Histologisk segmentering av den ytliga lårbensartären från mikroskanning till CT med hjälp av artificiell intelligens (CTPred)

Det femoropopliteala artärsegmentet (FPAS) är en av de längsta artärerna i människokroppen, som genomgår vridning, kompression, böjning och förlängning på grund av rörelser i underbenen. Endovaskulär kirurgi anses vara den föredragna behandlingen för den perifera artärsjukdomen, vars resultat beror på de fysiologiska krafterna på artärväggen, kärlens anatomi och egenskaperna hos de lesioner som behandlas. Den ateromatösa sjukdomen inkluderar på ett enkelt sätt 3 kategorier av plack: förkalkade, fibrösa och lipidiska. Studiet av dessa plack och deras differentiering i avbildning och histologi i FPAS har redan varit föremål för forskning. För att behandla dem finns angioplastikballonger och stentar med olika design och komponenter, med olika mekaniska egenskaper och olika impregnerade molekyler.

Det finns ingen icke-invasiv metod (avbildning) för att exakt differentiera lesioner längs FPAS. Analysen görs från den preoperativa CT-skanningen, men det finns högupplösta skannrar som möjliggör en kvasi-histologisk analys av vävnaden.

Denna mikroskanner kan användas ex vivo. Inom ramen för ett projekt skapades inlärningsalgoritmen (Convolutional Neural Networks) för att automatiskt segmentera mikroskannerskivor: efter att ha tagit FPAS från amputerade lemmar, korrelerade vi ex-vivo mikroskannerbilder av artärerna med deras histologi. Korrelationen utfördes sedan manuellt mellan mikroskannerbilderna och de erhållna histologiska sektionerna. algoritmen väl tränas på dessa skivor och validerat dess prestanda. Valideringen av CT- och mikroskannerkonkordansen var föremål för vetenskapliga publikationer.