Segmentation entièrement automatisée incluant la lumière, le thrombus et la calcification.

Points clés

• Les réseaux de neurones convolutifs (CNN) sont devenus la référence en matière de segmentation d'images médicales.
• Le CNN a permis une segmentation précise de la lumière artérielle, du thrombus et des calcifications.
• Une détection automatique correcte de 86 % des principales artères collatérales a été obtenue.
• La segmentation aorto-iliaque complexe entièrement automatique est réalisable et précise.

Objectif

• L'intelligence artificielle et les technologies de jumeaux numériques offrent une nouvelle approche pour planifier les interventions endovasculaires et aider les praticiens à anticiper les complications. La précision de ces méthodes repose sur une segmentation aortique automatisée et fiable, incluant le thrombus intraluminal (ILT), les calcifications et la détection des artères collatérales. L'objectif de cette étude était de valider un nouvel algorithme de segmentation aortique entièrement automatisé basé sur l'apprentissage profond, destiné à optimiser la génération de jumeaux numériques.

Méthodes

• Après un entraînement sur 1280 angioscanners, dont 1000 pour le pré-entraînement et 280 pour l'ajustement, un réseau de neurones convolutifs basé sur une architecture U-Net a été validé en externe sur 48 angioscanners afin de segmenter la lumière, les artères collatérales, l'ILT et les calcifications pariétales de l'aorte abdominale et des artères iliaques. Des segmentations en aveugle, corrigées manuellement par un radiologue et un chirurgien seniors, ont été réalisées pour établir la référence de comparaison.

Résultats

• La comparaison entre les méthodes de segmentation entièrement automatisées et corrigées manuellement a révélé un coefficient de similarité Dice moyen de 0,97 ± 0,01, 0,94 ± 0,05 et 0,87 ± 0,04 pour la lumière aortique, l'ILT et les calcifications, respectivement. La distance de surface moyenne était de 0,30 ± 0,15, 0,61 ± 0,72 et 0,28 ± 0,28 mm pour la lumière aortique, l'ILT et les calcifications, respectivement. Le temps de segmentation moyen était de quatre minutes et 20 secondes avec la méthode entièrement automatisée.

Conclusion

• L'algorithme d'apprentissage profond développé dans cette étude a permis une segmentation aorto-iliaque valide, rapide et précise. Il peut être utilisé pour générer automatiquement des jumeaux numériques aortiques fiables pour la planification des réparations aortiques endovasculaires.

‍

Lire l'article complet "Validation of a deep learning U-Net Algorithm for multistructure segmentation of infrarenal abdominal aortice aneurysms including flow lumne, thrombus, and calcifications.