Uncertainty modelling for end-to-end 3D reconstruction of coronary arteries from 2D X-ray angiography

Résumé

Les maladies des artères coronaires sont l’une des principales causes de mortalité au Canada. Lorsque possible, les cardiologues préfèrent l’utilisation de cathétérisme, une intervention minimalement invasive, à des fins de traitement. Lors d’une pose de stent en cathétérisme cardiaque, un cathéter est inséré dans le corps du patient suivi d’un stent qui est ensuite déplacé jusqu’à arriver à la structure vasculaire visée. Cette navigation est généralement faite par les cardiologues en se repérant sur une ou plusieurs projections 2D appelées angiographies. Les angiographies sont des radiographies sur lesquelles sont visibles les structures vasculaires grâce à l’injection d’agent de contraste par cathéter. Les difficultés rencontrées lors de telles interventions sont principalement liées à la technique d’imagerie utilisée. En effet, les angiographies sont une représentation en 2D de structures en 3D. Il est donc difficile d’estimer la taille et la profondeur réelle des artères. Ensuite, l’agent de contraste se dilue rapidement dans le sang. La fenêtre de temps pendant laquelle les structures vasculaires sont visibles est donc assez limitée. De même, les structures vasculaires bougent et se déforment en fonction des mouvements cardiaques et respiratoires. Tous ces artefacts rendent la navigation et la pose de stent difficile. Notre objectif principal est de modéliser l’incertitude dans le contexte spécifique de la reconstruction 3D d’artères coronaires lors d’interventions de pose de stent en cardiologie. Cet objectif peut se décomposer en trois objectifs spécifiques : 1. Segmentation des artères coronaires sur des angiographies et fournir une mesure d’incertitude liée à la segmentation; 2. Effectuer la synthèse de données supplémentaires et paramétrables; 3. Effectuer la reconstruction 3D des artères segmentées à partir d’une vue unique. Notre premier objectif spécifique se base sur l’utilisation de réseaux de neurones Bayésiens. En réalisant la segmentation de différentes structures vasculaires (aortes, artères coronaires, artères pulmonaires) à l’aide de convolutions et de couches entièrement connectées, nous souhaitons également utiliser les avantages de l’approche Bayésienne des probabilités afin de fournir une mesure d’incertitude. Cette mesure d’incertitude peut être décomposée en deux sous-catégories d’incertitudes : l’incertitude aléatoire et l’incertitude épistémique. La première représente les sources d’information incertaines directement présentes dans les images utilisées lors de l’apprentissage. La seconde représente ce que le modèle a appris, et plus particulièrement ce qu’il n’a pas appris. Fournir une mesure de ces incertitudes permet de comprendre les limites de notre apprentissage, tout en alertant des prédictions les plus incertaines. Notre second objectif spécifique porte sur la synthèse d’angiographies d’artères coronaires. Nous avons pour cela utilisé un simulateur cardio-respiratoire pour générer des cinéangiographies paramétrables à partir de modèles 3D d’artères. Nous avons proposé un algorithme de transfert de style basé sur une mesure de vascularité. Le transfert de style permet d’ajouter le style et le bruit particulier des vraies angiographies sur les simulations obtenues. Ainsi, notre méthode permet de synthétiser de nouvelles images d’artères coronaires à des fins d’apprentissage ou d’augmentation de données pour algorithmes d’apprentissage automatique. Enfin, notre dernier objectif consiste à réaliser la reconstruction 3D d’artères coronaires à partir d’une seule image d’angiographie segmentée. Pour cela un modèle d’apprentissage est utilisé pour extraire les caractéristiques d’une image et de les associer à un graphe qui est graduellement déformé au cours du temps afin de former la reconstruction 3D finale. Utiliser une seule image permet d’éviter l’utilisation de méthodes de recalage temporel et d’adapter la méthode de reconstruction à plus de configurations de laboratoire de cathétérisation. Les modèles 3D ainsi obtenus sont des vues supplémentaires utilisables pendant les interventions. Ces vues contiennent moins d’ambiguïtés que des projections 2D qui demandent plus d’expérience de la part des cardiologues.

Date	30 oct. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Luc Duong (Directeur(-trice))