Histologische segmentatie van de oppervlakkige femorale slagader van microscan tot CT met behulp van kunstmatige intelligentie (CTPred)

Het femoropopliteale slagadersegment (FPAS) is een van de langste slagaders in het menselijk lichaam en ondergaat torsie, compressie, flexie en extensie als gevolg van bewegingen van de onderste ledematen. Endovasculaire chirurgie wordt beschouwd als de voorkeursbehandeling voor perifeer arterieel vaatlijden, waarvan de resultaten afhangen van de fysiologische krachten op de arteriële wand, de anatomie van de bloedvaten en de kenmerken van de te behandelen laesies. De atheromateuze ziekte omvat op eenvoudige wijze drie categorieën plaques: verkalkte, fibreuze en lipidische plaques. De studie van deze plaques en hun differentiatie in beeldvorming en histologie in de FPAS is al onderwerp van onderzoek geweest. Om ze te behandelen zijn er angioplastiekballonnen en stents met verschillende ontwerpen en componenten, met verschillende mechanische eigenschappen en verschillende geïmpregneerde moleculen.

Er bestaat geen niet-invasieve methode (beeldvorming) om laesies langs de FPAS nauwkeurig te differentiëren. De analyse wordt uitgevoerd vanaf de preoperatieve CT-scan, maar er zijn scanners met hoge resolutie die een quasi-histologische analyse van het weefsel mogelijk maken.

Deze microscanner kan ex vivo worden gebruikt. In het kader van een project werd het leeralgoritme gecreëerd (Convolutional Neural Networks) om microscannercoupes automatisch te segmenteren: na het nemen van FPAS van geamputeerde ledematen, correleerden we ex-vivo microscannerbeelden van de slagaders met hun histologie. De correlatie werd vervolgens handmatig uitgevoerd tussen de microscannerbeelden en de verkregen histologische secties. het algoritme is goed op deze plakjes getraind en heeft de prestaties ervan gevalideerd. De validatie van de concordantie van CT en microscanner was het onderwerp van wetenschappelijke publicaties.