est celle qui est le plus largement préconisée pour l’heure. Elle permettrait, outre une amélioration de l’efficacité de la 2 e lecture, une homogénéisation des résultats des différents lecteurs ; ceci présente un intérêt en matière de « pilotage » des campagnes de dépistage et de formation des lecteurs (cf. supra) ; — CAD remplaçant le 2 e lecteur : il s’agirait alors d’un véritable « lecteur électronique », et les

performances observées pour l’instant ne permettent pas de proposer ce type de solution. Offre technique actuelle Les systèmes commercialement disponibles sont assez nombreux ; tous n’ont pas les mêmes agréments, qui conditionnent leur utilisation en routine clinique. Des accords avec les fabricants de mammographes numériques se multiplient, tout autant que les procès entre ces sociétés… Il s’agit d’une offre très évolutive, et il est difficile d’en avoir une vision stable. — ImageChecker M1000 TM (R2 Technologies) : marqué CE, agréé par la FDA en juin 1998 pour le dépistage, puis en 2001 pour la mammographie diagnostique, ce système équipe plus de 500 sites dans le monde. De nombreux accords ont été conclus avec des fabricants de mammographes (en 2002 : Fischer Imaging, Hologic, Siemens, General Electric, …) ; — Second LookTM (CADx Medical Systems) : marqué CE, ce système a lui aussi récemment été agréé par la FDA (novembre 2001). Un accord a été conclu avec General Electric en 2003 ; — Mammex TRTM (Scanis) : cet appareil marqué CE est disponible à la vente en Europe depuis septembre 2000. Son agrément par la FDA est en cours depuis octobre 2000 ; — MammoReaderTM (iCAD) ; — IssiCADTM (Société Intelligent System) ; — ImageClearTM (Titan Systems) ; — Un système sera bientôt intégré aux installations de mammographie numérique sur ERLM Fuji. Le CAD peut être externe : le système informatique d’aide à la détection est implanté distinctement du système d’acquisition et de traitement éventuel des images, et « l’injection » des données du CAD se fait indépendamment de la lecture diagnostique, réalisée sur film ou sur console. Ces systèmes externes permettent de traiter des images provenant de plusieurs sources éventuellement distantes, sous réserve que soient garantie dans les faits la compatibilité avec les différentes installations dans le cadre du standard DICOM, et une connectique polyvalente. Un système externe s’impose quand les clichés analysés sont analogiques (il doivent être secondairement numérisés pour être soumis au système CAD), malgré des protocoles d’identification automatisée des clichés disponibles, mais qui restent « lourds » en utilisation de routine. Le CAD peut être intégré : l’information du CAD est directement accessible sur une console informatique de lecture. Le couplage à un système de lecture sur écran de mammographie numérique offre une ergonomie excellente, qui en fait probablement un standard prochain. Ce mode est envisageable, mais pas obligatoire, lorsque les clichés sont numérisés d’emblée. Cette

Le CAD améliore-t-il les performances en détection ?

81

intégration doit faire l’objet d’engagements spécifiques de maintenance et de mise à niveau, car l’informatique très évolutive du CAD change indépendamment de celle du système d’acquisition des images, à un rythme différent. Le choix entre système externe, et intégré doit prendre en compte les contraintes d’ergonomie, qui conditionnent la réalité du recours au CAD en routine, la nécessité transitoire de prendre en charge des clichés venant de sources analogiques et numériques (lecture longitudinale de plusieurs vagues de dépistage, nécessité d’une même obligation de moyens quel que soit la technique de dépistage), les obligations liées à l’archivage, la perspective de la « télé-mammographie », …

perte de performance quant à la détection des microcalcifications, même si la performance quant à la détection des masses était conservée [96]. Un réseau de « télé-mammographie » avec assistance centralisée par le CAD représente une solution très séduisante, et dont le financement serait sans doute largement couvert par les économies réalisées sur les très importants frais de gestion administrative des centres de lecture de dépistage organisé (manutention des clichés, circulation postale des dossiers, sécurisation de la circulation et de l’archivage de dossiers « papier », …). La faisabilité médico-économique doit être évaluée. Des essais sont fonctionnels ; un projet lorrain de « PACS mammo » est à l’étude.

PERSPECTIVES D’AVENIR

« Pression » socio-économique

Numérisation des modalités d’imagerie et transfert d’images en réseau Pour être réel, l’apport du CAD doit être fourni de façon raisonnablement « transparente » dans le fonctionnement quotidien ; cela suppose que la manutention liée à la numérisation secondaire soit simplifiée : — pour une activité « au fil de l’eau » (dans le cadre du dépistage organisé du cancer du sein, c’est le cas de la première lecture au cabinet des praticiens), le passage à la mammographie numérisée permettrait cette simplification, grâce au transfert automatique des images vers le système informatique, et à la disponibilité quasi-instantanée de l’information complémentaire ; — dans le cas d’une activité différée et regroupée, situation rencontrée dans le cadre de la seconde lecture des campagnes de dépistage organisé du cancer du sein, telle que nous la pratiquons, la « taylorisation » de la numérisation secondaire permettrait de traiter un grand nombre de films, qu’ils soient analogiques ou numériques, et de mettre à la disposition des seconds lecteurs l’information complémentaire de façon non pénalisante en terme de temps médical. C’est le passage progressif de la mammographie analogique à la mammographie numérique qui réglera ce problème, en permettant la circulation des images sans contrainte de manipulation ; le CAD pourra se trouver au sein de réseaux de transmission d’images, ce qui permettra une mutualisation des investissements. Les exigences techniques pour une utilisation distante du CAD, dans le cadre de la « télé-mammographie » ont été envisagées dès 1995 [23]. La transmission à distance des clichés se heurte à la dégradation des résultats due à la compression nécessaire à un flux compatible avec l’efficience des circuits de lecture : une expérience de compression d’image en mode JPEG avant intervention d’un système CAD a mis en évidence une

Le marché est insuffisant pour avoir une vision claire des coûts d’investissements et de maintenance des systèmes CAD disponibles commercialement ; le prix d’achat est de l’ordre de 150 000 à 300 000 euros pour un système « mammo ». Ce coût est un obstacle évident dans le contexte français, où aucun remboursement du CAD n’existe. Les choses sont très différentes dans d’autres pays. Il est admis au États-Unis que l’activité sénologique est déficitaire [17, 22], en particulier pour le dépistage organisé [20], ce qui crée une situation difficile pour les établissements qui en ont l’obligation. Le CAD y fait l’objet d’un remboursement significatif qui permet dans certains cas de restaurer l’équilibre financier des centres de sénologie [45] ; il est, par acte, de 17,74 US Dollars au cabinet et de 28,26 US Dollars à l’hôpital. Mis en place très majoritairement sur l’initiative d’assureurs privés, ce dispositif indique en outre l’intérêt socio-économique du CAD. Des projets semblent se développer en Europe sur une base PC, qui permettraient des investissements très inférieurs ; mais il ne s’agit que de travaux préliminaires. Matériel polyvalent R2 Technologies projette une plate-forme de CAD multi-modalités : OmniCAD TM permettrait la visualisation et le CAD sur des applications cliniques multiples dont le cancer du poumon et l’embolie pulmonaire, le colon et le sein. CADx Medical System prévoit le lancement d’un CAD pour le poumon et le colon en scanner en plus de son système « mammo ». Des techniques innovantes ambitionnent une performance « multi-organes ». C’est le cas du projet HistoScanning TM, basé sur l’étude du signal ultrasonore avant traitement d’image pour la détection d’organisation tissulaire maligne quasi microscopique, et dont les applications évaluées

82

B. BOYER-NANCY

concerneront l’ovaire, le sein et la prostate, en particulier dans le cadre des mutations génétiques de type BRCA. Poursuite de l’évaluation Une évaluation rigoureuse doit être poursuivie ; elle est en particulier rendue indispensable par le taux élevé de faux positifs du CAD, qui contribue à lui interdire le remplacement d’une lecture humaine. La nécessité de cette évaluation est renforcée dans le cadre du dépistage organisé : les campagnes s’adressent à des populations réputées normales dans leur grande majorité, et un niveau acceptable de spécificité doit être atteint [41]. L’ensemble des paramètres de performances du CAD doit être évalué, parmi lesquels la reproductibilité est un élément important. Sur une série de 40 mammographies, numérisées et traitées 10 fois par un système CAD, la reproductibilité était moins bonne pour les anomalies subtiles (21 %), meilleures pour les microcalcifications (76 %) que pour les masses (53 %) [125]. CONCLUSION Les systèmes d’assistance informatisée à la détection sont déjà une réalité. Ils sont implantés de façon significative, utilisés en routine, non seulement aux États Unis, où plusieurs centaines d’appareils sont implantés et où un remboursement par les organismes d’assurance maladie existe, mais aussi en Europe et en France. Leur impact positif sur les performances des radiologues, en particulier dans le cadre des dépistages organisés, est établi, même si une évaluation rigoureuse doit être poursuivie afin de déterminer quelle utilisation optimale doit être faite de ces dispositifs et quelle est leur place dans la chaîne de lecture des examens. Les applications au dépistage mammographique du cancer du sein sont les plus abouties en imagerie médicale oncologique. Les systèmes d’assistance informatisée au diagnostic sont encore une perspective future : bien que certains algorithmes d’aide à la détection proposent des éléments de classification des images, les fonctions diagnostiques des réseaux neuronaux artificiels restent du domaine clinique dans de rares applications d’aide à la décision médicale, ou s’appliquent dans des domaines « frontières » avec l’imagerie médicale. La vitesse des évolutions informatiques laisse à penser que la mise à la disposition des radiologues de telles fonctionnalités se fera d’ici quelques années. L’évaluation des dispositifs existants est une nécessité. Une veille technologique doit être maintenue afin de faire bénéficier au mieux les patients de ces technologies très puissantes d’intelligence artificielle et d’Aide Informatisée à la Décision en Imagerie Médicale (AIDIM) en particulier oncologique.

D’ores et déjà, certaines études évoquent des résultats en termes de gain collectif énormes : dans une série de 177 cancers manqués par la lecture « humaine », 123 ont été détectés par le CAD, soit une augmentation de la sensibilité de 21,2 % [8]. Et l’auteur de conclure : « pour 100 000 femmes porteuses de cancer du sein détecté sans l’aide du CAD, on peut estimer à 21 200 le nombre de cancers supplémentaires détectés grâce au CAD… » Cet enthousiasme reste à confronter à une évaluation prospective rigoureuse, à la fois sur le gain effectif en détection, et sur le coût induit par les faux positifs et procédures diagnostiques qu’ils entraînent. RÉFÉRENCES [1] AICHINGER U, SCHULZ-WENDTLAND R, BAUTZ W. Value of CAD systems, Radiology 2002 ; 23(1) : 255-65. [2] BAKER JA, ROSEN EL, LO JY, et al. Computer-aided detection (CAD) in screening mammography : sensitivity of commercial CAD systems for detecting architectural distorsion, Am J Roentgenol 2003 ; 181(4) : 1083-8. [3] BAKER JA, KORNGUTH PJ, LO JY, et al. Breast cancer : prediction with artificial neural network based on BIRADS standardized lexicon, Radiology 1995 ; 196 : 817822. [4] BAUM F, FISCHER U, OBENAUER S, et al. Computerassisted detection in direct digital full-field mammography: initial results, Eur Urol 2002 ; 12(12) : 3015-7. [5] BIRDWELL RL, IKEDA DM, O’SHAUGHNESSY KF, et al., Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computer aided detection, Radiology 2001 ; 219 : 192-202. [6] BOONE JM, GROSS GW, GRECO-HUNT V. Neural networks in radiologic diagnosis. I. Introduction and illustration, Invest Radiol 1990 ; 25(9) : 1012-6. [7] BREM RF, SCHOONJANS JM. Radiologist detection of microcalcifications with and without computer-aided detection : a comparative study, Clin Radiol 2001 ; 56(2) : 150-4. [8] BREM RF, BAUM J, LECHNER M, et al., Improvement in sensitivity of screening mammography with computeraided detection: multiinstitutional trial. Am J Roentgenol 2003 ; 181(3) : 687-93. [9] Castellino RA, Computer-aided detection in oncologic imaging : screening mammography as a case study, Cancer J 2002 ; 42(4) : 8(2) ; 93-9. [10] CHEN CM, CHOU YH, HAN KC, et al. Breast lesions on sonograms : computer-aided diagnosis with nearly setting-independent features and artificial neural network, Radiology 2003 ; 226(2) : 504-14. [11] CHEN DR, CHANG RF, CHEN WM, et al. Computeraided diagnosis for 3-dimensional breast ultrasonography, Arch surg 2003 ; 138(3) : 296-302. [12] CHRISTOYIANNI I, KOUTRAS A, DERMATAS E, et al. Computer-aided diagnosis of breast cancer in digitised mammography, Comput Med Imaging Graph 2002 ; 26(5) : 309-19. [13] CIATTO S, ROSSELLI DEL TURCO M, RISSO G, et al. Comparison of standard reading and computer aided detection (CAD) on a national proficiency test of screening mammography, Eur J Radiol 2003 ; 45(2) : 135-8. [14] CIATTO S, ROSSELLI DEL TURCO, BURKE P, et al. Comparison of standard and double reading and computer-

Le CAD améliore-t-il les performances en détection ?

aided detection (CAD) of interval cancers at prior negative screening mammograms: blind revue, Br J Cancer 2003 ; 89(9) : 1645-9. [15] DOI K, MAC-MAHON H, KATSURAGAWA S, et al. Computer-aided diagnosis : potential and pitfalls, Eur J Radiol 1999 ; 31(2) : 97-109. [16] D’ORSI CJ. Computer-aided detection: there is no free lunch, Radiology 2001 ; 221 : 585-86. [17] ENZMANN DR, ANGLADA PM, HAVILEY C, et al. Providing professional mammography services : financial analysis, Radiology 2001 ; 219(2) : 467-73. [18] ERICKSON BJ, BARTHOLMAI B. Computer-aided detection and diagnosis at the start of the third millenium, J Digit Imaging 2002 ; 15(2) : 59-68. [19] EVANS WP, WARREN BURHENNE LJ, LAURIE L, et al. Invasive lobular carcinoma of the breast: mammographic characteristics and computer-aided detection, Radiology 2002 ; 225(1) : 182-9. [20] FARRIA D, FEIG SA. An introduction to economic issues in breast imaging, Radiol Clin North Am 2000 ; 38(4) : 843-52. [21] FEIG SA. Economic challenges in breast imaging. A survivor’s guide to success, Radiol Clin North Am 2003 ; 41(2) : 377-93. [22] FEIG SA. Breast cancer screening : potential role of computer-aided detection (CAD), Technol Cancer Res Treat 2002 ; 1(2) : 127-31. [23] FEIG SA, YAFFE MJ. Digital mammography, computeraided diagnosis and telemammography, Radiol Clin North Am 1995 ; 33 : 1205-30. [24] FREER TW, ULISSEY MJ. Screening mammography with computed-aided detection: prospective study of 12860 patients in a community breast center, Radiology 2001 ; 220 : 781-6.

83

[35] JEREZ-ARAGONES JM, GOMES-RUIZ JA, RAMOS-JIMENEZ G, et al. A combined neural network and decision trees model for prognosis of breast cancer relapse, Artif Intell Med 2003 ; 27(1) : 45-63. [36] JIANG Y. Computer-aided diagnosis of breast cancer in mammography : evidence and potential, Technol Cancer Res Treat 2002 ; 1(3) : 211-6. [37] JIANG Y, NISHIKAWA RM, WOLVERTON DE, et al. Malignant and benign clustered microcalcifications : automated feature analysis and classification, Radiology 1996 ; 198 : 671-8. [38] JIANG Y, NISHIKAWA RM, SCHMIDT RA, et al. Improving breast cancer diagnosis with computer-aided diagnosis, Acad Radiol 1999 ; 6(1) : 22-3. [39] JIANG Y, NISHIKAWA RM, SCHMIDT RA, et al. Potential of computer-aided diagnosis to reduce variability in radiologists’ interpretations of mammograms depicting microcalcifications, Radiology 2001 ; 220 : 787-94. [40] KAHN CE Jr. Artificial intelligence in radiology, Radiographics 1994 ; 14(4) : 849-61. [41] KARSSEMEIJER N, HENDRICKS JHCL. Computer-assisted reading of mammograms, Eur Radiol 1997 ; 7 : 743-48. [42] KARSSEMEIJER N, OTTEN JD, VERBEEK AL, et al. Computer-aided detection versus independent double reading of masses on mammograms, Radiology 2003 ; 227(1) : 192-200. [43] KEGELMEYER WP, PRUNEDA JM, BOURLAND PD, et al. Computer-aided mammographic screening for spiculated lesions, Radiology 1994 ; 191 : 331-37. [44] KITA Y, TOHNO E, HIGHNAM R, et al. A CAD system for the 3D location of lesions in mammograms, Med Image Anal 2002 ; 6(3) : 267-73. [45] KOLB GR. New tools for cost-effective delivery of breast imaging, Radiol Manage 2002 ; 22(6) : 28-30.

[25] FROUGE C. La mammographie numérique : intérêt et limites de l’aide au diagnostic, J. Le Sein 1996 ; 7(1) : 2-3.

[46] KOVALERCHUK B, TRIANTAPHYLLOU E, RUIZ JF, et al. Fuzzy logic in computer-aided breast cancer diagnosis : analysis of lobulation, Artif Intell Med 1997 ; 11(1) : 75-85.

[26] GIGER ML, AL-HALLAQ H, HUO Z, et al. Computerized analysis of lesions in US images of the breast, Acad Radiol 1999 ; 6 (11) : 665-74.

[47] KUO WJ, CHANG RF, MOON WK, et al. Computeraided diagnosis of breast tumors with different US systems, Acad Radiol 2002 ; 9(7) : 793-9.

[27] GIGER M, MAC-MAHON H. Image processing and computer-aided diagnosis, Radiol Clin North Am 1996 ; 34(3) : 565-96.

[48] LAMARQUE JL, GUERRIN B, MULLER SL, et al. Un nouvel algorithme pour la détection automatique des amas de microcalcifications : comparaison avec 6 experts, J. Le Sein 1997 ; 7(2) : 76-83.

[28] HaRVEY JA, FAJARDO LL, INNIS CA. Previous mammograms in patients with impalpable breast carcinoma: retrospective vs blinded interpretation, AJR 1993 ; 161 : 1167-72. [29] HATANAKA Y, MATSUBARA T, HARA T, et al. A comparison between physicians’ interpretation and a CAD system’s cancer detection by using a mammogram database in a physicians’ self learning course, Nippon Hoshasen Gijutsu Gakkai Zasshi 2002 ; 58(3) : 375-82. [30] HIGHNAM RP, BRADY JM, SHEPSTONE BJ. Mammographic image analysis, Eur J Radiol 1997 ; 24 : 20-32. [31] HO WT, LAM PW. Clinical performance of computerassisted detection (CAD) system in detecting carcinoma in breasts of different densities, Clin Radiol 2003 ; 58(2) : 133-6. [32] HOFFMEISTER JW, ROGERS SK, DESIMIO MP, et al. Determining efficacy of mammographic CAD systems, J Digit Imaging 2002 ; Suppl 1 : 198-200.

[49] LEE NA, RUSINEK H, WEINREB J, et al. Fatty and fibroglandular tissue volumes in the breasts of women 20-83 years old : comparison of X-ray mammography and Computer-assisted MR Imaging, AJR 1997 ; 168 : 501-6. [50] LEICHTER I, BUCHBINDER S, BAMBERGER P, et al. Applying Quantitative characterization of mass lesions on digitised mammograms for computer-assisted diagnosis, Invest Radiol 2000 ; 35 : 366-72. [51] LEICHTER I, FIELDS S, NIREL R, et al. Improved mammographic interpretation of masses using computeraided diagnosis, Eur Radiol 2000 ; 10 : 377-83. [52] LEICHTER I, LEDERMANN R, BUCHBINDER S, et al. Optimizing parameters for computer-aided diagnosis of microcalcifications at mammography, Acad Radiol 2000 ; 7 : 406-12. [53] LI L, CLARK RA, THOMAS JA. Computer-aided diagnosis of masses with full-field digital mammography, Acad Radiol 2002 ; 9 : 4-12.

[33] HUO Z, GIGER ML, OLOPADE OI, et al. Computerized analysis of digitised mammograms of BRCA1 and BRCA2 gene mutation carriers, Radiology 2002 ; 225(2) : 519-26.

[54] LI L, ZHENG Y, ZHANG L, et al. False-positive reduction in CAD mass detection using a competitive classification strategy, Med Phys 2001 ; 28(2): 250-8.

[34] HUO Z, GIGER ML, VYBORNY CJ, et al. Breast cancer: effectiveness of computer-aided diagnosis observer study with independent database of mammograms, Radiology 2002 ; 224(2) : 560-8.

[55] LO JY, BAKER JA, KORNGUTH PJ, et al. Predicting breast cancer invasion with artificial neural networks on the basis of mammographic features, Radiology 1997 ; 203 : 159-63.

84

B. BOYER-NANCY

[56] LO SC, LI H, WANG Y, et al. A multiple circular path convolution neural network system for detection of mammographic masses, IEEE Trans Med Imaging 2002 ; 21(2) : 150-8. [57] MALICH A, AZHARI T, BÖHM T, et al. Reproducibility – an important factor determining the quality of computer-aided detection (CAD) systems, Eur J Radiol 2000 ; 36 : 170-4.

[77] SCHNORRENBERG F, PATTICHIS CS, KYRIACOU KC, et al. Computer-aided detection of breast cancer nuclei, IEEE Trans Inf Technol Biomed 1997 ; 1(2) : 128-40. [78] SÉRADOUR B, HEID P, PAGLIUCHI C, et al. Apport d’un système d’Aide à la Détection Assistée par Ordinateur dans le cadre d’un programme de dépistage ? J Le Sein 2001 ; 11(1-2) : 13.

[58] MALICH A, MARX C, FACIUS M, et al. Tumour detection rate of a new commercially available computer-aided detection system, Eur J Radiol 2001 ; 11(12) : 2454-9.

[79] SKLANSKY J, TAO EY, BAZARGAN M, et al. Computeraided, case based diagnosis of mammographic regions of interest containing microcalcifications, Acad Radiol 2000 ; 7 : 395-405.

[59] MARKEY MK, LO JY, FLOYD CE JR. Difference between Computer-aided diagnosis of breast masses and that of calcifications, Radiology 2002 ; 223(2) : 489-93.

[80] TAFT R, TAYLOR A. Potential improvement in breast cancer detection with a novel computer-aided detection system, Appl Radiol 2001 ; 30 : 25-8.

[60] MOBERG K, BJURSTAM N, WILCZEK B, et al. Computer assisted detection of interval breast cancers, Eur Radiol 2001 ; 39(2) : 104-10.

[81] TAYLOR CG, CHAMPNESS J, REDDY M, et al. Reproducibility of prompts in computer-aided detection (CAD) of breast cancer, Clin Radiol 2003 ; 58(9) : 733-8.

[61] MUDIGONDA NR, RANGAYYAN RM, DESAUTELS JE. Detection of breast masses in mammograms by density slicing and texture flow-field analysis, IEEE Trans Med Imaging 2001 ; 20(12) : 1215-27.

[82] TAYLOR P. Invited review: computer aids for decisionmaking in diagnostic radiology – a literature review, Br J Radiol 1995 ; 68 : 945-57.

[62] NG EY, FOK SC, PEH YC, et al. Computerized detection of breast cancer with artificial intelligence and thermograms, J Med Eng Technol 2002 ; 26(4) : 152-7.

[83] TE BRAKE GM, KARSSEMEIJER N, HENDRICKS JHCL. Automated detection of breast carcinomas not detected in a screening program, Radiology 1998 ; 207 : 465-71.

[63] NISHIKAWA RM, DOI K, GIGER ML et al. Computerized detection of clustered microcalcifications: evaluation of performances on mammograms from multiple centers, Radiographics 1995 ; 15 : 443-52.

[84] VITON JL, SERADOUR B, RASIGNI M. Traitement des mammographies de dépistage par ordinateur : application aux opacités, J Radiol 1998 ; 79(4) : 319-22.

[64] OJALA T, NAPPI J, NEVALAINEN, et al. Accurate segmentation of the breast region from digitised mammograms, Comput Med Imaging Graph 2001 ; 25 : 47-59. [65] PAPADOPOULOS A, FOTIADIS DI, LIKAS A. An automatic microcalcification detection system based on a neural network classifier, Artif Intell 2002 ; 25(2) : 149-67. [66] PETRICK N, SAHINER B, CHAN HP, et al. Breast cancer detection: evaluation of a mass-detection algorithm for computer-aided diagnosis – experience in 263 patients, Radiology 2002 ; 224(1) : 217-24. [67] QUEK ST, THNG CH, KHOO JB, et al. Radiologists’ detection of mammographic abnormalities with and without a computer-aided detection system, Australas Radiol 2003 ; 47(3) : 257-60. [68] ROGERS SK, RUCK DW, KABRISKY M. Artificial neural networks for early detection and diagnosis of cancer, Cancer Lett 1994 ; 77(2-3) : 79-83. [69] ROQUE AC, ANDRE TC. Mammography and computerized decision systems: a review, Ann NY Acad Sci 2002 ; 980 : 83-94. [70] RUBEGNI P, CEVENINI G, BURRONI M, et al. Automated diagnosis of pigmented skin lesions, Int J Cancer 2002 ; 101(6) : 576-80. [71] RUITER NV, MULLER TO, STOTZKA R, et al. Automatic image matching for breast cancer diagnostics by a 3D deformation model of the mamma, Biomed Tech 2002 ; 14(2suppl1) : 52-5. [72] RUITER NV, MULLER TO, STOTZKA R, et al. Elastic registration of x-ray mammograms and three-dimensional magnetic resonance imaging data, J Digit Imaging 2001 ; 47(suppl1) : 644-7. [73] SACKS WM. estimating the effects of computer-aided detection on the sense of screening mammography, Radiology 2003 ; 226(2) : 597-8. [74] SARGENT DJ. Comparison of artificial neural networks with other statistical approaches: results from medical data sets, Cancer 2001 ; 91(8 suppl) : 1636-42. [75] À venir. [76] SCHMIDT RA, WOLVERTON DE, VYBORNY CJ. Computer-aided diagnosis in mammography, RSNA Categorical course in breast imaging 1995 : 199-208.

[85] VYBORNY CJ, GIGER ML. Computer vision and artificial intelligence in mammography, AJR 1994 ; 162 : 699-708. [86] VYBORNY CJ, GIGER ML, NISHIKAWA RM. Computeraided detection and diagnosis of breast cancer, Radiology 2000 ; 215 : 703-7. [87] VYBORNY CJ, DOI T, O’SHAUGHNESSY KF, et al. Breast cancer: importance of spiculation in computer-aided detection, Radiol Clin North Am 2000 ; 38(4) : 725-40. [88] WALLET BC, SOLKA JL, PRIEBE CE. A method for detecting microcalcifications in digital mammograms, J Digit Imaging 1997 ; 10(3) : 136-9. [89] WARREN BURHENNE LJ, WOOD SA, D’ORSI CJ, et al. Potential contribution of Computer-aided Detection to the sensitivity of screening mammography, Radiology 2000 ; 215 : 554-62. [90] WU Y, GIGER ML, DOI K, et al. Artificial neural network in mammography: application to decision making in the diagnosis of breast cancer, Radiology 1993 ; 187(1) : 81-7. [91] YOSHIDA H, DOI K, NISHIKAWA RM. Automated detection of clustered microcalcifications in digital mammograms using wavelet transform techniques, Proc SPIE, 1994 ; 2167 : 868-86. [92] YOSHIDA H, DOI K, NISHIKAWA RM, et al. An improved computer-assisted diagnostic scheme using wavelet transform for detecting clustered microcalcifications in digital mammograms, Acad Radiol, 1996 ; 3 : 621-7. [93] ZHANG L, SANKAR R, QIAN W. Advances in micro-calcification clusters detection in mammography, Comput Biol Med 2002 ; 32(6) : 515-28. [94] ZHENG B, CHANG YH, GUR D. Computerized detection of masses from digitised mammograms: comparison of single-image segmentation and bilateral-image substraction, Acad Radiol 1995 ; 2(12) : 1056-61. [95] ZHENG B, GANOTT MA, BRITTON CA, et al. Soft-copy mammographic readings with different computer-assisted detection cuing environments: preliminary findings, Radiology 2001 ; 221 : 633-40. [96] ZHENG B, SUMKIN JH, GOOD WF, et al. Applying computer-assisted detection schemes to digitized mammograms after JPEG data compression, Acad Radiol 2000 ; 7 : 595-602.