Histologisk segmentering av den overfladiske lårarterien fra mikroskanning til CT ved bruk av kunstig intelligens (CTPred)

Det femoropoliteale arteriesegmentet (FPAS) er en av de lengste arteriene i menneskekroppen, som gjennomgår torsjon, kompresjon, fleksjon og ekstensjon på grunn av bevegelser i underekstremitetene. Endovaskulær kirurgi anses å være den foretrukne behandlingen for den perifere arterielle sykdommen, hvis resultater avhenger av de fysiologiske kreftene på arterieveggen, anatomien til karene og egenskapene til lesjonene som behandles. Den ateromatøse sykdommen inkluderer på en enkel måte 3 kategorier plakk: forkalket, fibrøst og lipid. Studiet av disse plakkene og deres differensiering i avbildning og histologi i FPAS har allerede vært gjenstand for forskning. For å behandle dem finnes det angioplastikkballonger og stenter med ulike design og komponenter, med ulike mekaniske egenskaper og ulike impregnerte molekyler.

Det finnes ingen ikke-invasiv metode (avbildning) for nøyaktig å skille lesjoner langs FPAS. Analysen utføres fra den preoperative CT-skanningen, men det finnes høyoppløselige skannere som tillater en kvasi-histologisk analyse av vevet.

Denne mikroskanneren kan brukes ex vivo. I rammen av et prosjekt ble læringsalgoritmen opprettet (Convolutional Neural Networks) for å automatisk segmentere mikroskannerskiver: etter å ha tatt FPAS fra amputerte lemmer, korrelerte vi ex-vivo mikroskannerbilder av arteriene med deres histologi. Korrelasjonen ble deretter utført manuelt mellom mikroskannerbildene og de histologiske snittene som ble oppnådd. Algoritmen er godt trent på disse skivene og validert ytelsen. Valideringen av CT- og mikroskannerkonkordansen var gjenstand for vitenskapelige publikasjoner.