Prediction du risque d'AVC à partir d'imagerie et de simulation de l'oreillette gauche

Prediction of stroke risk based on imaging and simulation of the left atrium

• Auteur / Autrice : Nicolas Drettakis
• Direction : Maxime Sermesant
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 01/01/2025
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : E-Patient : Images, données & mOdèles pour la médeciNe numériquE

Mots clés

Mots clés libres

Prédiction d'AVC

Oreillette gauche

Apprentissage automatique

Imagerie médicale

Statistiques de formes

Fibrillation Atriale

Stroke prediction

Left Atrium

Machine learning

Medical Imaging

Shape statistics

Atrial Fibrillation

Résumé

Ce projet de doctorat à l'Inria se concentrera sur les données d'imagerie médicale en 3D. Nous poursuivrons nos travaux sur la prédiction par tomodensitométrie du risque d'accident vasculaire cérébral à partir de la forme du LA et de la graisse péricardique, auxquels nous ajouterons des biomarqueurs de la forme du LV. Nous étendrons nos algorithmes de segmentation automatique aux images de tomodensitométrie thoracique non injectées, ce qui élargira considérablement la population cible. Nous ajouterons à ce travail des aspects physiologiques par le biais du mouvement cardiaque et du flux sanguin. Des méthodes d'apprentissage non supervisées et supervisées seront explorées afin de mieux prédire le risque d'AVC et les biomarqueurs intermédiaires à partir de données d'imagerie médicale en 3D.

This PhD project at Inria will focus on 3D medical imaging data. We will continue our work on prediction by CT scan of stroke risk based on LA shape and pericardial fat, to which we will add biomarkers of LV shape. We will extend our automatic segmentation algorithms to non-injected thoracic CT images, considerably broadening the target population. We will add physiological aspects to this work via cardiac motion and blood flow. Unsupervised and supervised learning methods will be explored to better predict stroke risk and intermediate biomarkers from 3D medical imaging data.