Prédiction de cartes de perfusion du cœur par apprentissage automatique

Machine-learning based Prediction of heart perfusion maps

• Auteur / Autrice : Raoul Sallé de chou
• Direction : Hugues Talbot
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : [CVN] Centre de la Vision Numérique
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)

Mots clés

Mots clés libres

Apprentissage automatique

Carte de perfusion

Cœur

Machine-learning

Perfusion-maps

Heart

Résumé

Heartflow est un leader dans le domaine des modèles physiques basés sur l'image simulant le flux sanguin dans le myocarde. Récemment, dans le cadre d'une collaboration entre HeartFlow, Inria, l'Université Gustave-Eiffel et CentraleSupélec, nous avons proposé un modèle mathématique pour prédire la perfusion sanguine dans le myocarde. Le modèle actuel repose sur 1. la détection, la segmentation et la simulation du flux sanguin au travers des vaisseaux coronaires qui sont visibles sur le CT-scan injecté ; 2. une méthode de génération de petits vaisseaux en 3D, spécifique au patient, cohérente avec les vaisseaux détectés. Les règles de croissance de ces vaisseaux sont basées sur la physiologie et les flux sanguins simulés et mesurés ; 3. une méthode de simulation de la perfusion incluant un milieu poreux. Le modèle résultant prédit assez bien la perfusion dans les cas sains et fortement malades, mais pas aussi bien pour les maladies intermédiaires. Ceci est problématique car l'intérêt principal de ces examens est d'aider à prédire le résultat et les meilleures stratégies de soins pour de tels patients. L'objectif de la thèse est de compléter ou de remplacer le modèle actuel par des méthodes modernes d'apprentissage automatique.

Heartflow is a leader in non-invasive, image-based, physically consistent models that predict blood flow into the myocardium. Recently, in a collaboration between HeartFlow, Inria, Université Gustave-Eiffel and CentraleSupélec, we have proposed a simulated model to predict blood perfusion through the myocardium. The current model relies on 1. the detection, segmentation and simulation of blood flow through the coronary vessels that are visible on injected CT-scan; 2. a 3D, patient-specific small-vessel generation methods consistent with the detected vessels, with physiology-based vessel growth rules and with the simulated and measured blood flows; 3. a perfusion simulation method that includes a porous medium. The resulting model predicts perfusion rather well in the healthy and strongly diseased cases, but not as well for milder disease. This is problematic because most of the value in these exams is to help predict outcome and best care strategies for patients that have this level of disease. The objective of the thesis is to complement or replace the current model with modern machine-learning methods.