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

L'artériopathie oblitérante des membres inférieurs (AOMI) touche plus de 230 millions de personnes dans le monde. Généralement causée par l'athérosclérose, elle se caractérise par un rétrécissement ou une occlusion des artères des membres inférieurs. En raison de sa nature souvent asymptomatique, l'AOMI est fréquemment diagnostiquée à un stade avancé, ce qui augmente le risque de complications cardiovasculaires et d'amputation. Ainsi, l'AOMI est associée à une forte mortalité et morbidité, représentant un problème majeur de santé publique. L'angiographie par tomodensitométrie (CTA) est couramment utilisée pour évaluer les lésions artérielles et l'anatomie vasculaire, et pour guider les stratégies de revascularisation. Cependant, l'analyse manuelle des CTA est chronophage et dépendante de l'opérateur, ce qui souligne le besoin d'outils automatisés pour aider la prise de décision clinique. Cette thèse vise à développer un système basé sur l'intelligence artificielle pour l'évaluation complète et automatisée de l'AOMI, facilitant la planification de traitements personnalisés. Le principal défi abordé concerne la segmentation des petites artères tortueuses avec de fréquentes occlusions, ainsi que des plaques de calcification et des stents artériels. La segmentation de ces structures dans les membres inférieurs doit permettre l'extraction de caractéristiques anatomiques et cliniques précises afin de fournir aux cliniciens les informations nécessaires pour guider la planification préopératoire de l'AOMI. Pour relever ce défi de segmentation, nous proposons deux contributions méthodologiques et une contribution clinique : (1) SoftMorph est une méthode pour convertir toute opération morphologique binaire en un équivalent probabiliste dérivable, permettant son intégration dans les réseaux de neurones soit comme couche finale, soit au sein de la fonction de coût. Les filtres probabilistes sont définis comme l'espérance du filtre binaire sur l'ensemble des configurations binaires possibles et exprimés sous la forme d'un polynôme multilinéaire dérivé de sa table de vérité. Pour les cas complexes, des approximations sont obtenues via des opérateurs quasi-probabilistes en appliquant divers opérateurs de logique floue à l'expression booléenne définissant l'opération morphologique, tout en préservant la complexité du filtre original. Les expériences ont démontré des améliorations en termes de préservation topologique pour la segmentation des structures tubulaires. (2) Regional Hausdorff Distance losses : une famille de fonctions de coût développée pour améliorer la précision des bords de structures segmentées, particulièrement pertinente pour certaines lésions pathologiques. La méthode repose sur une fonction de distance dérivable basée sur un opérateur d'érosion, permettant un calcul dérivable des distances régionales maximale, modifiée et moyenne de Hausdorff. Ces fonctions de coût ont atteint de bonnes performances sans nécessiter de fonctions auxiliaires pour l'entraînement des réseaux de segmentation pour plusieurs modalités. (3) Enfin, ces innovations sont appliquées dans un contexte clinique pour la segmentation des artères des membres inférieurs, des stents et des plaques de calcification. PADSET, une base de données interne de CTA de patients atteints d'AOMI, a été constituée et annotée afin de fournir des masques de référence pour chaque structure. Ensuite, des méthodes de segmentation automatique basées sur l'apprentissage profond sont explorées, intégrant les deux contributions techniques précédentes pour obtenir une segmentation automatique de haute performance sur le jeu de données PADSET. De plus, l'approche permet l'identification automatique des principales branches artérielles afin d'extraire la localisation précise des caractéristiques cliniquement pertinentes. L'outil automatique réduit la variabilité inter-observateurs et contribue à aider la planification pré chirurgicale dans le traitement de l'AOMI.