Application de l’apprentissage profond pour la segmentation multiclasse et la quantification des artères du système vasculaire cérébral avec l’angiographie par résonance magnétique (TOF-MRA)

Abstract

L’apprentissage profond, une branche de l’intelligence artificielle, est un domaine en plein essor. Depuis les dernières années, il a été énormément utilisé pour plusieurs applications en imagerie médicale. L’une des plus utiles applications de l’apprentissage profond est la segmentation de différents organes, lésions ou régions d’intérêt sur des images médicales. Une des modalités de l’IRM est l’angiographie par résonance magnétique par temps de vol (time-of-flight magnetic resonance angiography, TOF-MRA). Cette modalité d’imagerie permet d’avoir accès à la topologie artérielle du cerveau. Le Cercle de Willis (CW) est une région vasculaire très variable à l’entrée du système vasculaire cérébral qui a été étudiée pour ce projet. Le travail présenté dans ce mémoire démontre les possibilités d’application de l’apprentissage profond pour effectuer la segmentation du CW et la quantifier. Nous avons développé une approche permettant de segmenter, de manière multiclasse, les artères composants et entourant le CW sur des images TOF-MRA. Également, nous sommes en mesure d’en extraire des métriques de manière fiable. Le tout est généralisable sur de grandes cohortes de patients et permet une analyse rapide en moins de 10 minutes par image. L’approche développée dans ce travail peut être généralisée aux études multiclasses du CW avec l’imagerie par TOF-MRA.

Abstract: Thesis presented at the Faculty of Medicine and Health Sciences for the obtention of Master degree diploma in Radiation sciences and biomedical imaging, Faculty of Medicine and Health Sciences, Université de Sherbrooke, Sherbrooke, Québec, Canada, J1H 5N4 Deep learning, a branch of artificial intelligence, is a booming field. In recent years, it has been used extensively for several applications in medical imaging. One of the most useful applications of deep learning is the segmentation of different organs, lesions, or regions of interest on medical images. Time-of-flight magnetic resonance angiography (TOF-MRA) is an MRI modality. This imaging modality provides access to the arterial topology of the brain. The Circle of Willis (CW) is a highly variable vascular region at the entrance to the cerebrovascular system which has been studied for this project. The work presented in this thesis demonstrates the possible applications of deep learning to perform CW multiclass segmentation and quantify this vascular region reliably. We have developed a method that is capable of segmenting, in a multiclass manner, the arteries that compose and surround the CW on TOF-MRA images. We are also able to reliably extract metrics from them. All of this can be generalized to large cohorts of patients and allows rapid analysis in less than 10 minutes per image. The approach developed in this work can be generalized to multiclass studies of the CW with TOF-MRA imaging.