Une tumeur sur une image, c'est comme un petit point lumineux sur une immense toile sombre. C'est précisément ce point que le médecin cherche, pas un fond parfaitement uniforme. Mais quand un réseau de neurones apprend à transformer une tomodensitométrie (TDM) classique en une sorte de tomographie par émission de positons (TEP), il essaie souvent de tout rendre joli — et finit par estomper ce point.

Le problème, c'est que les cellules tumorales n'occupent qu'une fraction minuscule du volume total du corps. Si l'on mesure la qualité sur l'ensemble de l'image, le modèle peut obtenir de bons scores tout en manquant la faible lueur du cancer. Les auteurs de ces travaux proposent d'ajouter au réseau deux signaux simples : l'un indique à quel point la texture du tissu est hétérogène, l'autre montre l'intensité des variations de densité. Ces signaux se calculent à moindre coût à partir de la TDM et aident le modèle à se concentrer sur les zones suspectes.

Le modèle s'appelle LAFNO. Il a été entraîné sur des données réelles de patients atteints d'un cancer de la prostate, où les tumeurs brillent grâce au marqueur radioactif PSMA. Lors des tests, LAFNO a réduit de près de moitié l'erreur dans l'estimation de l'activité tumorale globale par rapport aux méthodes précédentes. La précision de la reproduction de la texture de la tumeur a également augmenté — un point important pour l'analyse automatique ultérieure.

Pour l'instant, la reproduction du tissu autour de la tumeur reste instable et dépend du type de marqueur. Mais l'approche elle-même — indiquer au réseau où regarder à l'aide de caractéristiques physiques simples — pourrait être utile dans d'autres tâches d'imagerie médicale.