Segmentation automatique du système vasculaire pour améliorer le système d'aide à la décision basé sur l'IA pour l'artériopathie oblitérante des membres inférieurs

Automatic segmentation of the vascular system to enhance AI-based decision support system for peripheral artery disease

• Auteur / Autrice : Lisa Guzzi
• Direction : Hervé Delingette, Juliette Raffort
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance le 05/12/2025
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Antoine Vacavant
• Jury : Examinateurs / Examinatrices : Hervé Delingette, Juliette Raffort, Antoine Vacavant, Bjoern Menze, Isabelle Bloch, Maria Alejandra Zuluaga Valencia
• Jury : Rapporteurs / Rapporteuses : Bjoern Menze, Isabelle Bloch

Mots clés

Mots clés contrôlés

Prothèses internes

Scanographie

Angiographie

Artériopathies

Calcification

Artères

Apprentissage profond

Traitement d'images -- Techniques numériques

Imagerie médicale

Mots clés libres

Segmentation d'images médicales

Angiographie par tomodensitométrie

Artériopathie oblitérante des membres inférieurs

Apprentissage profond

Artères des membres inférieurs

Calcifications

Stents

Medical image segmentation

Computed tomography angiography

Peripheral artery disease

Deep learning

Lower limb arteries

Calcifications

Stents

Résumé

L'artériopathie oblitérante des membres inférieurs (AOMI) touche plus de 230 millions de personnes dans le monde. Généralement causée par l'athérosclérose, elle se caractérise par un rétrécissement ou une occlusion des artères des membres inférieurs. En raison de sa nature souvent asymptomatique, l'AOMI est fréquemment diagnostiquée à un stade avancé, ce qui augmente le risque de complications cardiovasculaires et d'amputation. Ainsi, l'AOMI est associée à une forte mortalité et morbidité, représentant un problème majeur de santé publique. L'angiographie par tomodensitométrie (CTA) est couramment utilisée pour évaluer les lésions artérielles et l'anatomie vasculaire, et pour guider les stratégies de revascularisation. Cependant, l'analyse manuelle des CTA est chronophage et dépendante de l'opérateur, ce qui souligne le besoin d'outils automatisés pour aider la prise de décision clinique. Cette thèse vise à développer un système basé sur l'intelligence artificielle pour l'évaluation complète et automatisée de l'AOMI, facilitant la planification de traitements personnalisés. Le principal défi abordé concerne la segmentation des petites artères tortueuses avec de fréquentes occlusions, ainsi que des plaques de calcification et des stents artériels. La segmentation de ces structures dans les membres inférieurs doit permettre l'extraction de caractéristiques anatomiques et cliniques précises afin de fournir aux cliniciens les informations nécessaires pour guider la planification préopératoire de l'AOMI. Pour relever ce défi de segmentation, nous proposons deux contributions méthodologiques et une contribution clinique : (1) SoftMorph est une méthode pour convertir toute opération morphologique binaire en un équivalent probabiliste dérivable, permettant son intégration dans les réseaux de neurones soit comme couche finale, soit au sein de la fonction de coût. Les filtres probabilistes sont définis comme l'espérance du filtre binaire sur l'ensemble des configurations binaires possibles et exprimés sous la forme d'un polynôme multilinéaire dérivé de sa table de vérité. Pour les cas complexes, des approximations sont obtenues via des opérateurs quasi-probabilistes en appliquant divers opérateurs de logique floue à l'expression booléenne définissant l'opération morphologique, tout en préservant la complexité du filtre original. Les expériences ont démontré des améliorations en termes de préservation topologique pour la segmentation des structures tubulaires. (2) Regional Hausdorff Distance losses : une famille de fonctions de coût développée pour améliorer la précision des bords de structures segmentées, particulièrement pertinente pour certaines lésions pathologiques. La méthode repose sur une fonction de distance dérivable basée sur un opérateur d'érosion, permettant un calcul dérivable des distances régionales maximale, modifiée et moyenne de Hausdorff. Ces fonctions de coût ont atteint de bonnes performances sans nécessiter de fonctions auxiliaires pour l'entraînement des réseaux de segmentation pour plusieurs modalités. (3) Enfin, ces innovations sont appliquées dans un contexte clinique pour la segmentation des artères des membres inférieurs, des stents et des plaques de calcification. PADSET, une base de données interne de CTA de patients atteints d'AOMI, a été constituée et annotée afin de fournir des masques de référence pour chaque structure. Ensuite, des méthodes de segmentation automatique basées sur l'apprentissage profond sont explorées, intégrant les deux contributions techniques précédentes pour obtenir une segmentation automatique de haute performance sur le jeu de données PADSET. De plus, l'approche permet l'identification automatique des principales branches artérielles afin d'extraire la localisation précise des caractéristiques cliniquement pertinentes. L'outil automatique réduit la variabilité inter-observateurs et contribue à aider la planification pré chirurgicale dans le traitement de l'AOMI.

Peripheral artery disease (PAD) affects over 230 million people worldwide. Generally caused by atherosclerosis, it is characterized by the narrowing or occlusion of the arteries in the lower limbs. Owing to its frequent asymptomatic presentation, PAD is often diagnosed at advanced stages, increasing the risk of cardiovascular complications and amputation. As such, PAD is associated with high mortality and morbidity, representing a major public health concern. Computed Tomography Angiography (CTA) is commonly used to assess arterial lesions and anatomy, guiding revascularization strategies. However, current manual analysis of CTA is time-consuming and operator-dependent, underscoring the need for automated tools to support clinical decision-making. This thesis aims to develop an AI-based system for the comprehensive and automated assessment of PAD, facilitating personalized treatment planning. The main challenge addressed is the segmentation of small, tortuous arteries with frequent occlusions, as well as calcification plaques and arterial stents. The segmentation of these structures in the lower limbs should enable the extraction of precise anatomical and clinical features to provide clinicians with the necessary information to guide the preoperative planning for PAD.To overcome this segmentation challenge, we propose two methodological and one clinical contributions. (1) SoftMorph is a framework that converts any binary morphological operation into a differentiable probabilistic counterpart, enabling its integration into neural networks either as a final layer or within the loss function. Probabilistic filters are defined as the expectation of the binary filter over all possible binary configurations and expressed as a multi-linear polynomial derived from its truth table. For intractable cases, approximations are obtained via quasi-probabilistic operators by applying various fuzzy logic operators to convert the Boolean expression defining the morphological operation, preserving the original filter's complexity. Experiments demonstrated improvements in topological preservation for the segmentation of tubular structures. (2) Regional Hausdorff Distance losses are developed, a family of loss functions to improve boundary precision in segmented structures, particularly relevant in pathological contexts. The method relies on a fully differentiable erosion-based distance function to produce differentiable computation of the maximum, modified, and averaged regional Hausdorff Distances. These loss functions achieved state-of-the-art performance without requiring any auxiliary losses for the training of segmentation networks across multiple modalities. (3) Finally, these innovations are applied in a real clinical context for the segmentation of lower-limb arteries, stents and calcification plaques. PADSET, an in-house CTA dataset of PAD patients, is curated and annotated to provide ground truth masks of each structure. Then, deep-learning-based automatic segmentation methods are explored, along with the application of the two previous technical contributions to achieve high-performance automatic segmentation on the PADSET dataset. Additionally, the approach involves automatically identifying key arterial branches to extract the precise locations of clinically relevant features.The automatic tool reduces inter-observer variability, and supports pre-surgical planning for the treatment of PAD.