Les gains annoncés par l’assistance automatique s’étalent sur deux ordres de grandeur, et cet écart est plus instructif que n’importe quel chiffre pris isolément.
D’un côté, une étude menée avec trois médecins de dix ans d’expérience, comparant l’annotation depuis zéro à la correction de propositions automatiques, conclut que l’assistance permet d’atteindre une qualité d’annotation supérieure et d’accélérer la vitesse d’annotation d’environ 25 %, soit environ 1,31 minute économisée par image et 0,2 minute par objet. De l’autre, des sources commerciales annoncent couramment des facteurs supérieurs à huit.
La même technologie, des mesures dont le rapport dépasse trente. La différence ne tient pas à l’outil mais à ce qui est mesuré, à qui mesure et sur quelles structures. Cet article traite des méthodes disponibles, de leurs gains réels et de leurs coûts cachés. Il prolonge le guide complet de la segmentation d’images médicales.
Pourquoi les chiffres divergent
Quatre facteurs expliquent l’essentiel de l’écart, et les identifier permet de lire n’importe quelle annonce de gain. Le premier est le point de comparaison. Comparer une correction assistée à un contourage manuel intégral coupe par coupe donne un rapport élevé. La comparer à une pratique réaliste, où l’annotateur exploite déjà l’interpolation et la propagation depuis la coupe précédente, donne un rapport bien plus modeste. C’est ce second point de comparaison qui reflète la production. Le deuxième est la structure. Un organe volumineux et bien contrasté est presque entièrement pris en charge par l’assistance ; une lésion à frontière progressive ne l’est presque pas. Un gain mesuré sur les premières ne se transporte pas sur les secondes. Le troisième est le périmètre du chronomètre. Le temps de contourage n’est qu’une partie du temps d’annotation, qui comprend la navigation, la vérification, la correction et la validation. Un gain de moitié sur le seul tracé produit un gain bien inférieur sur le total. Le quatrième est l’opérateur. Un expert rapide gagne moins qu’un annotateur moyen, puisque son temps de référence est déjà court. Les études menées avec des cliniciens expérimentés produisent donc mécaniquement des gains plus faibles, et ce sont pourtant les plus rigoureuses.Les familles de méthodes semi-automatiques
Cinq approches coexistent en segmentation d’images médicales, et un projet en combine généralement plusieurs.L’interpolation entre coupes
L’annotateur contoure une coupe sur plusieurs et l’outil calcule les intermédiaires par interpolation géométrique. C’est la méthode la plus ancienne, la plus prévisible et souvent la plus rentable sur les structures volumineuses à géométrie régulière. Sa limite est qu’elle ignore l’image : elle interpole une forme, sans vérifier que le résultat correspond au signal. Elle échoue donc là où la géométrie change vite, aux pôles d’un organe et aux bifurcations. La règle pratique consiste à densifier les coupes contourées à ces endroits plutôt qu’à espacer uniformément.Le seuillage et la croissance de région
Ces méthodes exploitent l’intensité : l’annotateur désigne un point de départ et un critère, et l’outil agrège les voxels connexes satisfaisant ce critère. Elles sont extrêmement efficaces sur les structures homogènes bien contrastées, os au scanner ou poumon aéré, où elles produisent en quelques secondes ce qui demanderait des heures. Elles deviennent ingérables dès que la frontière est ambiguë, la propagation débordant dans les tissus voisins de densité proche, et la correction d’un débordement coûte alors plus cher que le tracé initial.Les contours actifs
Une courbe initiale évolue sous l’effet de forces attirées par les gradients de l’image et contraintes par une régularité. Le résultat est un contour lisse qui suit les frontières marquées. Cette famille convient aux structures compactes à frontière continue et se comporte mal sur les objets ramifiés ou à frontière interrompue. Son paramétrage est également moins intuitif que celui des autres méthodes, ce qui la rend moins adaptée à une équipe nombreuse où la constance des réglages importe.L’assistance interactive par clics
L’annotateur désigne des points appartenant à la structure et des points n’y appartenant pas, et un modèle produit une segmentation qu’il affine à chaque interaction. C’est aujourd’hui la famille la plus polyvalente, parce qu’elle ne suppose ni homogénéité ni frontière nette. Sa qualité dépend fortement du modèle sous-jacent et de son adéquation à la modalité et à la structure. Une étude sur l’annotation échographique, menée auprès de six praticiens, rapporte une réduction moyenne du temps d’annotation de 34,1 % pour la segmentation de masses hépatiques.La pré-annotation par modèle
C’est le régime qui a le plus progressé ces dernières années et celui dont le paysage évolue le plus vite. Un modèle traite le corpus en amont et l’annotateur corrige. C’est le régime le plus efficace lorsque le modèle est bien adapté, et le plus risqué en matière d’ancrage. Sa mise en œuvre est également la plus simple des cinq, puisqu’elle ne demande aucune interaction pendant le travail. Sur les structures couvertes par les modèles multi-organes disponibles, elle transforme l’économie d’un projet.Le gain et ses conditions
L’étude citée en introduction apporte une précision qui vaut mieux qu’un chiffre global. Ses auteurs observent que plus le nombre de structures anatomiques à étiqueter est élevé, plus l’avantage d’efficacité devient évident. Ce résultat s’explique. Le coût fixe d’une image, navigation, fenêtrage, prise de connaissance du cas, ne diminue pas avec l’assistance ; seul le temps de tracé diminue. Sur une image comportant une seule structure, ce coût fixe domine et le gain relatif reste faible. Sur une image en comportant dix, le tracé domine et le gain se rapproche du gain sur le tracé seul. La conséquence pour un chiffrage est directe. Un projet portant sur une structure unique par examen ne doit pas espérer les gains annoncés sur les corpus multi-organes, et les deux situations doivent être estimées séparément. Une seconde condition mérite d’être posée : le gain suppose que la correction soit réellement plus rapide que le tracé. Sur une proposition de mauvaise qualité, corriger coûte plus cher que reprendre, et l’annotateur qui n’a pas la possibilité d’effacer et de recommencer perd du temps. Un dispositif d’assistance doit donc toujours offrir cette échappatoire.L’ancrage, coût caché de la segmentation d’images médicales assistée
Le gain en temps est mesurable et publié ; le coût en qualité l’est beaucoup moins et il est réel. Le mécanisme reste constant à travers toutes les méthodes assistées. Face à une proposition d’apparence plausible, un annotateur valide plus facilement qu’il ne corrige, et cette tendance croît avec la qualité apparente de la proposition. Elle est maximale là où aucune limite n’est évidente, c’est-à-dire précisément sur les cas où l’annotation humaine avait le plus de valeur. L’effet est difficile à détecter parce qu’il ne produit pas d’erreurs visibles mais un déplacement systématique. Un corpus assisté peut afficher un excellent accord entre annotateurs tout en portant uniformément le biais du modèle, et les indicateurs d’accord ne signalent rien. Trois mesures le contiennent. Faire annoter sans assistance une fraction du corpus et comparer les deux populations sur la taille des structures et la position des frontières. Comparer les annotations assistées à une référence experte produite sans assistance, plutôt qu’entre elles. Et alterner les régimes sur un même annotateur pour distinguer un effet de méthode d’un effet de personne. Ce dispositif de contrôle est le coût réel de l’assistance, et il doit figurer au chiffrage face au gain de temps. Un projet qui adopte l’assistance sans le renforcer échange du temps contre une qualité qu’il ne mesure plus.L’effet sur la variabilité
Un phénomène adjacent de la segmentation d’images médicales assistée mérite d’être compris car il est fréquemment mal interprété. L’assistance réduit mécaniquement la variabilité entre annotateurs, puisqu’ils partent tous de la même proposition. Cette réduction est réelle, mesurable, et régulièrement présentée comme un gain de qualité. Elle n’en est pas nécessairement un. Un accord élevé obtenu par convergence sur une suggestion commune ne dit pas que les annotateurs voient la même chose, mais qu’ils ont accepté la même proposition. La distinction est décisive : dans le premier cas le corpus est fiable, dans le second il est uniformément décalé. Cette ambiguïté a une conséquence contractuelle. Un engagement de qualité fondé sur l’accord entre annotateurs devient moins informatif dès lors que l’assistance est employée, et il gagne à être complété par une mesure de conformité à une référence indépendante.L’effet sur le profil de compétence
Une conséquence organisationnelle de l’assistance en segmentation d’images médicales est rarement anticipée et modifie le recrutement autant que le chiffrage. Le travail assisté demande moins de dextérité et davantage de jugement. Tracer un contour propre est une compétence gestuelle qui s’acquiert par la pratique ; décider qu’une proposition est fausse et où elle l’est est une compétence d’évaluation, qui repose sur la connaissance des conventions et de l’anatomie plutôt que sur la main. Deux conséquences en découlent. La formation doit se déplacer du geste vers les critères, ce qui est plus rapide à transmettre mais demande un référentiel de cas plus riche, notamment en exemples d’erreurs typiques du modèle employé. Et le profil recherché change : un annotateur méthodique et rigoureux sur les conventions devient plus précieux qu’un annotateur rapide et habile. Une troisième conséquence est moins agréable. Le travail de correction est cognitivement moins engageant que le tracé, ce qui accélère la lassitude sur les tâches longues. Les projets fortement assistés observent fréquemment une dérive attentionnelle plus rapide, qui se traduit précisément par davantage de validations sans examen. Alterner les régimes au cours d’une journée est un remède simple et efficace.Ce qui ne s’automatise pas
Un contrepoint s’impose, car l’assistance est parfois présentée comme rendant l’annotation humaine résiduelle. Trois registres échappent entièrement à l’assistance. La qualification, c’est-à-dire décider qu’une image montre bien ce qu’on cherche, reste une décision clinique. L’application des conventions, notamment celles qui portent sur des choix arbitraires comme l’inclusion d’une structure interne ou la limite d’une pièce anatomique, ne se déduit d’aucun signal. Et la discrimination entre la cible et les structures qui lui ressemblent demande une connaissance que le modèle ne possède que dans la mesure où son corpus d’entraînement la contenait. Un quatrième registre lui échappe partiellement : la délimitation elle-même, sur les frontières que l’image ne montre pas. Une scissure incomplète, une infiltration progressive ou une interface articulaire ne sont pas dans le signal, et l’assistance y produit une proposition qui a l’apparence de l’information sans en être. C’est précisément sur ces cas que le contrôle doit se concentrer, et non uniformément. Un dispositif qui échantillonne au hasard sur un corpus assisté vérifie principalement des cas où l’assistance a bien fonctionné.Mesurer le gain sur son propre projet
Aucun chiffre publié ne se transpose, pour les quatre raisons exposées en ouverture. La mesure sur le projet est donc indispensable et elle est simple. Le protocole de mesure tient en quelques jours. Constituer un lot d’une vingtaine d’examens représentatifs, incluant délibérément des cas difficiles. Le faire traiter par les mêmes annotateurs dans les deux régimes, assisté et non assisté, dans un ordre alterné pour neutraliser l’apprentissage. Chronométrer le temps total et non le seul contourage. Et comparer les résultats à une référence experte plutôt qu’entre eux. Cette mesure produit quatre informations décisives qu’aucune source externe ne fournit. Le gain réel sur les structures du projet. Sa ventilation, qui montre presque toujours que le gain est concentré sur quelques structures. L’ampleur de l’ancrage, visible dans l’écart systématique entre les deux populations. Et le taux de cas où l’assistance dégrade plutôt qu’elle n’aide, information indispensable pour décider où l’activer. Ce dernier point mérite d’être souligné : l’assistance n’a pas à être appliquée uniformément. L’activer sur les structures où elle est efficace et la désactiver ailleurs produit un meilleur résultat qu’un régime unique, et la mesure indique où placer la frontière.La boucle d’amélioration
Un régime particulier de segmentation d’images médicales mérite un traitement séparé car il change la nature du projet. Dans une boucle d’apprentissage actif, le modèle d’assistance est réentraîné périodiquement sur les annotations validées, si bien que sa qualité progresse au fil du projet. Le gain croît donc avec le temps, ce qui modifie le profil économique : les premiers lots coûtent cher, les derniers beaucoup moins. Trois précautions accompagnent ce régime. La version du modèle employée doit être journalisée par lot, faute de quoi une hétérogénéité inexplicable apparaît dans le corpus. Le corpus d’évaluation doit être annoté hors de cette boucle, sans quoi il mesure la cohérence du système avec lui-même. Et l’ancrage croît avec la qualité du modèle, ce qui impose de renforcer le contrôle à mesure que le gain augmente, contrairement à l’intuition. Cette dernière remarque est la plus importante. Un projet qui allège son contrôle parce que l’assistance s’améliore fait exactement l’inverse de ce que la situation demande.Ce que cela change pour un chiffrage
Trois conséquences pratiques découlent de tout ce qui précède pour un chiffrage de segmentation d’images médicales. La première est qu’un gain doit être annoncé par structure et non globalement. Une remise uniforme fondée sur un gain moyen est intenable dès que le corpus comporte des structures difficiles, et elle produit un projet déficitaire sur la partie qui compte. La deuxième est que le dispositif de contrôle renforcé doit apparaître en face du gain. Présenter l’économie sans le surcoût de contrôle donne un chiffrage flatteur et faux, et l’écart se paie en qualité plutôt qu’en argent, ce qui est pire. La troisième est que le gain sur les premiers lots est inférieur au régime établi, le temps que les réglages se stabilisent et que l’équipe apprenne à travailler avec l’assistance. Annoncer un gain constant dès le premier lot prépare une déception.Le choix de la méthode selon la structure
Une grille simple permet d’orienter le choix de méthode sans essais successifs, et elle repose sur trois caractéristiques observables de la structure visée. L’homogénéité d’abord. Une structure de densité uniforme se prête au seuillage et à la croissance de région, qui sont les méthodes les plus rapides quand elles fonctionnent. Une structure hétérogène les exclut d’emblée. La netteté de la frontière ensuite. Une frontière marquée sur toute sa longueur convient aux contours actifs. Une frontière partiellement absente les met en échec et oriente vers l’assistance par clics, qui tolère les interruptions. La régularité géométrique enfin. Une structure dont la forme évolue progressivement d’une coupe à l’autre se prête à l’interpolation. Une structure ramifiée ou à variations brusques ne s’y prête pas et demande une propagation guidée par l’image. Ces trois questions se posent en quelques minutes par structure et évitent de tester les méthodes une à une. Elles conduisent souvent à une combinaison plutôt qu’à un choix unique : initialisation par croissance de région là où elle fonctionne, correction par clics sur les zones difficiles, interpolation sur les portions régulières. Cette combinaison est le régime réellement employé sur les projets matures de segmentation d’images médicales, et elle explique pourquoi les gains mesurés en conditions réelles sont plus modestes que ceux obtenus en isolant une seule méthode sur une seule structure.Les erreurs les plus fréquentes
- Reprendre un facteur de gain publié sans vérifier ce qu’il compare.
- Chronométrer le seul contourage plutôt que le temps d’annotation complet.
- Transposer un gain mesuré sur des organes à des lésions.
- Appliquer l’assistance uniformément plutôt que là où elle est efficace.
- Ne pas offrir à l’annotateur la possibilité d’effacer une mauvaise proposition.
- Interpréter la réduction de variabilité comme une preuve de qualité.
- Ne pas maintenir de fraction du corpus annotée sans assistance.
- Contrôler par échantillonnage aléatoire sur un corpus assisté.
- Alléger le contrôle à mesure que la qualité du modèle progresse.
- Présenter l’économie de temps sans le surcoût de contrôle associé.
