La radiographie reste la modalité d'imagerie médicale la plus utilisée au monde, mais aussi l'une des moins exploitées quantitativement. Contrairement au scanner ou à l'IRM qui produisent des volumes 3D, l'image radiographique aplatit l'anatomie en une projection 2D où les structures se superposent et les contours deviennent ambigus, même pour des radiologues expérimentés. Cette difficulté explique pourquoi il a toujours été coûteux et peu pratique de constituer de grandes bases de données annotées pour entraîner des systèmes de segmentation généralistes sur ce type d'images.
Pour contourner cet obstacle, l'équipe à l'origine de FleXray a conçu un moteur de génération de données synthétiques basé sur la physique de l'imagerie. En partant de jeux de données existants de segmentation CT du corps entier, et en s'appuyant sur des modèles génératifs d'édition d'images, les chercheurs simulent des radiographies 2D entièrement annotées, avec une grande diversité d'apparences, de propriétés physiologiques et de géométries d'acquisition. Cette approche permet de générer virtuellement une quantité illimitée de données d'entraînement fidèles aux contraintes physiques réelles, sans recourir à l'annotation manuelle.
Entraîné exclusivement sur ces simulations, FleXray parvient à segmenter avec précision 60 structures anatomiques distinctes sur des jeux de données de recherche jamais vus, ainsi que sur des radiographies cliniques réelles collectées en conditions non contrôlées. Les auteurs montrent que ce niveau de segmentation ouvre la voie à des analyses quantitatives jusqu'ici difficiles à automatiser sur ce type d'imagerie : mesures automatisées pour la gradation de pathologies, navigation robuste lors d'interventions guidées par rayons X, et apprentissage plus efficace de cibles pathologiques avec peu de données annotées.
L'équipe met à disposition le modèle, le code source, un jeu de données de segmentation radiographique du corps entier, ainsi qu'un outil accessible via navigateur, exécutable localement. Cette publication illustre une tendance de fond en imagerie médicale : face à la rareté chronique des annotations expertes, la génération de données synthétiques physiquement réalistes devient une alternative crédible pour entraîner des modèles généralistes, y compris sur des modalités d'imagerie historiquement sous-exploitées comme la radiographie.