Segmentation de l'aorte à partir d'IRM en flux 4D pour le calcul de biomarqueurs

Segmentation of the aorta from 4D flow MRI for biomarkers computation

• Auteur / Autrice : Diana Marin Castrillon
• Direction : Olivier Bouchot, Benoît Presles
• Type : Thèse de doctorat
• Discipline(s) : Instrumentation et informatique de l'image
• Date : Soutenance le 08/12/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Alexis Jacquier
• Jury : Examinateurs / Examinatrices : Arnaud Boucher
• Jury : Rapporteurs / Rapporteuses : Su Ruan, Mireille Garreau

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Imagerie médicale

Aorte

Anévrisme de l'aorte

Anévrisme rompu

Mots clés libres

Segmentation 4D + flux

Biomécanique de l'aorte

Prédiction de rupture d'anévrisme

Imagerie médicale

Aortic aneurysm prediction

4D segmentation + flux

Medical Imaging

Aorta biomechanical

Résumé

Parmi les maladies cardiaques, la dissection aortique et les anévrismes aortiques sont des pathologies particulièrement létales. Cette dernière est classée comme la dix-neuvième cause de décès. Les anévrismes aortiques sont définis comme une dilatation supérieure ou égale au diamètre de l'aorte. Dans la pratique clinique, le taux de croissance et la taille de l'anévrisme constituent les principaux critères pour déterminer la nécessité d'une intervention chirurgicale.Cependant, de meilleurs biomarqueurs de rupture et de dissection aortique sont nécessaires afin d'effectuer un traitement personnalisé et une meilleure prise de décision. À cet égard, l'analyse de l'interaction entre le flux sanguin et les tissus aortiques est un facteur clé. Ces dernières années, l'IRM de flux 4D a permis d'acquérir des informations sur le flux sanguin tout au long du cycle cardiaque. La première étape pour profiter du potentiel de cette modalité d'imagerie est l'élaboration d'une méthode de segmentation 4D de l'aorte, permettant d'effectuer à des analyses de l'interaction fluide-structure.L'objectif de cette thèse est de segmenter automatiquement l'aorte à partir de l'IRM de flux 4D et d'analyser la faisabilité de l'utilisation de ces segmentations automatiques dans la génération de biomarqueurs tels que la pression de la paroi aortique. À cette fin, nous avons d'abord évalué la segmentation automatique de la phase systolique en 3D avec des méthodes de pointe, telles que la segmentation basée sur des méthodes d'apprentissage profond. Avec cette étude il a été démontré que l'apprentissage profond surpasse la performance de segmentation de méthodes basés sur l'utilisation de multi-atlas. En outre, il a été observé que les biomarqueurs tels que la pression de la paroi aortique sont plus robustes lorsqu'on utilise des segmentations automatiques par apprentissage profond. Par conséquent, deux approches basées sur l'apprentissage en profondeur ont été proposées pour la segmentation aortique au cours du cycle cardiaque complet. Avec l'analyse des performances de la segmentation 4D, des résultats prometteurs ont été obtenus et doivent être confirmés sur des bases de données d'autres hôpitaux.

Aortic dissection and aortic aneurysms are highly lethal pathologies. The latter is ranked as the nineteenth leading cause of death. Aortic aneurysms are defined as a dilatation greater than or equal to the diameter of the aorta. In clinical practice, the growth rate and size of the aneurysm are the main criteria for determining surgical intervention. However, new and better biomarkers of rupture and aortic dissection are needed for personalized treatment and better decision making. In this regard, the analysis of the interaction of blood flow with aortic tissues is a key factor. In recent years, 4D flow magnetic resonance imaging (MRI) has made it possible to acquire information on blood flow throughout the cardiac cycle. Despite the potential of this imaging modality, a previous 4D segmentation step is required to delineate the analysis of the fluid-structure interaction.The aim of this thesis is to automatically segment the aorta from 4D flow MRI and to analyze the feasibility of using these automatic segmentations in the generation of biomarkers such as aortic wall pressure. To this end, we initially evaluated automatic 3D systolic phase segmentation with state-of-the-art methods such as multi-atlas-based and deep learning-based methods. With this study we have shown that deep learning outperforms the segmentation performance of the multi-atlas-based method. Furthermore, it was observed that biomarkers such as aortic wall pressure are more robust when using automatic segmentations from deep learning. Consequently, two deep-learning-based approaches were proposed for aortic segmentation during the complete cardiac cycle. With the analysis of the performance of the 4D segmentation, promising results were obtained and must be confirmed on databases from other hospitals.