Apprentissage profond pour la segmentation, la classification et la caractérisation géométrique de vaisseaux.

Deep learning for segmentation, classification, and geometric characterization of vessels.

• Auteur / Autrice : Mounir Lahlouh
• Direction : Nicolas Passat, Jérôme Szewczyk
• Type : Thèse de doctorat
• Discipline(s) : Info - Informatique
• Date : Soutenance le 13/10/2023
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....)
• Jury : Président / Présidente : Laurent Najman
• Jury : Examinateurs / Examinatrices : Nicolas Passat, Jérôme Szewczyk, Mireille Garreau, Benoît Naegel, Odyssée Merveille, Yasmina Chenoune
• Jury : Rapporteurs / Rapporteuses : Mireille Garreau, Benoît Naegel

Mots clés

Mots clés contrôlés

Médecine

Chirurgie endovasculaire

Soins médicaux

Apprentissage profond

Dilatation

Modélisation tridimensionnelle

Vaisseaux sanguins

thérapie

Thrombectomie

Thérapeutique

Embolisation

Cathéters

Sténose

Imagerie

Anévrisme

Diagnostic

Cerveau -- Maladies

Cerveau -- Vaisseaux sanguins

Imagerie médicale -- Qualité de l'image

Système nerveux -- Radiographie

Mots clés libres

Apprentissage profond

Imagerie médicale

Segmentation vasculaire

Neuroradiologie interventionnelle (NRI)

Aide à la navigation interventionnelle

Deep learning

Medical imaging

Vascular segmentation

Interventional Neuroradiology (INR)

Computer-Assisted interventions

Résumé

En neuroradiologie interventionnelle, l’imagerie médicale joue un rôle essentiel dans le diagnostic et le traitement des pathologies cérébrales comme les anévrismes ou les sténoses. Ces procédures mini-invasives consistent à naviguer dans les vaisseaux sanguins à l’aide de cathéters pour effectuer des traitements tels que l’embolisation ou la thrombectomie mécanique. Pour faciliter la compréhension de la géométrie des vaisseaux, il est nécessaire de développer des outils de modélisation et de visualisation 3D. Ces outils permettent de caractériser les dimensions, les courbures et les angulations, en particulier au niveau de l’arche aortique, où la navigation peut être difficile en raison de la dilatation et de la tortuosité des vaisseaux. Ainsi, le développement de cathéters capables de progresser plus facilement dans ces zones est d’une grande importance.Les récents développements en apprentissage profond dans l'aide à la navigation endovasculaire sont prometteurs. Ils nous incitent à réfléchir à l'apport de ces techniques à nos problématiques d'intérêt. Nous avons proposé une approche multi-étape de CNN en cascade pour la segmentation des arches aortiques, de l'ostium et des troncs supra-aortiques (TSA). Cette approche génère des masques binaires permettant d'obtenir une modélisation 3D des vaisseaux utilisée pour l'extraction des lignes centrales. Celles-ci sont nécessaires à la caractérisation anatomique des vaisseaux et la quantification de la difficulté d'accès lors des interventions endovasculaires. Cela inclut la classification des arches aortiques, ainsi que l'évaluation des angulations, des courbures et de la tortuosité des troncs supra-aortiques.

In interventional neuroradiology, medical imaging plays a crucial role in the diagnosis and treatment of cerebrovascular pathologies such as aneurysms or stenoses. These minimally invasive procedures involve navigating through the blood vessels using catheters to perform treatments such as embolization or mechanical thrombectomy. To better understand the vascular geometry, it is crucial to develop 3D modeling and visualization tools. These tools enable the characterization of vessel dimensions, curvatures, and angulations, particularly at the level of the aortic arch, where navigation can be challenging due to the tortuosity and the elongated morphology of the supra-aortic trunks. Therefore, the development of catheters capable of navigating easily through these areas is of great importance.Recent developments in deep learning for endovascular navigation are promising, leading us to consider the contribution of these techniques to our areas of interest. We have developed a multi-stage approach based on cascaded CNNs to accurately segment aortic arches, ostium, and supra-aortic trunks. This approach generates binary masks, which play a crucial role in reconstructing the 3D representation of the vessels and extracting their centerlines. These centerlines are essential for the anatomical characterization of the vessels and the quantitative assessment of the access difficulty during endovascular interventions. Our analysis includes the classification of aortic arches and the evaluation of angulations, curvatures, and tortuosity in the supra-aortic trunks.