Les méthodes d'IA distinguent les artefacts techniques des pathologies réelles dans les examens d'imagerie médicale.La détection d'artefacts en imagerie médicale est le domaine qui consiste à utiliser l'intelligence artificielle pour distinguer les défauts techniques dans les examens d'imagerie des signes authentiques de maladie. Lorsqu'un scanner, une IRM ou une échographie est réalisé, la machine ou les mouvements du patient peuvent créer des stries, des ombres ou des points brillants qui imitent de vraies lésions. Ces artefacts peuvent induire les médecins en erreur, conduisant à des diagnostics erronés ou à des pathologies manquées. Les modèles d'IA entraînés sur des milliers d'images annotées apprennent à reconnaître les motifs subtils qui distinguent un artefact bénin d'une tumeur ou d'une fracture.
Le concept est apparu dans les années 2010 avec l'essor de l'apprentissage profond en imagerie médicale. Les premiers travaux se sont concentrés sur les artefacts en IRM, mais l'approche s'est rapidement étendue à d'autres modalités.
L'IA est généralement un réseau de neurones convolutif qui traite l'image pixel par pixel, recherchant des caractéristiques telles que la forme, la texture et le contraste. Il compare la région suspecte à une base de données d'artefacts connus et de pathologies réelles. Le réseau produit un score de probabilité : « c'est un artefact à 95 % » ou « c'est une lésion réelle à 80 % ». Certains systèmes utilisent également la physique de l'appareil d'imagerie pour simuler des artefacts et entraîner l'IA à les ignorer.
Utilisé dans les services de radiologie pour signaler ou corriger automatiquement les artefacts dans les examens de scanner, d'IRM et d'échographie, réduisant ainsi les erreurs de diagnostic et améliorant le flux de travail.
Certains détecteurs d'artefacts par IA sont entraînés sur des artefacts « factices » générés en corrompant délibérément des examens propres, apprenant ainsi au modèle à reconnaître des défauts qu'il n'a jamais vus chez de vrais patients.



















