Group leader: Gaël Dournes

Group members: Ilyès Ben Lala, Amel Hadj Bouzid

Le diagnostic précoce et les traitements individualisés représentent l’avenir de la médecine. Ce concept est désigné sous le nom de « médecine personnalisée », qui vise à administrer le bon traitement au bon patient, au bon moment. Toutefois, pour atteindre cet objectif, il est nécessaire d’identifier de nouveaux biomarqueurs. L’imagerie biomédicale est un élément clé de la médecine personnalisée grâce à ses capacités de diagnostic précoce, de pronostic, de quantification des différences interindividuelles pouvant influencer le type et l’intensité du traitement, de suivi précis de la réponse thérapeutique et de guidage des interventions innovantes et peu invasives.

L’un des principaux défis consiste donc à développer des technologies clés (imagerie, intelligence artificielle, chimie, instrumentation, etc.) avec des premiers résultats cliniques, en s’appuyant sur l’expertise locale des équipes de recherche et sur les collaborations académiques et industrielles existantes afin d’identifier les stratégies d’imagerie ayant un fort impact potentiel sur la santé de chaque patient.

Projet en cours

Les maladies pulmonaires chroniques représentent un important problème de santé publique. L’imagerie pulmonaire permet une évaluation in vivo de la sévérité de la maladie, rendue possible par les avancées technologiques récentes en scanner (CT) et IRM. Grâce à l’arrivée de nouveaux traitements, l’imagerie pulmonaire est appelée à jouer un rôle central dans la prise en charge des patients atteints de maladies pulmonaires chroniques. Il existe donc un besoin urgent de nouveaux biomarqueurs d’imagerie quantitatifs. L’intelligence artificielle, notamment l’apprentissage profond (deep learning), devrait offrir des possibilités inédites pour développer des solutions innovantes dans ce contexte actuel.

Objectifs généraux

1. Développer de nouvelles méthodes d’apprentissage profond, en prenant en compte les particularités techniques et technologiques de l’imagerie pulmonaire par CT et IRM.
2. Évaluer la faisabilité de méthodes quantitatives innovantes pour segmenter les anomalies structurelles et fonctionnelles du poumon, et prédire des issues cliniques telles que les exacerbations ou la réponse au traitement.
3. Évaluer la généralisabilité des méthodes de quantification basées sur l’intelligence artificielle, du CT vers l’IRM.
4. Évaluer la validité clinique des méthodes développées dans des cohortes de patients atteints de maladies pulmonaires chroniques.

Financements principaux : PHRC-N CFMR Lung ; RRI Impact IdEx “Investments for the Future” ; TRAIL ANR-10-LABX-57 ; AAPR 2019 IRM pulmonaire 5D allié à l’intelligence artificielle ; AOIs CHU de Bordeaux ; Bourse Fondation du Souffle ; Bourse Broussin-Delorme ; Bourse Alain Rahmouni.

Références

1. Dournes G, Hall CS, Willmering MM, Brody AS, Macey J, Bui S, et al. Artificial intelligence in computed tomography for quantifying lung changes in the era of CFTR modulators. Eur Respir J. 2022; 59(3): 2100844.
2. Dournes G, Walkup LL, Benlala I. The clinical use of lung MRI in cystic fibrosis: what, now, how? Chest. 2021; 159.
3. Dournes G, Laurent F, Coste F, Dromer C, Blanchard E, Picard F, et al. Computed tomographic measurement of airway remodeling and emphysema in advanced chronic obstructive pulmonary disease. Correlation with pulmonary hypertension. Am J Respir Crit Care Med. 2015; 191(1): 63‑70.
4. Dournes G, Zysman M, Benlala I, Berger P. [CT imaging of chronic obstructive pulmonary disease: What aspects and what role?]. Rev Mal Respir. 2024; 41(10): 738‑50.
5. Bouzid AIH, Baldacci F, De Senneville BD, Hassen WB, Benlala I, Berger P, et al. 3D Semantic Segmentation of Airway Abnormalities on UTE-MRI with Reinforcement Learning on Deep Supervision. In: 2025 IEEE 22nd International Symposium on Biomedical Imaging (ISBI) [Internet]. Houston, TX, USA: IEEE; 2025 [cité 18 mai 2025]. p. 1‑5. Disponible sur: https://ieeexplore.ieee.org/document/10981041/
6. Hadj Bouzid AI, Bui S, Benlala I, Berger P, Hutt A, Liberge R, et al. Artificial intelligence-driven volumetric CT outcome score in cystic fibrosis: longitudinal and multicenter validation with/without modulators treatment. Eur Radiol. 2025; 35(2): 815‑27.
7. Dournes G, Marthan R, Berger P, Laurent F. Excess Risk of Cancer from Computed Tomography Scan Is Small but Not So Low as to Be Incalculable. Am J Respir Crit Care Med. 2015; 192(11): 1396‑7.
8. Dournes G, Grodzki D, Macey J, Girodet PO, Fayon M, Chateil JF, et al. Quiet Submillimeter MR Imaging of the Lung Is Feasible with a PETRA Sequence at 1.5 T. Radiology. 2016; 279(1): 328.
9. Dournes G, Menut F, Macey J, Fayon M, Chateil JF, Salel M, et al. Lung morphology assessment of cystic fibrosis using MRI with ultra-short echo time at submillimeter spatial resolution. Eur Radiol. 2016; 26(11): 3811‑20.
10. Dournes G, Berger P, Refait J, Macey J, Bui S, Delhaes L, et al. Allergic Bronchopulmonary Aspergillosis in Cystic Fibrosis: MR Imaging of Airway Mucus Contrasts as a Tool for Diagnosis. Radiology. 2017; 285(1): 261‑9.

Figure 1. Exemple de la méthode Normalized Volume of Airway Abnormalities (NOVAA). A droite, TDM native, au centre TDM labellisée automatiquement par l’IA, et à droite reconstruction 3D volumétrique des altérations structurales. L’intelligence artificielle permet une reconnaissance et une segmentation sémantique des altérations structurales clés des maladies des voies aériennes, telles que les dilatation de bronche (en rouge), les épaississements de paroi (en vert), le mucus bronchique (en bleu), le mucus bronchiolaire (en jaune).

Figure 2. Exemple d’amélioration de la qualité des imageries IRM permise par l’IA. A gauche, TDM native, au centre IRM à temps d’écho ultra court et à droite TDM synthétique, générée à partir d’une conversion des imageries IRM en un format de type TDM. On note une meilleure délineation des contours, une réduction des artéfacts et une meilleure visibilité des altérations structurales en TDM synthétique.