Segmentation histologique de l'artère fémorale superficielle du microscan au scanner grâce à l'intelligence artificielle (CTPred)

Le segment de l'artère fémoro-poplitée (FPAS) est l'une des artères les plus longues du corps humain, subissant une torsion, une compression, une flexion et une extension dues aux mouvements des membres inférieurs. La chirurgie endovasculaire est considérée comme le traitement de choix de la maladie artérielle périphérique dont les résultats dépendent des forces physiologiques sur la paroi artérielle, de l'anatomie des vaisseaux et des caractéristiques des lésions traitées. La maladie athéromateuse comprend, de manière simple, 3 catégories de plaques : calcifiées, fibreuses et lipidiques. L’étude de ces plaques et leur différenciation en imagerie et en histologie dans le FPAS a déjà fait l’objet de recherches. Pour les traiter, il existe des ballons et des stents d'angioplastie de conceptions et de composants différents, avec des propriétés mécaniques différentes et des molécules imprégnées différentes.

Il n'existe pas de méthode non invasive (imagerie) pour différencier avec précision les lésions le long du FPAS. L'analyse est réalisée à partir du scanner préopératoire, mais il existe des scanners à haute résolution qui permettent une analyse quasi histologique du tissu.

Ce microscanner peut être utilisé ex vivo. Dans le cadre d'un projet, l'algorithme d'apprentissage a été créé (Convolutional Neural Networks) pour segmenter automatiquement des tranches de microscanner : après avoir prélevé des FPAS sur des membres amputés, nous avons corrélé ex-vivo des images de microscanner des artères avec leur histologie. La corrélation a ensuite été réalisée manuellement entre les images du microscanner et les coupes histologiques obtenues. l'algorithme va pouvoir être entraîné sur ces tranches et valider ses performances. La validation de la concordance CT et microscanner a fait l'objet de publications scientifiques.