Apprentissage automatique dans l'analyse automatisée de l'aorte humaine à l'aide d'une IRM innovante en flux 4D - Thèses de Sorbonne Université Accéder directement au contenu
Thèse Année : 2023

Machine learning in automated analysis of human aorta using innovative 4D flow MRI

Apprentissage automatique dans l'analyse automatisée de l'aorte humaine à l'aide d'une IRM innovante en flux 4D

Jia Guo
  • Fonction : Auteur
  • PersonId : 1392831
  • IdRef : 276362152

Résumé

The aorta is the main artery of the human body and plays a key role in the cardiovascular system as it conveys oxygenated blood to our organs while ensuring constant and continuous blood flow and regulated arterial pressures despite the pulsatile and recurrent nature of the heart ejection. This cushioning function of the aorta can however be impaired by various diseases which stiffen the aorta thus reducing its elastic efficiency. This aortic stiffening is often characterized by structural and mechanical changes of the aortic wall interplaying with circulating blood flow disorganization and is known to play a significant role in cardiovascular disease development and progression towards fatal events (aortic wall rupture). Magnetic Resonance Imaging (MRI) is a non-invasive and non-irradiating imaging modality able to provide both aortic anatomy (angiography data) and blood flow dynamics (4D flow data) through volumetric acquisitions. Anatomic angiography data are acquired on a single phase of the cardiac cycle but have a high spatial resolution and contrast. They are usually used in clinical routine to extract morphological indices (diameters on selected slices) and to visualize geometrical malformation (stenosis, dilation, abnormal valves). 4D flow datasets consist in the acquisition of circulating blood flow X, Y and Z velocity components in all aortic voxels during the entire cardiac cycle, but with a lower resolution and overall contrast. In the clinical routine, these data can be visualized but the lack of segmentation tools hinders the extraction of quantitative measures, although they will be of major usefulness for the patient. In our laboratory (Laboratory of Biomedical Imaging, Cardiovascular Imaging team), we have recently developed a semi-automated technique (MIMOSA software) which is able to reliably detect 3D aortic borders on angiographic images. This technique has been applied on the data of 400 patients including: controls with a wide age range (20 to 80 years), patients with aortic dilation, and female patients with abnormally small aorta because of their Turner syndrome (clinical data are made available through our tight collaboration with Pitié-Salpêtrière Hospital). To summarize: 1) there is an urgent need for automated segmentation of the above-mentioned MRI images to accurately quantify aortic morphology, function and well as hemodynamics.
L'aorte est l'artère principale du corps humain et joue un rôle clé dans le système cardiovasculaire car elle achemine le sang oxygéné vers nos organes tout en assurant un débit sanguin constant et continu et des pressions artérielles régulées malgré le caractère pulsatile et récurrent de l'éjection cardiaque. Cette fonction d'amortissement de l'aorte peut cependant être altérée par diverses maladies qui rigidifient l'aorte réduisant ainsi son efficacité élastique. Cette rigidité aortique est souvent caractérisée par des modifications structurelles et mécaniques de la paroi aortique interagissant avec une désorganisation du flux sanguin circulant qui joue un rôle important dans le développement des maladies cardiovasculaires et leur progression vers des événements mortels (rupture de la paroi aortique). L’imagerie par résonance magnétique (IRM) est une modalité d'imagerie non invasive et non irradiante capable de fournir à la fois l'anatomie aortique (données d'angiographie) et la dynamique du flux sanguin (données de flux 4D) grâce à des acquisitions volumétriques. Les données d'angiographie anatomique sont acquises sur une seule phase du cycle cardiaque mais ont une résolution spatiale et un contraste élevés. Elles sont généralement utilisées en routine clinique pour extraire des indices morphologiques (diamètres sur des coupes sélectionnées) et pour visualiser des malformations géométriques (sténose, dilatation, anomalies valvulaires). L’IRM de flux 4D consiste en l'acquisition des composantes de vitesse X, Y et Z du flux sanguin circulant dans tous les voxels aortiques pendant tout le cycle cardiaque, mais avec une résolution et un contraste global inférieurs aux angiographies IRM. En routine clinique, ces données peuvent être visualisées mais le manque d'outils de segmentation entrave l'extraction de mesures quantitatives, alors qu'elles seraient d'une utilité majeure pour le patient. Dans notre laboratoire (Laboratoire d'Imagerie Biomédicale, équipe Imagerie Cardiovasculaire), nous avons récemment développé une technique semi-automatisée (logiciel MIMOSA) capable de détecter de manière fiable les frontières aortiques 3D sur les images angiographiques. Cette technique a été appliquée sur les données de 400 patients comprenant : des témoins avec une large tranche d'âge (20 à 80 ans), des patients présentant une dilatation aortique et des patientes présentant une aorte anormalement petite en raison de leur syndrome de Turner (les données cliniques sont disponibles via notre étroite collaboration avec l'hôpital de la Pitié-Salpêtrière). Ainsi l’objectif principal de ma thèse est de répondre au besoin urgent de segmentation automatisée via l’apprentissage profond des images d’IRM aortique d’angiographie anatomique et de flux 4D pour quantifier avec précision la morphologie, la fonction et l'hémodynamique de l'aorte.
Fichier principal
Vignette du fichier
141457_GUO_2023_archivage.pdf (4.64 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04614275 , version 1 (17-06-2024)

Identifiants

  • HAL Id : tel-04614275 , version 1

Citer

Jia Guo. Apprentissage automatique dans l'analyse automatisée de l'aorte humaine à l'aide d'une IRM innovante en flux 4D. Intelligence artificielle [cs.AI]. Sorbonne Université, 2023. Français. ⟨NNT : 2023SORUS591⟩. ⟨tel-04614275⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More