Analyse quantitative d'images d'angiographie par rayons X pour les AVC ischémiques.

Quantitative analysis of X-ray angiography images in acute ischemic stroke.

• Auteur / Autrice : Insaf Mellakh
• Direction : Erwan Kerrien, Julien Oster
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 08/09/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
• Partenaire(s) de recherche : Equipe de recherche : MAGRIT

Mots clés

Mots clés libres

Imagerie médicale

Apprentissage profond

Analyse vidéo

Radiomique

Medical imaging

Deep learning

Video analysis

Radiomics

Résumé

L'accident vasculaire cérébral (AVC) ischémique est une des causes majeures de handicap et de décès dans le monde. Dans la grande majorité des cas, le traitement endovasculaire est réussi dans le sens où le flux sanguin est restauré dans les vaisseaux sanguins précédemment obstrués. Cependant, on estime qu'environ 50 % des recanalisations réussies ne se traduisent pas par une restauration de la perfusion dans les tissus cérébraux en aval. Ce phénomène est connu sous le nom de 'no-reflow'. Les médecins ne savent pas l'évaluer pendant l'intervention aujourd'hui. L'objectif de ce projet est de tirer parti des récents modèles d'apprentissage profond pour développer des outils d'analyse d'images et concevoir des métriques appropriées pour permettre une évaluation immédiate de la reperfusion basée sur les images d'angiographie par rayons X acquises avant, pendant et après l'intervention.

Ischemic stroke is a major cause of disability and death worldwide. In the vast majority of cases, endovascular treatment is successful and the blood flow is restored in the previously blocked blood vessels. However, it is estimated that about 50% of such successful treatments do not result in a restored perfusion in the downstream brain tissues. This phenomenon is known as no-reflow. Clinicians have no means to evaluate the reperfusion status today. The objective of this project is to leverage recent deep learning models to develop image analysis tools and design appropriate metrics to enable an immediate assessement of reperfusion based on X-ray angiography images acquired before, during and after the intervention.