L'AVC est la deuxième cause de décès dans le monde. L'AVC ischémique, fortement lié aux plaques athérosclérotiques, nécessite une plaque et une quantification de la paroi de la plaque et des vaisseaux précises pour un diagnostic définitif. Cependant, la segmentation manuelle conventionnelle reste longue et dépendante de l'opérateur, tandis que les outils actuels assistés par ordinateur ne sont pas à l'échelle de la précision requise pour les applications cliniques. Ces goulots d'étranglement technologiques entravent gravement le diagnostic précis et le traitement de l'AVC ischémique.
Dans une étude publiée dans Radiologie européenneune équipe de recherche dirigée par le Dr Zhang NA des Shenzhen Institutes of Advanced Technology (SIAT) de l'Académie chinoise des sciences, ainsi que des collaborateurs, a développé un modèle de segmentation multi-tâches entièrement basé sur des paramètres et une méthode de segmentation à petit cible à deux étages à haute résolution à haute résolution (MR). Cette approche permet une segmentation automatisée et précise et une analyse quantitative des lumens de vaisseau artériel carotides, des murs des navires et des plaques, offrant un outil de diagnostic fiable assisté par l'IA pour l'évaluation des risques cliniques de l'AVC ischémique.
Dans cette étude, la méthode proposée se compose de deux étapes clés. La première étape consiste à construire un réseau neuronal convolutionnel purement basé sur l'apprentissage (CNN), nommé vase-Senet, pour segmenter la paroi de la lumière et du navire. La deuxième étape exploite les prieurs de la paroi des vaisseaux, spécifiquement, les prieurs manuels et les prieurs automatiques basés sur Tversky pour améliorer la segmentation de la plaque en utilisant la similitude morphologique entre la paroi du vaisseau et la plaque athérosclérotique.
Cette étude comprenait des données de 193 patients atteints de plaque athérosclérotique dans cinq centres, qui ont tous subi une numérisation par imagerie par résonance magnétique pondérée en T1 (IRM). L'ensemble de données a été divisé en trois sous-ensembles: 107 patients pour la formation et la validation, 39 pour les tests internes et 47 pour les tests externes.
Les résultats expérimentaux ont démontré que la plupart des coefficients de similitude de dés (DSC) pour la segmentation de la paroi de la lumière et des vaisseaux dépassaient 90%. L'incorporation de prieurs de la paroi des navires a amélioré le DSC pour la segmentation de la plaque de plus de 10%, atteignant 88,45%. En outre, par rapport aux priors basés sur les déserres, les prieurs basés sur Tversky ont encore amélioré le DSC de près de 3%, atteignant 82,84%.
Contrairement aux méthodes manuelles, la technique proposée fournit une segmentation de plaque automatisée précise et termine une évaluation caractéristique quantitative de la plaque pour un seul patient en moins de 3 secondes.
L'objectif de nos recherches est de tirer parti des modèles d'IA pour produire des résultats quantitatifs précis, reproductibles et cliniquement pertinents, qui peuvent aider les professionnels de la santé dans le diagnostic de l'AVC et la prise de décision thérapeutique. «
Dr Zhang NA, Shenzhen Institutes of Advanced Technology
Le Dr Zhang a ajouté: « À l'avenir, nous devrons mener des études supplémentaires en utilisant d'autres équipements, populations et analyses anatomiques pour valider davantage la fiabilité des résultats de la recherche. »
