Segmentation automatique du système vasculaire pour améliorer le système d'aide à la décision basé sur l'IA pour l'artériopathie oblitérante des membres inférieurs.

Automatic segmentation of the vascular system to enhance AI-based decision support system for peripheral artery disease.

• Auteur / Autrice : Lisa Guzzi
• Direction : Hervé Delingette, Juliette Raffort-lareyre
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : E-Patient : Images, données & mOdèles pour la médeciNe numériquE

Mots clés

Mots clés libres

Segmentation

Angiographie par tomodensitométrie

Système vasculaire

Maladie artérielle périphérique

Segmentation

Computed tomography angiography (CTA)

Vascular system

Peripheral artery disease

Résumé

Les maladies cardiovasculaires sont la principale cause de décès prématuré dans les pays développés (1). Parmi elles, l'artériopathie oblitérante des membres inférieurs (AOMI) touche plus de 230 millions de personnes dans le monde (2, 3). La maladie est causée par le rétrécissement (sténose) ou l'obstruction (thrombose) des artères qui vascularisent les membres inférieurs en raison de la formation de plaques liées à l'athérosclérose (2, 3). Le diagnostic repose sur la combinaison de l'examen clinique, de l'évaluation fonctionnelle et de l'identification des lésions artérielles en imagerie (4). Plusieurs techniques d'imagerie sont disponibles et l'angiographie par tomodensitométrie (Angio-TDM) est l'une des plus utilisées (2, 3). L'AOMI est un problème de santé publique majeur car la maladie est très répandue et associée à des taux élevés de morbidité et de mortalité (2, 3). Malgré les risques élevés de mortalité cardiovasculaire et d'amputation, l'AOMI reste sous-diagnostiquée et sous-estimée (5). Elle est souvent diagnostiquée à un stade avancé de la maladie en raison de la faible sensibilisation des patients et de la forte prévalence de la maladie asymptomatique ou de symptômes atypiques (6). En outre, plusieurs études ont suggéré que de nombreux patients peuvent être sous-traités, soulignant la nécessité d'améliorer l'utilisation de thérapies recommandées chez les patients atteints d'AOMI (7). L'objectif de ce projet est de créer une méthode automatique de segmentation des artères des membres inférieurs à partir des angioscanners et de développer une aide à la décision pour les patients atteints d'AOMI. Les principaux outils développés comprendront : - la détection et l'identification automatique des artères principales des membres inférieurs, - diagnostic des lésions artérielles et quantification de la gravité de l'occlusion artérielle, - le calcul automatique de scores scannographiques évaluant la gravité de la maladie, - recherche de modèles cliniques et anatomiques prédictifs de l'évolution des patients à l'aide de l'apprentissage automatique. Références: 1. Pahigiannis K, Thompson-Paul AM, Barfield W, Ochiai E, Loustalot F, Shero S, et al. Progress Toward Improved Cardiovascular Health in the United States. Circulation. 2019;139(16):1957-73. 2. Song P, Rudan D, Zhu Y, Fowkes FJI, Rahimi K, Fowkes FGR, et al. Global, regional, and national prevalence and risk factors for peripheral artery disease in 2015: an updated systematic review and analysis. Lancet Glob Health. 2019;7(8):e1020-e30. 3. Kullo IJ, Rooke TW. CLINICAL PRACTICE. Peripheral Artery Disease. N Engl J Med. 2016;374(9):861-71. 4. Aboyans V, Ricco JB, Bartelink MEL, Bjorck M, Brodmann M, Cohnert T, et al. Editor's Choice - 2017 ESC Guidelines on the Diagnosis and Treatment of Peripheral Arterial Diseases, in collaboration with the European Society for Vascular Surgery (ESVS). Eur J Vasc Endovasc Surg. 2018;55(3):305-68. 5. Criqui MH, Aboyans V. Epidemiology of peripheral artery disease. Circ Res. 2015;116(9):1509-26. 6. McDermott MM. Lower extremity manifestations of peripheral artery disease: the pathophysiologic and functional implications of leg ischemia. Circ Res. 2015;116(9):1540-50. 7. Lee DW, Cavender MA. Guidelines for Peripheral Vascular Disease: Where Is the Evidence? Circ Cardiovasc Interv. 2019;12(1):e007561.

Cardiovascular diseases are the leading cause of premature death in developed countries (1). Among them, peripheral artery disease (PAD) affects more than 230 million people worldwide (2, 3). The disease is caused by the narrowing (stenosis) or the obstruction (thrombosis) of the arteries that vascularize the lower limbs due to the formation of plaques related to atherosclerosis (2, 3). The diagnosis relies on the combination of clinical examination, functional assessment and identification of arterial lesions on imaging (4). Several imaging techniques are available and computed tomography angiography (CTA) is one of the most commonly used (2, 3). PAD is a major public health concern as the disease is highly prevalent and is associated with high rates of morbidity and mortality (2, 3). Despite the elevated risks of cardiovascular mortality and amputation, PAD remains underdiagnosed and underestimated (5). It is often diagnosed at an advanced stage of the disease due to low patient awareness and high prevalence of asymptomatic disease or atypical symptoms (6). In addition, several studies have suggested that many patients may be undertreated, pointing to the need to improve the use of evidence based recommended therapies in patients with PAD (7). The aim of this project is to create an automatic method for the segmentation of the arteries of the lower limbs based on CTA and to develop an aid-decision support to enhance evidence-based decision and precision medicine for patients with PAD. The main tools developed will include: • automatic detection and identification of the main arteries of the lower limbs, • diagnosis of diseased arteries and quantification of the severity of the arterial occlusion, • automatic calculation of scannographic scores grading the severity of the disease, • investigation of clinical and anatomical patterns predictive of the outcomes of patients using machine learning. References: 1. Pahigiannis K, Thompson-Paul AM, Barfield W, Ochiai E, Loustalot F, Shero S, et al. Progress Toward Improved Cardiovascular Health in the United States. Circulation. 2019;139(16):1957-73. 2. Song P, Rudan D, Zhu Y, Fowkes FJI, Rahimi K, Fowkes FGR, et al. Global, regional, and national prevalence and risk factors for peripheral artery disease in 2015: an updated systematic review and analysis. Lancet Glob Health. 2019;7(8):e1020-e30. 3. Kullo IJ, Rooke TW. CLINICAL PRACTICE. Peripheral Artery Disease. N Engl J Med. 2016;374(9):861-71. 4. Aboyans V, Ricco JB, Bartelink MEL, Bjorck M, Brodmann M, Cohnert T, et al. Editor's Choice - 2017 ESC Guidelines on the Diagnosis and Treatment of Peripheral Arterial Diseases, in collaboration with the European Society for Vascular Surgery (ESVS). Eur J Vasc Endovasc Surg. 2018;55(3):305-68. 5. Criqui MH, Aboyans V. Epidemiology of peripheral artery disease. Circ Res. 2015;116(9):1509-26. 6. McDermott MM. Lower extremity manifestations of peripheral artery disease: the pathophysiologic and functional implications of leg ischemia. Circ Res. 2015;116(9):1540-50. 7. Lee DW, Cavender MA. Guidelines for Peripheral Vascular Disease: Where Is the Evidence? Circ Cardiovasc Interv. 2019;12(1):e007561.