Гистологическая сегментация поверхностной бедренной артерии от микросканирования до КТ с использованием искусственного интеллекта (CTPred)

Сегмент бедренно-подколенной артерии (FPAS) — одна из самых длинных артерий в организме человека, подвергающаяся перекручиванию, сжатию, сгибанию и растяжению вследствие движений нижних конечностей. Эндоваскулярная хирургия считается методом выбора при заболеваниях периферических артерий, результаты которого зависят от физиологических сил, действующих на артериальную стенку, анатомии сосудов и характеристик подвергаемых лечению поражений. Атероматозное заболевание включает, упрощенно, 3 категории бляшек: кальцинированные, фиброзные и липидные. Изучение этих бляшек и их дифференциации при визуализации и гистологии в FPAS уже было предметом исследований. Для их лечения существуют баллоны и стенты для ангиопластики различной конструкции и компонентов, с разными механическими свойствами и разными импрегнированными молекулами.

Не существует неинвазивного метода (визуализации) для точной дифференциации поражений вдоль FPAS. Анализ проводится на основании предоперационной компьютерной томографии, но существуют сканеры высокого разрешения, позволяющие провести квазигистологический анализ ткани.

Этот микросканер можно использовать ex vivo. В рамках проекта был создан алгоритм обучения (Convolutional Neural Networks) для автоматической сегментации микросканированных срезов: после получения FPAS из ампутированных конечностей мы сопоставляли ex-vivo микросканированные изображения артерий с их гистологией. Затем вручную выполняли корреляцию между изображениями микросканера и полученными гистологическими срезами. алгоритм можно обучить на этих срезах и проверить его эффективность. Подтверждению соответствия КТ и микросканера посвящены научные публикации.