EP3973504A1 - Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond - Google Patents

Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond

Info

Publication number
EP3973504A1
EP3973504A1 EP20725201.6A EP20725201A EP3973504A1 EP 3973504 A1 EP3973504 A1 EP 3973504A1 EP 20725201 A EP20725201 A EP 20725201A EP 3973504 A1 EP3973504 A1 EP 3973504A1
Authority
EP
European Patent Office
Prior art keywords
images
neural network
coronary
parts
applied directly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20725201.6A
Other languages
German (de)
English (en)
Inventor
Jean-François PAUL
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of EP3973504A1 publication Critical patent/EP3973504A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Definitions

  • the present invention relates to a computer-implemented method for automatically detecting the presence or not of a coronary lesion and classifying it by assigning a value according to its severity, using a deep neural network, as well.
  • a device capable of automatically detecting the presence or not of such a coronary lesion and a non-transient computer-readable medium storing computer-readable program instructions for automatically detecting the presence or not of such a coronary lesion are capable of automatically detecting the presence or not of such a coronary lesion and a non-transient computer-readable medium storing computer-readable program instructions for automatically detecting the presence or not of such a coronary lesion.
  • Coronary artery disease is the second leading cause of death in developed countries, after cancer. In particular, it affects more than fifteen million Americans. It can turn out to be brutal, it is by far the leading cause of sudden death in the world. There are around 50,000 cases of sudden death per year in France, most of them from myocardial infarction. It can affect young people, sometimes in their thirties. Its incidence increases with the aging of the population and the development of chronic diseases such as diabetes and high blood pressure.
  • Cardiovascular disease includes a number of disorders
  • Coronary heart disease also called coronary heart disease
  • coronary artery disease or coronary heart disease
  • coronary artery disease is an obstructive disease of the coronary arteries, which supply blood to the heart.
  • stenosis narrowing to occlusion
  • coronary injury results in coronary artery disease, or coronary artery disease, or coronary artery disease.
  • Coronary insufficiency usually results in myocardial ischemia, which means insufficient blood supply (ischemia) to the heart muscle (myocardium), due in part to vascular obstruction.
  • myocardial the main ones being the electrocardiogram, stress test, MRI, myocardial scintigraphy, coronary angiography, and more recently the coronary angiogram.
  • the image quality depends on the heart rate, any artifacts in staircase walking between two beats, the quality of the injection of the contrast product, the level of noise in the image and the possible presence of calcifications. .
  • the latest cardiac scanner technology achieves the best average image quality while reducing most of the cited artifacts.
  • the coronary CT angiography (or CCTA for Coronary CT angiography) is a
  • CT angiography has poorer specificity (approximately 50-70%) due to frequent false-positive cases. Its positive predictive value of the scanner is therefore lower. False-positive cases are observed, in particular in the case of coronary calcifications and / or in the case of movement artifacts during image acquisition. Thus, a reading expertise is necessary to minimize the number of false positives.
  • a good expertise can be acquired over several years (at least 5 years) for radiologists or cardiologists working in a center specializing in cardiac imaging.
  • AI Artificial Intelligence
  • Machine learning or Machine Learning tools in English, and in particular neural networks (RN) make it possible to reproduce expertise, which is widely used in the field of image recognition. This is why multiple projects are developing in the field of medical imaging.
  • the present invention consists in particular in adapting an expertise in the reading of CT angiography using AI techniques.
  • Computed tomography coronary angiography is a sensitive method for detecting coronary lesions (plaque or stenosis), which in practice allows coronary lesion to be ruled out when the examination is normal.
  • an automatic examination detection normal classified CAD-RADS 0
  • the present invention relates to an automated determination of the value according to the CAD-RADS classification (Cury RC et al., "Coronary Artery Disease - Reporting and Data System (CAD-RADS): An Expert Consensus Document of SCCT, ACR and NASCI: Endorsed by the ACC. ”, JACC Cardiovasc Imaging. 2016 Sep; 9 (9): 1099-1113.)
  • CAD-RADS Coronary Artery Disease - Reporting and Data System
  • the present invention relates to a computer-implemented method for automatically detecting the presence or absence of a coronary lesion and classifying it by assigning a value from 0 to 5 according to its severity, according to the CAD-RADS classification (for Coronary Artery Disease - Reporting and Data System value), using a neural network, as well as a device capable of automatically detecting the presence or not of a coronary lesion and classifying it in assigning a value from 0 to 5 depending on its severity, according to the CAD-RADS classification (for Coronary Artery Disease - Reporting and Data System value or system of reports and data) using a neural network, and a non-transient computer readable medium storing computer readable program instructions for automatically detecting the presence or not of a coronary lesion and classifying it by assigning a value from 0 to 5 according to of its severity, according to
  • angiography are based on visual estimates of strictures, at a threshold of 50% in diameter, corresponding to the CAD-RADS classification 3, 4 or 5 (occlusion). The relevance of this detection is very dependent on the observer and his level of reading experience.
  • a problem which the present invention proposes to solve consists in particular in limiting the interobserver interpretation variability of coronary stenosis linked to the expertise by determining the value according to the CAD-RADS classification directly on images. anatomical.
  • the first object of the solution to this problem is a computer-implemented method for determining the presence of a coronary lesion for a patient, comprising:
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value or system of reports and data
  • Its second object is a device capable of determining the presence of a coronary lesion in a patient, comprising:
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value or system of reports and data
  • a final object of the invention is a non-transient computer readable medium storing computer readable program instructions for determining the presence of a coronary lesion for a patient, comprising the execution by a processor of instructions.
  • computer readable programs that perform the following operations:
  • CT scan curvilinear or stretched multiplanar medical image
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value
  • the Applicant has in particular been able to develop a method which has qualities which make it possible to automatically detect a potentially significant coronary artery stenosis from a hemodynamic point of view (preferably CAD-RADS 3 or 4), on the basis of high-level expertise. level.
  • the method also has the advantage of being able to predict the absence of coronary injury by determining a CAD-RADS value of 0 with a high probability. This system therefore makes it possible, in a single coronary CT angiogram examination, to provide reliable results which advantageously help in the diagnosis and subsequently to adapt therapeutic management.
  • FIG. 1 represents a curvilinear RMP image of the coronary artery presenting a
  • Figure 2 shows a stretched RMP image of coronary artery stenosis.
  • Figure 3 is a block diagram illustrating the different possible steps of a process according to the invention.
  • Figure 4 shows some of the anatomical criteria for predicting whether a stenosis is hemodynamic or not.
  • FIG. 5 represents the results of the CAD-RADS 0 detection by the neural network.
  • Figure 6 illustrates an example of analysis of multiple incidence images of the same artery analyzed by neural network.
  • the first object of the invention is a computer-implemented process for
  • the first step of said method is a step of receiving at least one curvilinear or stretched multiplanar medical image by computed tomography (X-ray scanner) of said patient including a coronary artery to be studied.
  • a multiplanar image is an image reconstructed from the centerline of a tubular anatomical structure such as a coronary artery. The major axis of the image plane is then aligned with the anatomical structure by following this central line. This allows the structure to be included entire anatomy (here a coronary artery) in a single image.
  • An RM P image can thus follow the curvilinear path of the vessel, and the adjacent structures are then distorted.
  • the axis of the vessel can also be stretched by projection in a fixed direction. Visualization can be done on an axis of rotation of 360 ° in both cases (curvilinear RM P or stretched RMP).
  • the second step of the process is a step of determining a
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value or system of reports and data
  • the images or parts of images come from a coronary CT angiography (or CCTA for Coronary Computed Tomography Angiography).
  • the first neural network is trained to read RMP images
  • multiplanar reconstructions curvilinear, single images or, for diagnostic accuracy, multiple RMP images of the same artery viewed from multiple views, spaced at least 20 ° apart, preferably with at least 180 ° coverage.
  • a base of at least 5,000, preferably 10,000, artery images were analyzed and captioned, with or without coronary or coronary injury, by a recognized expert with more than 20 years of experience in reading these images.
  • Curvilinear or stretched RMP images are obtained from the centerline of a coronary artery. This central line is extracted by common software on X-ray workstations, but it is sometimes necessary to correct the central line manually so that this line always remains in the center of the circulating light.
  • Each coronary artery is generally analyzed with multiple PMRs by multiplying the incidences over 360 °. In particular, this makes it easier to detect asymmetric lesions, which may only appear under certain conditions.
  • the method according to the invention therefore includes a step of determining a value according to the CAD-RADS classification (for Coronary Artery Disease - Reporting and Data System value) of a coronary lesion by use of a first trained deep neural network applied directly to the detected images or parts of images.
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value
  • Figure 6 illustrates an example of analysis of multiple incidence images of the same artery analyzed by neural network. The average of the probabilities by CAD-RADS classification of each image is calculated as well as the frequency of each
  • a specific algorithm makes it possible to classify a coronary artery according to CAD-RADS from multiple images.
  • the algorithm takes the most frequent classification of images of different incidences (from 0 to 5), and compares it to the average of the probabilities of each classification. If the most frequent classification is also the one with the highest average probability, this is retained by the algorithm. In the event of a discrepancy, the more severe classification of the two is retained: it is indeed better in clinical screening practice to overestimate a coronary lesion than to underestimate it, to avoid false-negative examinations.
  • the algorithm eliminates probability scores below a certain decision threshold from calculations in order to optimize the diagnostic performance of the neural network.
  • CAD-RADS 4 Five RMP images are classified CAD-RADS 4, two RMP images are classified CAD-RADS 3, two RMP images are classified CAD-RADS 2-
  • the average CAD-RADS 4 probability is 0.8, that CAD-RADS 3 is 0.5, that of CAD-RADS 2 is 0.3.
  • the lesion is classified CAD-RADS 4 because this classification is more frequent and its average probability is higher.
  • the lesion will therefore be classified CAD-RADS 4 with a probability of 0.8.
  • CAD-RADS 2 Five RMP images are classified CAD-RADS 2, four RMP images are classified CAD-RADS 3.
  • the average CAD-RADS 2 probability is 0.6, that CAD-RADS 3 is 0.7.
  • the lesion is classified CAD-RADS 3 because this classification is the most severe of the 2.
  • the lesion will be classified CAD-RADS 3 with a probability of 0.7.
  • the CAD-RADS classification allows a rational and standardized classification of coronary atheromatous lesions. This classification in six degrees of severity (from 0 to 5), makes it possible to propose optimal therapeutic choices for the patient in the light of the results of the coronary CT scan (Cury RC et al., “Coronary Artery Disease - Reporting and Data System (CA D-RADS): An Expert Consensus Document of SCCT , ACR and NASCI: Endorsed by the ACC. ”, JACC Cardiovasc Imaging. 2016
  • CAD-RADS 1 plaque ⁇ 25%
  • CAD-RADS 2 plaque between 25 and 49%
  • CAD-RADS 3 50-69% stenosis
  • categories 1 and 2 and categories 3 and 4 can be grouped as follows:
  • CAD-RADS 1 or 2 non-obstructive coronary artery disease
  • CAD-RADS 3 or 4 obstructive coronary artery disease
  • the method according to the invention further comprises a step of predicting an interval of coronary reserve flow value by manual, semi-automated and / or automated measurement of at least two morphological criteria. chosen from:
  • anatomical criteria are extracted from the image, manually, semi-automatically or automatically:
  • a the minimum diameter of the stenosis in mm
  • e the length of the stenosis in mm
  • manual image extraction is meant a manual measurement of the diameter and minimum area of the vessel (on an image of an artery section) at the narrowest place of the stenosis, a tracing or contouring manual of diameter and area (on an artery section image), at a healthy artery segment closest to the stenosis; manual length measurement; a visual estimate of myocardial mass and the percentage of myocardium supplied by an artery downstream from a stenosis on that same artery.
  • semi-automatic image extraction is meant a measurement obtained by prior creation of central lines from the pointing of a vessel by the user. At each point of the vessel, the values of the minimum diameter and the surface area of the vessel are displayed by an algorithm on the radiological workstation. The various parameters of interest are readable at the level of the area of interest with the possibility of manual correction of central lines and contours.
  • Dedicated specific algorithms can calculate the volume of vascularized myocardium downstream of a stenosis (depending on the image processing software used).
  • Dedicated specific algorithms can calculate the volume of vascularized myocardium downstream of a stenosis (depending on the image processing software used). [73]
  • the combination of at least two of these criteria and the evaluation by neural network provides a prediction of the functional character by the FFR above or below the threshold of 0.8.
  • the most relevant anatomical criteria for predicting an FFR value are:
  • the myocardial mass downstream of a stenosis is downstream of a stenosis.
  • the anatomical criteria for qualifying a stenosis are:
  • Coronary reserve further includes the use of a second trained deep neural network applied directly to the detected images or parts of images.
  • the second neural network is trained to read curvilinear or stretched RMP images, single images or, for more precision, multiple RMP images of the same stenosis according to several views, separated by at least 20 °, covering at least 180 °.
  • the neural network has been successfully trained on real images in which the real value of FFR has been measured.
  • a specific algorithm predicts the FFR of a given coronary artery from multiple images, at a threshold of 0.8.
  • the algorithm takes the most frequent classification of images of different impacts, and compares it to the average of the probabilities of each classification. If the most frequent classification is also the one with the highest average probability, this is retained by the algorithm.
  • the FFR + classification (FFR less than or equal to 0.8) is retained in order to avoid false negative results as much as possible, since it is considered more serious not to diagnose a lesion. more severe than overestimating a lesion in terms of screening.
  • the method according to the invention advantageously further comprises at least one of the following steps, which can be performed in any order:
  • an automated image quality determination step providing a diagnostic confidence index using a third trained neural network applied directly to the detected images or portions of images;
  • a step of determining a high risk plaque (PHR or HRP) of a cardiac event using a fifth trained neural network, applied directly to the images or parts of images detected.
  • An automatic image quality rating is useful for quality control, and for comparing images from center to center.
  • this automatic evaluation is advantageously used to provide an index of diagnostic confidence in the final interpretation.
  • the third neural network for the automated image quality determination step has been successfully trained by supervised learning on RMP images of arteries whose image qualities have been assessed by a recognized expert. The images were classified according to a score of 0 to 4 on the subjective scale (detailed below).
  • the neural network provides an overall image quality score from one to nine images of the same artery.
  • the algorithm takes the average of the classifications of the images of an artery according to different incidences (classified 0 to 4).
  • the fourth network for the step of determining a global calcification score was trained directly on RMP images of arteries for which the Agatston score was known by a prior CT examination without injection of contrast product. ; After training, the degree of calcification is semi-quantitatively predicted on an injected CT angiogram according to four categories, for each of the arteries extracted:
  • Moderate calcifications Agatston score predicted between 1 and 99
  • Agatston Score is recognized as an important and independent risk marker for predicting the probability of coronary events, in the same way as known risk factors. like high cholesterol, diabetes or hypertension.
  • the actual calcium score is first calculated on a CT scan without contrast injection, because high density contrast interferes with calcium and therefore does not allow a score calculation.
  • Machine learning has been used precisely to estimate the score automatically on contrasted exams, learning from the score obtained on a non-contrast CT scan of the same patient.
  • the Agatston calcium score predicted by the system will be between 200 and 400, corresponding to an intermediate risk.
  • the fifth array for the high-risk plaque determination step was successfully trained by supervised learning on RMP images or section images of arteries, perpendicular to the RMP images, in which the possible presence of 'a vulnerable plaque was or was not detected by a recognized expert. After training, the presence of a vulnerable plaque is confirmed according to a probability threshold (between 0 and 1) calculated as the optimal threshold to obtain the best performance from this neural network. This performance is measured
  • High-risk plaques are characterized by the presence of the following elements: low density plaque (LDP), positive remodeling plaque (PR) by increasing the vessel wall towards the exterior of the vessel, presence of an area of negative density within the plaque (lipid core). The presence of at least two of the first three criteria confirms the presence of a high-risk plaque.
  • LDP low density plaque
  • PR positive remodeling plaque
  • a specific algorithm can determine the presence of a vulnerable plaque. Due to its asymmetric nature, a plate may not be visible on one or more of the RMP image views due to a different viewing angle.
  • V The presence of a vulnerable plaque is noted V, if the probability threshold reaches or exceeds 0.5, its absence is noted 0.
  • the method of the invention comprises the following five steps which can be performed in any order:
  • an automated image quality determination step providing a diagnostic confidence index from a third trained neural network applied directly to the images or parts of images detected;
  • a step of determining plaque at high risk of cardiac event using a fifth trained neural network applied directly to the images or parts of images detected.
  • the detection of images or parts of images corresponding to the lesion of the patient of the method according to the invention comprises the detection of parts of images. corresponding to the coronary lesion, a coronary tree, coronary ostia or coronary vessels.
  • a subject of the invention is also a device capable of determining the presence of a coronary lesion for a patient, comprising means for receiving at least one curvilinear or stretched multiplanar medical image by computed tomography (X-ray scanner), d a coronary artery of said patient;
  • X-ray scanner computed tomography
  • said device further comprises means for determining a value according to the CAD-RADS classification (for Coronary Artery Disease - Reporting and Data System value) of a coronary lesion on said image or on a part of said image by the use of a first trained deep neural network applied directly to the images or parts of images detected.
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value
  • the first neural network is as described above.
  • the device further comprises means for predicting an interval of coronary reserve flow value by use of a second trained deep neural network applied directly to the images or parts of images detected.
  • the second neural network is as described above.
  • the device according to the invention further comprises at least one of the following means:
  • - automated image quality determination means providing a diagnostic confidence index by using a third trained neural network applied directly to the images or parts of images detected;
  • the device comprises the following five means:
  • - automated image quality determination means providing a diagnostic confidence index by using a third trained neural network applied directly to the images or parts of images detected;
  • the invention relates to a non-transient computer readable medium storing computer readable program instructions for determining the presence of a coronary lesion for a patient, comprising the execution by a processor of instructions to computer-readable programs that perform the following operations:
  • CT scan curvilinear or stretched multiplanar medical image
  • CAD-RADS classification for Coronary Artery Disease - Reporting and Data System value or system of reports and data
  • the support is able to further generate the realization by said
  • processor of an operation of predicting an interval of coronary reserve flux value by use of a second trained deep neural network applied directly to the detected images or parts of images.
  • the support is suitable for furthermore causing said processor to perform at least one of the following operations:
  • the support generates the
  • a large database of more than 10,000 RMP images from coronary CT angiography was used for supervised learning. All the images were classified and labeled by an expert with more than 20 years of experience in reading these images (corresponding to approximately 50,000 cases analyzed). The images in this database were classified in terms of image quality, degree of calcification, and degree of stenosis according to the CAD-RADS classification. The possible presence of risk plaque (vulnerable plaque) has been specified.
  • a binary classification at the FFR threshold of 0.8 was performed on 4500 images of patients with stenosis and known FFR value. A neural network could thus be trained to predict on a new image whether the value of FFR will be greater or less (> or ⁇ ) than 0.8.
  • Various neural networks available in open access have been tested, for example: GOOGLENET TM, RESNET TM, and INCEPTION TM V3, VGG11 TM, VGG13 TM, VGG19 TM, in order to obtain the best classification rate.
  • Various measurements were carried out on a test database, independent of the training base: calculations of test precision, sensitivity, specificity, positive predictive value, negative predictive value, F1 score (harmonic mean between the sensitivity and positive predictive value), area under the ROC curve.
  • RMP multiplanar images are provided by the scanner consoles of all different scanner manufacturers as standard, from the centerlines. Usually curvilinear or stretched RMP images, and one to nine images of the same artery. Images can be exported from workstations in a DICOM or other radiological standard image format (eg: JPEG, PNG, ...), and secondarily uploaded to a dedicated website. They can also be loaded directly onto an Internet site from the workstation. The produced evaluation result is then returned to the reader's usual environment.
  • DICOM or other radiological standard image format
  • a large stretched or curvilinear RMP image database was created from examinations performed on a 64-slice scanner, a 256-slice scanner, and a 320-slice scanner at four different institutions.
  • Each RMP image was classified by an expert with regard to image quality, degree of calcification, presence or absence of a vulnerable plaque, and degree of stenosis using the CAD-RADS classification. .
  • Figure 5 illustrates the results of the CAD-RADSO detection by the network of
  • the detection sensitivity of normal arteries is 275/275 + 35 or 89%.
  • the specificity is 495/495 + 27 or 95%.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)

Abstract

L'invention a pour objet un procédé implémenté par ordinateur pour déterminer la présence d'une lésion coronarienne pour un patient, comprenant une première étape de réception d'au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) d'une artère coronaire dudit patient. L'invention se caractérise en ce qu'il comprend en outre une étape de détermination d'une valeur selon la classification CAD-RADS (pour Coronary Artery Disease – Reporting and Data System value ou système de rapports et de données) d'une lésion coronarienne sur ladite image ou sur une partie de ladite image par l'utilisation d'un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d'images détectées.

Description

Description
Titre de l'invention : Procédé, dispositif et support lisible par ordinateur pour classifier automatiquement une lésion coronarienne selon la classification CAD-RADS par un réseau de neurones profond)
[1] La présente invention concerne un procédé implémenté par ordinateur pour détecter automatiquement la présence ou non d’une lésion coronarienne et la classifier en attribuant une valeur en fonction de sa sévérité, à l’aide d’un réseau de neurones profond, ainsi qu’un dispositif apte à détecter automatiquement la présence ou non d’une telle lésion coronarienne et un support lisible par ordinateur non transitoire stockant des instructions de programme lisibles par ordinateur pour détecter automatiquement la présence ou non d’une telle lésion coronarienne.
[2] La maladie coronaire est la deuxième cause de mortalité dans les pays développés, après le cancer. Elle affecte notamment plus de quinze millions d’américains. Elle peut se révéler de façon brutale, c’est de loin la première cause de mort subite dans le monde. On recense environ 50 000 cas de mort subite par an en France, la plupart par infarctus du myocarde. Elle peut atteindre des sujets jeunes, parfois dans la trentaine. Son incidence augmente avec le vieillissement de la population et le développement de maladies chroniques comme le diabète ou l’hypertension artérielle.
[3] Les maladies cardiovasculaires (MCV) regroupent un certain nombre de troubles
affectant le cœur et les vaisseaux sanguins comme :
• l’hypertension artérielle (élévation de la tension);
• les cardiopathies coronariennes (crise cardiaque ou infarctus);
• les maladies cérébrovasculaires (accident vasculaire cérébral);
• les artériopathies périphériques;
• l’insuffisance cardiaque;
• les cardiopathies rhumatismales;
• les cardiopathies congénitales;
• les cardiomyopathies.
[4] Les cardiopathies coronariennes appelées également maladies coronariennes,
coronaropathies, ou insuffisances coronariennes, sont des maladies obstructives des artères coronaires, qui vascularisent le cœur. [5] Lorsqu’elle évolue vers une sténose (rétrécissement jusqu’à l’occlusion), une lésion coronarienne entraîne une maladie coronarienne, ou coronaropathie, ou insuffisance coronarienne.
[6] Les insuffisances coronariennes ont généralement pour conséquence une ischémie myocardique, c'est-à-dire un apport en sang insuffisant (ischémie) au muscle cardiaque (myocarde), en raison notamment d’une obstruction vasculaire.
[7] De nombreux examens complémentaires permettent d’explorer les ischémies
myocardiques, les principaux étant l'électrocardiogramme, l'épreuve d'effort, l’IRM, la scintigraphie myocardique, la coronarographie, et plus récemment l’angioscanner coronaire.
[8] En pratique, la classification des sténoses coronaires selon leur sévérité est réalisée le plus souvent de façon visuelle en angioscanner coronaire : elle dépend d’une
segmentation qui repose sur l’extraction de la ligne centrale du vaisseau. Elle est dépendante de l’expérience du lecteur. Une sténose est considérée habituellement significative pour une réduction de diamètre d’au moins 50%, par estimation visuelle. Cette évaluation visuelle reste imprécise avec une variabilité inter-observateur substantielle.
[9] La précision dans la classification du degré de sévérité est très liée à la qualité d’image.
La qualité d’image dépend de la fréquence cardiaque, des artefacts en marche d’escalier éventuels entre deux battements, de la qualité de l’injection du produit de contraste, du niveau de bruit dans l’image et de la présence éventuelle de calcifications. La dernière technologie de scanners cardiaques permet d’obtenir la meilleure qualité d’image en moyenne en réduisant la plupart des artefacts cités.
[10] Une longue expérience de lecture est nécessaire pour l’analyse d’un angio-scanner coronaire (Kerl et al.,“64-Slice Multidetector-row Computed Tomography in the
Diagnosis of Coronary Artery Disease: Interobserver Agreement Among Radiologiste With Varied Levels of Expérience on a Per-patient and Per-segment Basis.” J Thorac Imaging. janv 2012;27(1):29-35.
[11] Ces situations peuvent conduire à conclure à tort à une sténose coronarienne,
entraînant parfois à réaliser inutilement une angiographie conventionnelle, invasive et coûteuse.
[12] L'angioscanner coronaire (ou CCTA pour Coronary CT angiography) est une
méthode récente, très sensible pour la détection non invasive de patients chez qui on soupçonne une coronaropathie, avec une valeur prédictive négative très élevée
(généralement supérieure à 95%). Etant la méthode la plus sensible, elle tend à être utilisée dans le dépistage des maladies coronaires comme examen de première intention.
[13] En revanche, l’angioscanner coronaire a une moins bonne spécificité (d’environ 50- 70%) en raison de cas de faux-positifs fréquents. Sa valeur prédictive positive du scanner est donc plus faible. On observe les cas de faux-positifs notamment en cas de calcifications coronaires et/ou en cas d'artefacts de mouvement lors de l'acquisition des images. Ainsi, une expertise de lecture est nécessaire pour minimiser le nombre de faux positifs. Une bonne expertise s’acquière en plusieurs années (5 ans au minimum) pour des radiologues ou cardiologues travaillant dans un centre spécialisé en imagerie cardiaque.
[14] Le document The SCOT-HEART Investigators,“Coronary CT Angiography and 5- Year Risk of Myocardial Infarction”. N Engl J Med. 6 sept 2018 décrit notamment que l’usage de l’angioscanner coronaire peut réduire le taux d’infarctus et de mortalité comparé à une évaluation standard par un test d’effort classique.
[15] Cependant l’utilisation grandissante de l’angioscanner coronaire est en pratique freinée par le niveau d’expertise nécessaire pour une interprétation fiable dans la pratique courante.
[16] L’arrivée de l’Intelligence Artificielle (IA) permet d’envisager de transférer certains éléments de l’expertise médicale sous forme algorithmique. Les outils d’apprentissage machine ou Machine Learning en anglais, et notamment les réseaux de neurones (RN) permettent de reproduire une expertise, ce qui est très utilisé dans le domaine de la reconnaissance d’images. C’est pourquoi de multiples projets se développent dans le domaine de l’imagerie médicale.
[17] Ainsi, la présente invention consiste notamment à adapter une expertise dans la lecture d’angioscanner coronaire en utilisant les techniques d’IA.
[18] La publication Zreik M et al.,“A Récurrent CNN for Automatic Détection and
Classification of Coronary Artery Plaque and Stenosis in Coronary CT Angiography.” IEEE Trans Med Imaging. 2018 divulgue une première méthode pour la détection automatique des sténoses par apprentissage machine. Toutefois, cette méthode n’utilise que des images RM P (pour reconstructions multiplanaires) étirées et non pas curvilignes, et analyse les artères par fragments de volumes, avec une classification en trois grades (normal, inférieur à 50% et supérieur à 50%) sans évaluation automatisée de la qualité d’image, et n’y associe pas une évaluation fonctionnelle.
[19] L’angioscanner coronaire (CCTA) est une méthode sensible pour la détection des lésions coronaires (plaque ou sténose), permettant en pratique d’écarter une lésion coronarienne quand l’examen est normal. Ainsi une détection automatique d’examen normaux (classifiés CAD-RADS 0) pourrait faciliter le travail du médecin qui se concentrerait sur les cas pathologiques, avec un potentiel gain en temps de lecture et en performance diagnostique.
[20] La présente invention concerne une détermination automatisée de la valeur selon la classification CAD-RADS (Cury RC et al., « Coronary Artery Disease - Reporting and Data System (CAD-RADS): An Expert Consensus Document of SCCT, ACR and NASCI: Endorsed by the ACC. », JACC Cardiovasc Imaging. 2016 Sep;9(9): 1099-1113.) par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées, affinée secondairement par l’utilisation d’autres réseaux de neurones spécifiquement entraînés :
Pour la prédiction automatique de le FFR (FFR pour fractional flow reserve) au seuil de 0,8 en cas de sténose significative anatomiquement, c’est-à-dire en pratique supérieure à 50% ;
Pour la détermination automatisée d’un score de calcification ayant une valeur pronostique ;
Pour la détection automatisée d’une éventuelle plaque coronaire à risque
d’évènement cardiaque aigu ;
Pour la détermination automatisée de la qualité d’image pour fournir un index de confiance diagnostique.
[21] Enfin, le document Nakanishi et al.,“Automated estimation of image quality for
coronary computed tomographie angiography using machine learning.” Eur Radiol sept 2018. décrit l’utilisation de l’apprentissage profond (deep learning) pour l’évaluation automatique de la qualité d’image en CCTA (angioscanner coronaire ou Coronary CT angiography). Toutefois, dans ce document, les examens de mauvaise qualité étaient peu nombreux en raison d’une présélection artificielle qui ne correspond pas à la pratique quotidienne. Par ailleurs, dans ce document seules des images axiales, coronales et sagittales ont été analysées, mais pas d’images RM P.
[22] Le document Lossau et al., "Motion artifact récognition and quantification in coronary CT angiography using convolutional neural networks.” Med Image Anal févr 2019, décrit également l’utilisation de l’apprentissage profond (deep learning) pour l’évaluation automatique de la qualité d’image en CCTA (angioscanner coronaire ou Coronary CT angiography). Ce document divulgue la faisabilité de l’apprentissage profond pour quantifier les artefacts de mouvement cardiaque. En revanche, dans ce document, la qualité globale de l’image n’est pas analysée (comprenant le bruit, le contraste faible ou les calcifications importantes). C’est la qualité globale de l’image qui permet de fournir un index de confiance diagnostic. [23] La présente invention concerne un procédé implémenté par ordinateur pour détecter automatiquement la présence ou non d’une lésion coronarienne et la classifier en attribuant une valeur de 0 à 5 en fonction de sa sévérité, selon la classification CAD- RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données), à l’aide d’un réseau de neurones, ainsi qu’un dispositif apte à détecter automatiquement la présence ou non d’une lésion coronarienne et la classifier en attribuant une valeur de 0 à 5 en fonction de sa sévérité, selon la classification CAD- RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) à l’aide d’un réseau de neurones, et un support lisible par ordinateur non transitoire stockant des instructions de programme lisibles par ordinateur pour détecter automatiquement la présence ou non d’une lésion coronarienne et la classifier en attribuant une valeur de 0 à 5 en fonction de sa sévérité, selon la
classification CAD-RADS, à l’aide d’un réseau de neurones.
[24] Les études publiées en angioscanner coronaire (CCTA ou Coronary CT
angiography) reposent sur des estimations visuelles des sténoses, au seuil de 50% en diamètre, correspondant à la classification CAD-RADS 3, 4 ou 5 (occlusion). La pertinence de cette détection est très dépendante de l’observateur et de son niveau d’expérience de lecture.
[25] A ce jour, il n’existe pas d’outil fiable de détection automatique des lésions
coronaires au seuil de 50% disponible en pratique courante, en raison des multiples facteurs interférant sur l’interprétation. Ces multiples facteurs sont notamment les suivants : contraste, bruit, mouvement cardiaque ou respiratoire, variation anatomique, calcifications, qui rendent l’interprétation difficile.
[26] Les techniques d’intelligence Artificielle utilisent des modèles statistiques capable de reproduire une expertise, longue à acquérir. En entraînant un réseau de neurones sur des milliers d’images labellisées par un expert, il est possible d’approcher le niveau de cet expert sans modélisation a priori. Il est donc possible ainsi de proposer une détection automatique de sténose coronarienne avec une performance proche de celle d’un expert.
[27] C’est ce que le Demandeur a pu valider. La précision pour détecter des sténoses au seuil de 50% dépasse ainsi 90% dans les données de validation.
[28] C’est à partir de ce seuil d’environ 50% en diamètre qu’une lésion risque de limiter le flux coronaire. La sténose est dite dans ce cas significative. On parle alors de sténose coronarienne anatomiquement significative.
[29] Au-delà de la détection de la sténose au seuil, il est très important de savoir si la sténose est hémodynamiquement significative ou non. En effet, seules les sténoses qui entraînent une chute de pression en aval de la sténose doivent être traitées mécaniquement par stent ou éventuellement par pontage coronarien.
[30] On peut mesurer cet effet hémodynamique par mesure de la chute de pression en hyperhémie maximale. C'est la base du calcul de la FFR.
[31] Les études ont montré qu'il y a un bénéfice à traiter mécaniquement les patients présentant une sténose coronarienne seulement si la FFR est inférieure ou égale à 0,8, traduisant une chute de pression en aval de la sténose.
[32] C'est pourquoi il est important de pouvoir prédire un niveau de FFR inférieur ou égal à 0,8 devant une image de sténose coronarienne. Une telle prédiction permettrait d'éviter ainsi d'autres examens plus ou moins invasifs, coûteux et dont les performances ne sont pas toujours parfaitement corrélées avec les résultats de la FFR invasive.
[33] Si la FFR commence à baisser pour des sténoses à partir de 50 %, il est reconnu que le degré de sténose sur l'image ne permet pas de prédire correctement et de manière fiable la valeur de la FFR.
[34] Entre 50 et 70 % de sténose, deux tiers des patients présentent des FFR
supérieures à 0,8, donc leurs lésions ne sont pas dans ce cas hémodynamiquement significatives. Entre 70 et 99 % de sténose, 80% des patients présentent en revanche une FFR inférieure ou égale à 0,8 (sténose hémodynamiquement significative).
[35] Ainsi, en cas de sténose intermédiaire, c’est-à-dire comprise entre 50 et 80%, il est difficile de savoir s'il faut traiter ou pas le patient par un système mécanique (stent), ou par pontage. En effet, à ce jour, on ne peut déterminer le caractère hémodynamique ou non d’une sténose sur la seule imagerie anatomique.
[36] D’autres critères anatomiques ont été proposés dans la littérature mais ils ne
semblent pas être suffisamment fiables pour prédire ou non un effet hémodynamique d'une sténose.
[37] Ces critères anatomiques comprennent notamment le degré de sténose en
surface ou en diamètre, le diamètre minimum, la surface luminale minimum ou la longueur de la sténose. Cependant ces critères anatomiques n’ont pas été étudiés en association mais seulement de façon isolée.
[38] Le Demandeur a pu mettre en évidence que certaines associations de critères
anatomiques étaient très pertinentes pour déterminer la valeur de la FFR au-dessus ou en dessous du seuil de 0,8. Cette détermination permet notamment d’opter ou non pour un traitement par stent ou pontage.
[39] De plus, l’apprentissage direct d’un deuxième réseau de neurones à partir d’images de sténoses coronaires associées à des valeurs FFR, mesurées in vivo, permet aussi de prédire un effet hémodynamique éventuel à partir nouvelles images de sténoses coronaires pour lesquelles la valeur de FFR n’est pas connue.
[40] Considérant ce qui précède, un problème que se propose de résoudre la présente invention consiste notamment à limiter la variabilité d’interprétation interobservateur des sténoses coronaires liée à l’expertise en déterminant la valeur selon la classification CAD-RADS directement sur des images anatomiques.
[41] La solution à ce problème posé a pour premier objet un procédé implémenté par ordinateur pour déterminer la présence d’une lésion coronarienne pour un patient, comprenant :
- une étape de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) d’une artère coronaire dudit patient
caractérisé en ce qu’il comprend en outre une étape de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[42] Elle a pour deuxième objet un dispositif apte à déterminer la présence d’une lésion coronarienne pour un patient, comprenant :
- des moyens de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X), d’une artère coronaire dudit patient;
caractérisé en ce qu’il comprend en outre des moyens de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[43] Enfin, l’invention a pour dernier objet un support lisible par ordinateur non transitoire stockant des instructions de programme lisibles par ordinateur pour déterminer la présence d’une lésion coronarienne pour un patient, comprenant l’exécution par un processeur d’instructions de programmes lisibles par ordinateur ayant pour effet de réaliser les opérations suivantes :
- la réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) de l’artère coronaire étudiée dudit patient ;
caractérisé en ce qu’il engendre en outre la réalisation par ledit processeur d’une opération de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[44] Le Demandeur a notamment pu développer un procédé qui présente des qualités permettant de détecter automatiquement une sténose coronarienne potentiellement significative d’un point de vue hémodynamique (préférentiellement CAD-RADS 3 ou 4), sur la base d’une expertise de haut niveau. A l’opposé, le procédé présente aussi l’avantage de pouvoir prédire l’absence de lésion coronarienne en déterminant une valeur CAD-RADS 0 avec une haute probabilité. Ce système permet donc, en un seul examen d’angioscanner coronaire, de fournir des résultats fiables permettant avantageusement d’aider au diagnostic et par la suite d’adapter une conduite thérapeutique.
[45] L’invention et les avantages qui en découlent seront mieux compris à la lecture de la description et des modes de réalisation non limitatifs qui suivent, illustrés au regard des dessins annexés dans lesquels :
[46] La figure 1 représente un cliché RMP curviligne de coronaire présentant une
sténose.
[47] La figure 2 représente un cliché RMP étiré de coronaire présentant une sténose.
[48] La figure 3 est un schéma fonctionnel illustrant les différentes étapes possibles d’un procédé selon l’invention.
[49] La figure 4 représente certains des critères anatomiques permettant de prédire si une sténose est hémodynamique ou non.
[50] La figure 5 représente des résultats de la détection CAD-RADS 0 par le réseau de neurones.
[51] La figure 6 illustre un exemple d’analyse d’images d’incidences multiples de la même artère analysée par réseau de neurones.
[52] L’invention a pour premier objet un procédé implémenté par ordinateur pour
déterminer la présence ou l’absence d’une lésion coronarienne pour un patient et d’en classifier la sévérité de 0 (artère normale) à 5 (artère occluse).
[53] La première étape dudit procédé est une étape de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) dudit patient incluant une artère coronaire à étudier. Une image multiplanaire est une image reconstruite à partir de la ligne centrale d’une structure anatomique tubulaire comme une artère coronaire. Le grand axe du plan de l’image est alors aligné à la structure anatomique en suivant cette ligne centrale. Cela permet d’inclure la structure anatomique entière (ici une artère coronaire) dans une seule image. Une image RM P peut ainsi suivre le trajet curviligne du vaisseau, et les structures adjacentes sont alors distordues. L’axe du vaisseau peut être aussi étiré par projection selon une direction fixe. La visualisation peut se faire sur un axe de rotation de 360° dans les 2 cas, (RM P curviligne ou RMP étirée).
[54] La deuxième étape du procédé est une étape une étape de détermination d’une
valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[55] Les images ou parties d’images sont issues d’un angioscanner coronaire (ou CCTA pour Coronary Computed Tomography Angiography).
[56] Le premier réseau de neurones est entraîné à la lecture d’images RMP
(reconstructions multiplanaires) curvilignes, images seules ou, pour plus de précision diagnostique, des images RMP multiples de la même artère visualisée selon plusieurs incidences, espacées d’au moins 20°, avec de préférence une couverture d’au moins 180°. Une base d’au moins 5000, préférentiellement 10 000 images d’artères a été analysée et légendée, avec ou sans lésion coronaire ou coronarienne, par un expert reconnu avec plus de 20 ans d’expérience de lecture de ces images.
[57] Les images RMP curvilignes ou étirées sont obtenues à partir de la ligne centrale d’une artère coronaire. Cette ligne centrale est extraite par les logiciels courants sur les stations de travail radiologiques, mais il est parfois nécessaire de corriger la ligne centrale manuellement pour que cette ligne reste toujours bien au centre de la lumière circulante. On analyse généralement chaque artère coronaire avec des RMP multiples en multipliant les incidences sur 360°. Cela permet notamment de détecter plus facilement des lésions asymétriques, qui peuvent n’apparaître que sous certaines incidences.
[58] Une méthode connue pour la détection automatique Zreik M et al.,“A Récurrent CNN for Automatic Détection and Classification of Coronary Artery Plaque and Stenosis in Coronary CT Angiography.” IEEE Trans Med Imaging. 2018 n’utilise que les images RMP étirées, analyse des fragments d’artères annotées manuellement, avec une classification en trois grades (normal, inférieur à 50% et supérieur à 50%). Cette méthode n’analyse pas l’artère dans son intégralité et n’analyse pas une même artère sous de multiples incidences sur au moins 180° comme réalisé avantageusement dans la présente invention. Il n’y a pas d’évaluation automatisée de la FFR, de la qualité d’image, et du degré de calcification global d’une artère.
[59] Le procédé selon l’invention comprend donc une étape de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[60] La figure 6 illustre un exemple d’analyse d’images d’incidences multiples de la même artère analysée par réseau de neurones. La moyenne des probabilités par classification CAD-RADS de chaque image est calculée ainsi que la fréquence de chaque
classification.
[61] Un algorithme spécifique permet de classer une artère coronaire selon CAD-RADS à partir d’images multiples. L’algorithme, prend la classification la plus fréquente des images de différentes incidences (de 0 à 5), et la compare à la moyenne des probabilités de chaque classification. Si la classification la plus fréquente est aussi celle avec la probabilité moyenne la plus élevée, celle-ci est retenue par l’algorithme. En cas de discordance, c’est le classement le plus sévère des deux qui est retenu : il vaut mieux en effet en pratique clinique de dépistage surestimer une lésion coronaire que de la sous- estimer, pour éviter les examens faux-négatif. L’algorithme élimine des calculs les scores de probabilités en dessous d’un certain seuil de décision, afin d’optimiser les performances diagnostiques du réseau de neurones.
[62] Ainsi, par exemple :
[63] a / Neuf images RMP d’une même artère sont classées par le réseau de neurones.
Cinq images RMP sont classées CAD-RADS 4, deux images RMP sont classées CAD- RADS 3, deux images RMP sont classées CAD-RADS 2- La probabilité moyenne CAD- RADS 4 est de 0,8, celle CAD-RADS 3 est de 0,5, celle de CAD-RADS 2 est de 0,3.
Dans ce cas, la lésion est classée CAD-RADS 4 car ce classement est plus fréquent et sa probabilité moyenne est plus élevée. La lésion sera donc classée CAD-RADS 4 avec une probabilité de 0,8.
[64] b / Neuf images RMP d’une autre artère sont classées par le réseau de neurones.
Cinq images RMP sont classées CAD-RADS 2, quatre images RMP sont classées CAD- RADS 3. La probabilité moyenne CAD-RADS 2 est de 0,6, celle CAD-RADS 3 est de 0,7. Dans ce cas, la lésion est classée CAD-RADS 3 car ce classement est le plus sévère des 2. La lésion sera classée CAD-RADS 3 avec une probabilité de 0,7.
[65] La classification CAD-RADS permet une classification rationnelle et uniformisée des lésions coronaires athéromateuses. Cette classification en six degrés de sévérité (de 0 à 5), permet de proposer des choix thérapeutiques optimaux pour le patient à la lumière des résultats du scanner coronaire (Cury RC et al., « Coronary Artery Disease - Reporting and Data System (CA D-RADS): An Expert Consensus Document of SCCT, ACR and NASCI: Endorsed by the ACC. », JACC Cardiovasc Imaging. 2016
Sep;9(9):1099-1113).
[66] À ce jour, aucune classification automatique sur la base de CAD-RADS n’a été
proposée. Une telle détection automatique, qui apparaît fiable sur une première base de 10000 images, pourra faciliter le travail quotidien d’interprétation des médecins radiologues ou cardiologues, surtout s’ils sont peu expérimentés.
CAD-RADS 0: normal
CAD-RADS 1 : plaque < 25%
CAD-RADS 2: plaque entre 25 et 49%
CAD-RADS 3: 50-69% sténose
CAD-RADS 4: 70-99% sténose
CAD-RADS 5: occlusion
[67] Préférentiellement, pour une classification plus fiable (précision > 85%) les
catégories 1 et 2 et les catégories 3 et 4 peuvent être regroupées de la manière suivante :
CAD-RADS 0: normal
CAD-RADS 1 or 2: coronaropathie non obstructive
CAD-RADS 3 or 4: coronaropathie obstructive
CAD-RADS 5: occlusion
[68] Par ailleurs, avantageusement, le procédé selon l’invention comprend en outre une étape de prédiction d’un intervalle de valeur de flux de réserve coronaire par mesure manuelle, semi-automatisée et/ou automatisée d’au moins deux critères morphologiques choisis parmi :
le degré de sténose coronarienne maximum exprimé en pourcentage (%) de diamètre ;
le degré de sténose coronarienne maximum exprimé en pourcentage (%) de surface ;
le diamètre minimum de la sténose en mm ;
la surface minimum de la sténose en mm2 ;
la longueur de la sténose en mm ; et/ou
la masse myocardique et le pourcentage (%) de masse myocardique en aval de la sténose coronarienne. [69] De préférence, lorsque la lésion est considérée potentiellement significative hémodynamiquement, alors des critères anatomiques sont extraits de l'image, de façon manuelle, semi-automatique ou automatique :
a : le diamètre minimum de la sténose en mm,
b : la surface minimum de la sténose en mm2,
c : le degré de sténose coronarienne maximum exprimé en pourcentage (%) de diamètre,
d : le degré de sténose coronarienne maximum exprimé en pourcentage (%) de surface,
e : la longueur de la sténose en mm,
f : la masse myocardique et le pourcentage (%) de masse myocardique en aval de la sténose coronarienne.
[70] Par extraction manuelle de l’image, on entend une mesure manuelle du diamètre et de la surface minimum du vaisseau (sur une image de section d’artère) à l’endroit le plus étroit de la sténose, un tracé ou contourage manuel du diamètre et de la surface (sur une image de section d’artère), au niveau d’un segment d’artère saine le plus proche de la sténose ; une mesure manuelle de la longueur ; une estimation visuelle de la masse myocardique et du pourcentage de myocarde vascularisé par une artère en aval d’une sténose sur cette même artère.
[71] Par extraction semi-automatique de l’image, on entend une mesure obtenue par création préalable de lignes centrales à partir du pointage d’un vaisseau par l’utilisateur. En chaque point du vaisseau, les valeurs du diamètre minimum et de la surface du vaisseau sont affichées par un algorithme sur la station de travail radiologique. Les différents paramètres d’intérêts sont lisibles au niveau de la zone d’intérêt avec possibilité de correction manuelle des lignes centrales et des contours. Des algorithmes spécifiques dédiés peuvent calculer le volume de myocarde vascularisé en aval d’une sténose (selon le logiciel de traitement d’image utilisé).
[72] Par extraction automatique de l’image, on entend une mesure obtenue
automatiquement par création automatique des lignes et des contours du vaisseau lors du chargement des images d’un patient. Les mesures sont alors automatiquement générées par un logiciel. En chaque point du vaisseau, les valeurs du diamètre minimum de la surface du vaisseau sont affichées par un algorithme sur la station de travail radiologique. Les différents paramètres d’intérêts sont lisibles au niveau de la zone d’intérêt avec possibilité de correction manuelle des lignes centrales et des contours.
Des algorithmes spécifiques dédiés peuvent calculer le volume de myocarde vascularisé en aval d’une sténose (selon le logiciel de traitement d’image utilisé). [73] Avantageusement, la combinaison d’au moins deux de ces critères et l’évaluation par réseau de neurones fournit une prédiction du caractère fonctionnel par la FFR au-dessus ou en dessous du seuil de 0,8.
[74] De préférence, les critères anatomiques les plus pertinents pour prédire une valeur de FFR sont :
la surface minimum de la sténose en mm2 et
le degré de sténose coronarienne maximum exprimé en pourcentage (%) de surface.
[75] Plus préférentiellement encore, les critères anatomiques les plus pertinents pour prédire une valeur de FFR sont
la surface minimum de la sténose en mm2,
le degré de sténose coronarienne maximum exprimé en pourcentage (%) de surface, et
La masse myocardique en aval d’une sténose.
[76] D’autres critères peuvent également être utilisés pour prédire une valeur de FFR, il s’agit des critères suivants :
le diamètre minimum de la sténose en mm et
le degré de sténose coronarienne maximum exprimé en pourcentage (%) de diamètre .
[77] Comme illustré à la figure 4, les critères anatomiques permettant de qualifier une sténose sont :
Diamètre minimum : D
Surface minimum: S
Degré de sténose en diamètre: D/(D1-D2/2)
Degré de sténose en surface : S /(S1-S2/2)
Longueur de sténose: L
La masse myocardique et le % de masse myocardique en aval d’une sténose
[78] Aussi, la combinaison d’au moins deux critères permet de déterminer avec une
bonne précision si la FFR est inférieure à 0,8.
[79] Le Demandeur a pu montrer, que, sur un échantillon de 120 sténoses, au moins une de ces combinaisons était notamment capable de séparer totalement des lésions au- dessus ou en dessous du seuil de 0,83, valeur très proche du seuil cliniquement validé de 0,8.
[80] De façon avantageuse, l’étape de prédiction d’un intervalle de valeur de flux de
réserve coronaire comprend en outre l’utilisation d’un deuxième réseau de neurones profond entraîné, appliqué directement aux images ou parties d’images détectées. [81] Le deuxième réseau de neurones est entraîné à la lecture d’images RM P curvilignes ou étirées, images seules ou pour plus de précision des images RMP multiples de la même sténose selon plusieurs incidences, séparées d’au moins 20°, couvrant au moins 180°. Le réseau de neurones a été entraîné avec succès sur des images réelles dans laquelle la valeur réelle de FFR a été mesurée.
[82] Un algorithme spécifique permet de prédire la FFR d’une artère coronaire donnée à partir d’images multiples, au seuil de 0,8. L’algorithme, prend la classification la plus fréquente des images de différentes incidences, et la compare à la moyenne des probabilités de chaque classification. Si la classification la plus fréquente est aussi celle avec la probabilité moyenne la plus élevée, celle-ci est retenue par l’algorithme. En cas de discordance, c’est la classification FFR+ (FFR inférieure ou égale à 0,8) qui est retenue dans le but d’éviter au maximum de résultats faux négatifs, puisqu’il est considéré plus grave de ne pas diagnostiquer une lésion plus sévère que de surestimer une lésion en terme de dépistage.
[83] Ainsi, par exemple :
[84] a / Neuf images RMP d’une même artère avec sténose classée positive « + » par le réseau de neurones sont entrées dans l’algorithme. Celui-ci trouve cinq images FFR classées « + » et quatre images classées « - ». La probabilité moyenne FFR « + » est de 0,6, celle FFR « - » est de 0,5. Dans ce cas, la lésion est classée FFR « + »
(hémodynamiquement significative) car le classement FFR « + » est plus fréquent et la probabilité moyenne FFR « + » est plus élevée. La lésion sera classée FFR « + » avec une probabilité de 0,6.
[85] b / Neuf autres images RMP d’une deuxième artère avec sténose à évaluer par le réseau de neurone sont entrées dans l’algorithme. Six sont FFR « - » avec une probabilité moyenne à 0,9, les 3 autres sont FFR « + » avec une probabilité moyenne à 0,7. Le classement est plus fréquemment FFR « - » avec la plus forte probabilité. La sténose est alors jugée comme non hémodynamiquement significative (avec une forte confiance).
[86] c / Une seule image RMP d’une troisième artère avec sténose à évaluer est entrée dans l’algorithme. L’image est considérée comme FFR « - » par le réseau de neurones avec une probabilité moyenne à 0,6. La sténose est jugée non hémodynamiquement significative, mais avec une confiance faible.
[87] Dans les calculs de moyenne, les scores de probabilités inférieurs à 0,2 sont exclus car considérés comme peu discriminants par le réseau de neurones.
[88] Le résultat de ce deuxième réseau de neurones, s’il confirme la première prédiction sur des critères anatomiques, rend la prédiction hautement probable. En cas de discordance, le résultat de la prédiction FFR+ prime sur le résultat FFR-, car il est considéré moins grave dans ce contexte clinique de dépistage surestimer une lésion que de la sous-estimer. La sensibilité pour détecter les lésions hémodynamiquement significative (FFR+) est ainsi privilégiée.
[89] Le procédé selon l’invention comprend avantageusement en outre au moins une des étapes suivantes, qui peuvent être accomplies dans n’importe quel ordre :
une étape de détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné, appliqué directement aux images ou parties d’images détectées ;
une étape de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant la catégorie du score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné, appliqué directement aux images ou parties d’images détectées ; et/ou
une étape de détermination de plaque à haut risque (PHR ou HRP pour high risk plaque) d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné, appliqué directement aux images ou parties d’images détectées.
[90] Une excellente qualité d’image est avantageuse pour obtenir un diagnostic fiable, pertinent et précis en CCTA. La présence d’artefacts, liés au mouvement cardiaque, à un contraste insuffisant, ou au bruit dans l’image (le bruit est mesuré comme l’écart-type des valeurs de pixels dans une région homogène d’une image), interfèrent pour le diagnostic et la sévérité d’une sténose coronarienne et rendent les décisions
thérapeutiques qui s’en suivent plus difficiles. Une évaluation automatique de la qualité d’image est utile pour le contrôle de la qualité, et pour comparer les images d’un centre à l’autre. Dans la présente invention, cette évaluation automatique est avantageusement utilisée pour fournir un index de confiance diagnostique dans l’interprétation finale.
[91] Le troisième réseau de neurones pour l’étape de détermination automatisée de la qualité d’image a été entraîné avec succès par apprentissage supervisé sur des images RMP d’artères dont les qualités d’images ont été évaluées par un expert reconnu. Les images ont été classées selon un score de 0 à 4 selon l’échelle subjective (détaillée plus bas).
[92] Le réseau de neurones fournit un score global de qualité d’image à partir d’une à neuf images de la même artère.
[93] Un algorithme spécifique permet de classer la qualité d’image à partir d’images
multiples de la même artère. L’algorithme, prend la moyenne des classifications des images d’une artère selon des différentes incidences (classées 0 à 4). [94] Ainsi, par exemple :
[95] a / Neuf images RMP d’une même artère sont classées par le réseau de neurones.
Cinq images RMP sont classées Ql 4, quatre images RMP sont classées Ql 3.
[96] La qualité retenue sera (5*4+4*3)/9 =3,6. Ce chiffre est par exemple considéré
comme un indicateur de confiance pour l’analyse finale.
[97] La classification de la qualité d’image est reprise ci-dessous
IQ=0. Non évaluable
IQ=1. Faible qualité d’images. Présence d’artefacts. Faible confiance diagnostique
IQ=2. Juste. L’interprétation est possible mais le degré de confiance est peu élevé
IQ=3. Bonne Ql. Bonne confiance diagnostique
IQ=4. Excellente Ql. Haut degré de confiance
[98] Le quatrième réseau pour l’étape de détermination d’un score de calcification global a été entraîné directement sur des images RMP d’artères pour lesquels le score d’Agatston était connu par un examen scanner préalable sans injection de produit de contraste ; Après entraînement, le degré de calcification est prédit de façon semi- quantitative sur un angioscanner injecté selon quatre catégories, pour chacune des artères extraites :
0 : Pas de calcification
1 : Calcifications modérées : score d’Agatston prédit entre 1 et 99
2 : Calcifications moyennes : score calcique d’Agatston prédit : entre 100 et 400
3 : Calcifications sévères : score calcique d’Agatston prédit : supérieur à
400.
[99] La détection du calcium coronaire est richement documentée dans la littérature : en particulier le Score d’Agatston est reconnu comme un marqueur de risque important et indépendant pour prédire la probabilité d’évènements coronaires, au même titre que des facteurs de risques connus comme le niveau élevé de cholestérol, le diabète ou l’hypertension.
[100] Un algorithme retient le score le plus élevé sur les images d’une même artère selon des incidences multiples, puis fait la somme des scores obtenus pour chaque artère pour obtenir un score de calcification global, permettant de prédire un risque :
Somme = 0 score calcique d’Agatston prédit : nul
Somme = 1 score calcique d’Agatston prédit : 1-100
Somme = 2 score calcique d’Agatston prédit : 100-200 Somme = 3 score calcique d’Agatston prédit : 200-400
Somme >= 4 score calcique d’Agatston prédit : > 400
[101] Dans la littérature, le score d’Agatston permet d’estimer le risque d’évènement cardio-vasculaire à 10 ans :
0 : risque minime,
Inférieur à 100 : risque faible,
100-400 : risque intermédiaire,
400 : risque élevé.
[102] Selon le procédé de l’invention, le score calcique réel est d’abord calculé sur un scanner sans injection de contraste, car le contraste de haute densité interfère avec le calcium et ne permet donc pas un calcul du score. L’apprentissage machine a été utilisé justement pour estimer le score automatiquement sur des examens avec contraste, en apprenant à partir du score obtenu sur un scanner sans contraste du même patient.
[103] Ainsi, par exemple :
[104] Pour un patient donné, cinq images sont analysées pour chaque artère principale (IVA pour l’artère interventriculaire antérieure, Cx pour l'artère circonflexe et CD pour la coronaire droite)
[105] Les scores calciques semi-quantitatifs obtenu par Intelligence Artificielle sont les suivants :
- IVA : 0,0, 0,0,1
- Cx : 1 ,1 , 1 ,2,1
- CD : 0,0, 0,0,0
[106] Ainsi, le score Ca = Max(IVA)+Max(Cx)+Max(CD)
[107] =1+2+0
=3
[108] Le score étant de 3, le score calcique d’Agatston prédit par le système sera entre 200 et 400, correspondant à un risque intermédiaire.
[109] Enfin le cinquième réseau pour l’étape de détermination de plaque à haut risque a été entraîné avec succès par apprentissage supervisé sur des images RMP ou des images de section d’artères, perpendiculaires aux images RMP, dans laquelle la présence éventuelle d’une plaque vulnérable a été ou non détectée par un expert reconnu. Après entraînement, la présence d’une plaque vulnérable est affirmée selon un seuil de probabilité (entre 0 et 1) calculé comme le seuil optimal pour obtenir la meilleure performance de ce réseau de neurones. Cette performance est mesurée
préférentiellement par l’aire sous la courbe ROC (Receiver Operating Characteristic), avec (1 -Spécificité) en abscisse et Sensibilité en ordonnée [110] Les plaques à haut risques (HRP) sont caractérisées par la présence des éléments suivants : plaque de faible densité (LDP), plaque à remodelage positif (PR) par augmentation de la paroi du vaisseau vers extérieur du vaisseau, présence d’une zone de densité négative au sein de la plaque (noyau lipidique). La présence d’au moins deux des trois premiers critères permet d’affirmer la présence d’une plaque à haut risque.
[111] Il n’existe à ce jour pas de système publié basé sur l’apprentissage profond (deep learning) qui détecte automatiquement les plaques à risque à partir d’images RMP.
[112] Un algorithme spécifique permet déterminer la présence d’une plaque vulnérable. En raison de son caractère asymétrique, il se peut qu’une plaque ne soit pas visible sur une ou plusieurs incidences d’images RMP en raison d’un angle de vue différent.
[113] Ainsi, par exemple :
[114] a / Cinq images RMP d’une même artère sont analysées par le réseau de neurones.
La présence d’une plaque vulnérable est notée V, si le seuil de probabilité atteint ou dépasse 0,5, son absence est notée 0.
[115] Le résultat 0,0,0,V,0 correspond à la présence d’une plaque vulnérable (car la
présence a été détectée sur au moins une image RMP).
[116] De préférence, comme cela est illustré à la figure 3, le procédé objet de l’invention comprend les cinq étapes suivantes qui peuvent être accomplies dans n’importe quel ordre :
- une étape de détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic à partir d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, à l’aide d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- une étape de détermination de plaque à haut risque d’évènement cardiaque, à l’aide d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[117] De préférence, la détection d’images ou de parties d’images correspondant à la lésion du patient du procédé selon l’invention comprend la détection de parties d’images correspondant à la lésion coronarienne, un arbre coronaire, à des ostia coronaires ou à des vaisseaux coronaires.
[118] L’invention a également pour objet un dispositif apte à déterminer la présence d’une lésion coronarienne pour un patient, comprenant des moyens de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X), d’une artère coronaire dudit patient;
ledit dispositif comprend en outre des moyens de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[119] Le premier réseau de neurones est tel que décrit ci-dessus.
[120] De préférence, le dispositif comprend outre des moyens de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[121] Le deuxième réseau de neurones est tel que décrit ci-dessus.
[122] De façon avantageuse, le dispositif selon l’invention comprend en outre au moins un des moyens suivants :
- des moyens de détermination automatisés de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et/ou
- des moyens de détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[123] Les troisième, quatrième et cinquième réseaux de neurones sont tels que décrits ci- dessus.
[124] Selon un mode préféré de réalisation de l’invention, le dispositif comprend les cinq moyens suivants :
- des moyens de détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ; - des moyens de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination automatisés de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- des moyens de détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[125] Enfin, l’invention a pour objet un support lisible par ordinateur non transitoire stockant des instructions de programme lisibles par ordinateur pour déterminer la présence d’une lésion coronarienne pour un patient, comprenant l’exécution par un processeur d’instructions de programmes lisibles par ordinateur ayant pour effet de réaliser les opérations suivantes :
- la réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) de l’artère coronaire étudiée dudit patient ;
caractérisé en ce qu’il engendre en outre la réalisation par ledit processeur d’une opération de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[126] De préférence, le support est apte à engendrer en outre la réalisation par ledit
processeur d’une opération de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[127] De préférence encore, le support est apte à engendrer en outre la réalisation par ledit processeur d’au moins une des opérations suivantes de :
- détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué
directement aux images ou parties d’images détectées ; - détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et/ou
- détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[128] Selon un mode préféré de réalisation de l’invention, le support engendre la
réalisation par ledit processeur des cinq opérations suivantes :
- détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[129] La présente invention va maintenant être illustrée au moyen des exemples suivants :
Exemple 1 :
[130] Une large base de données de plus de 10000 images RMP issues d’angioscanners coronaires a été utilisée pour un apprentissage supervisé. Toutes les images ont été classées et labellisées par un expert avec plus de 20 ans d’expérience de lecture de ces images (correspondant à environ 50.000 cas analysés). Les images de cette base ont été classées en terme de qualité d’image, de degré de calcification, et de degré de sténose en fonction de la classification CAD-RADS. La présence éventuelle de plaque à risque (plaque vulnérable) a été précisée. De plus, sur 4500 images de patients avec sténose et valeur de FFR connue, une classification binaire au seuil FFR de 0,8 a été effectuée. Un réseau de neurones a pu être ainsi entraîné pour prédire sur une nouvelle image si la valeur de FFR sera supérieure ou inférieure (> ou <) à 0,8. [131] Différents réseaux de neurones disponibles en accès libre ont été testés, par exemple : GOOGLENET™, RESNET™, et INCEPTION™ V3, VGG11™, VGG13™, VGG19™, afin d’obtenir le meilleur taux de classification. Diverses mesures ont été effectuées sur une base de données test, indépendante de la base d’apprentissage : calculs de précision du test, de sensibilité, de spécificité, de valeur prédictive positive, de valeur prédictive négative, de score F1 (moyenne harmonique entre la sensibilité et la valeur prédictive positive), aire sous la courbe ROC.
[132] Les images multiplanaires RMP sont fournies de base par les consoles de scanner de tous différents constructeurs de scanner, à partir des lignes centrales. Généralement des images RMP curviligne ou étirées, et d’une à neuf images de la même artère. Les images peuvent être exportées des stations de travail sous un format d’image standard radiologique DICOM ou autre (ex : JPEG, PNG, ...), et chargés secondairement sur un site Internet dédié. Elles peuvent aussi être directement chargées sur un site Internet à partir de la station de travail. Le résultat d’évaluation produit est alors retourné dans l’environnement habituel du lecteur.
Exemple 2 : Création de réseaux de neurones, méthodes et résultats
[133] Une large base de données d'image RMP étirées ou curviligne a été créé à partir d’examens réalisés sur un scanner 64 coupes, un scanner 256 coupes, et un scanner 320 coupes dans quatre différentes institutions.
[134] Les données des patients ont été anonymisées.
[135] Pour chaque jeu de données les images RMP des trois artères principales ont été extraites : IVA, la circonflexe gauche, et l'artère coronaire droite.
[136] Pour chacune des trois artères, neuf images ont été sélectionnées avec des angles de vue différents (avec 20° d’écart minimum, pour une couverture totale de 180° minimum), par rotation autour de la ligne centrale.
[137] Chaque image RMP a été classifiée par un expert au regard de la qualité d'image, du degré de calcification, de la présence ou non d’une plaque vulnérable, et de son degré de sténose en utilisant la classification CAD-RADS.
[138] Une base de données réduite de 4500 images sur 500 patients avec une valeur de FFR connue a été aussi entraînée.
[139] Les images ont été chargées sur une plate-forme (DEEPOMATIC™ STUDIO, Paris, France, CLEVERDOC™ Lille, France) permettant de classifier les images et de tester les différents réseaux de neurones.
[140] Pour chaque réseau de neurones, 80 % des images de la base de données ont été utilisées pour l'entraînement, et 20% des images ont été utilisées pour l'évaluation. Les images d’évaluation ont été exclues du processus d'entraînement. [141] Pour chaque tâche, différents réseaux de neurones ont été utilisés pour l'entraînement.
[142] Les réseaux associés aux meilleurs résultats (meilleure sensibilité, meilleure valeur prédictive positive, meilleur score F1 , ou meilleure aire sous la courbe) ont été sélectionnés.
Résultats et conclusion :
[143] Pour la détection automatique des plaques vulnérables le score F1 moyen a atteint 70 %.
[144] Pour le score calcique automatique le score F1 moyen atteint 75 %.
[145] Pour la classification automatique de la qualité d’image le score F1 atteint 75 %.
[146] Pour la classification des sténoses en 4 classes CAD-RADS l’aire sous la courbe atteint 88 %.
[147] La figure 5 illustre les résultats de la détection CAD-RADSO par le réseau de
neurones. Au seuil de décision optimal de 0,55, la sensibilité de détection des artères normales (CAD-RADSO) est de 275/275+35 soit 89%. La spécificité quant à elle est de 495/495+27 soit 95%. Le réseau de neurones apparaît ainsi très performant pour déterminer les artères normales également, permettant de hiérarchiser la lecture des examens selon le degré de sévérité déterminé automatiquement.
[148] Pour la prédiction d’une valeur de FFR inférieure ou égale à 0,8, le score F1 moyen atteint 87 %.
[149] Les résultats obtenus sur cette première base semblent donc égaux ou supérieurs à ceux des autres méthodes qui sont plus complexes à mettre en œuvre et plus coûteuses. Cette technique permet de donner un outil décisionnel immédiat diagnostique et thérapeutique.

Claims

Revendications
[Revendication 1] Procédé implémenté par ordinateur pour déterminer la présence d’une lésion coronarienne pour un patient, comprenant :
- une étape de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) d’une artère coronaire dudit patient
caractérisé en ce qu’il comprend en outre une étape de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 2] Procédé selon la revendication 1 , caractérisé en ce qu’il comprend en outre une étape de prédiction d’un intervalle de valeur de flux de réserve coronaire (FFR pour fractional flow reserve) par mesure manuelle, semi-automatisée et/ou automatisée d’au moins deux critères morphologiques choisis parmi :
• le degré de sténose coronarienne maximum exprimé en pourcentage (%) de diamètre ;
• le degré de sténose coronarienne maximum exprimé en pourcentage (%) de surface ;
• le diamètre minimum de la sténose en mm ;
• la surface minimum de la sténose en mm2 ;
• la longueur de la sténose en mm ; ou
• la masse myocardique et le pourcentage (%) de masse myocardique en aval de la sténose coronarienne.
[Revendication 3] Procédé selon la revendication 1 ou 2, caractérisé en ce qu’il
comprend en outre une étape de prédiction d’un intervalle de valeur de flux de réserve coronaire d’une sténose coronarienne par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 4] Procédé selon l’une des revendications précédentes, caractérisé en ce qu’il comprend en outre au moins une des étapes suivantes, qui peuvent être accomplies dans n’importe quel ordre : - une étape de détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant la catégorie du score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et/ou
- une étape de détermination de plaque à haut risque (PHR ou HRP pour high risk plaque) d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 5] Procédé selon la revendication 4, caractérisé en ce qu’il comprend les cinq étapes suivantes qui peuvent être accomplies dans n’importe quel ordre :
- une étape de détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic à partir d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- une étape de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, à l’aide d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- une étape de détermination de plaque à haut risque d’évènement cardiaque, à l’aide d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 6] Procédé selon la revendication 5, caractérisé en ce que la détection d’images ou de parties d’images correspondant à la lésion du patient comprend la détection de parties d’images correspondant à la lésion coronarienne, un arbre coronaire, à des ostia coronaires ou à des vaisseaux coronaires.
[Revendication 7] Procédé selon l’une des revendications précédentes, caractérisé en ce que les images ou parties d’images sont issues d’un angioscanner coronaire (ou CCTA : pour Coronary Computed Tomography Angiography).
[Revendication 8] Dispositif apte à déterminer la présence d’une lésion coronarienne pour un patient, comprenant :
- des moyens de réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X), d’une artère coronaire dudit patient;
caractérisé en ce qu’il comprend en outre des moyens de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 9] Dispositif selon la revendication 8, caractérisé en ce qu’il comprend en outre des moyens de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 10] Dispositif selon l’une des revendications 8 à 9, caractérisé en ce qu’il comprend en outre au moins un des moyens suivants :
- des moyens de détermination automatisés de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et/ou
- des moyens de détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 11] Dispositif selon la revendication 10, caractérisé en ce qu’il comprend les cinq moyens suivants : - des moyens de détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination automatisés de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- des moyens de détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- des moyens de détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 12] Support lisible par ordinateur non transitoire stockant des instructions de programme lisibles par ordinateur pour déterminer la présence d’une lésion coronarienne pour un patient, comprenant l’exécution par un processeur d’instructions de programmes lisibles par ordinateur ayant pour effet de réaliser les opérations suivantes :
- la réception d’au moins une image médicale multiplanaire curviligne ou étirée de tomodensitométrie (scanner X) de l’artère coronaire étudiée dudit patient ;
caractérisé en ce qu’il engendre en outre la réalisation par ledit processeur d’une opération de détermination d’une valeur selon la classification CAD-RADS (pour Coronary Artery Disease - Reporting and Data System value ou système de rapports et de données) d’une lésion coronarienne sur ladite image ou sur une partie de ladite image par l’utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 13] Support selon la revendication 12, caractérisé en ce qu’il engendre en outre la réalisation par ledit processeur d’une opération de prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 14] Support selon l’une des revendications 12 ou 13, caractérisé en ce qu’il engendre en outre la réalisation par ledit processeur d’au moins une des opérations suivantes de :
- détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et/ou
- détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées.
[Revendication 15] Support selon la revendication 14, caractérisé en ce qu’il engendre la réalisation par ledit processeur des cinq opérations suivantes :
- détermination d’une valeur selon la classification CAD-RADS par utilisation d’un premier réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- prédiction d’un intervalle de valeur de flux de réserve coronaire par utilisation d’un deuxième réseau de neurones profond entraîné appliqué directement aux images ou parties d’images détectées ;
- détermination automatisée de la qualité d’image fournissant un index de confiance diagnostic par utilisation d’un troisième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ;
- détermination d’un score de calcification global sur une échelle de 0 à 4 prédisant le score calcique d’Agatston, par utilisation d’un quatrième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées ; et
- détermination de plaque à haut risque d’évènement cardiaque, par utilisation d’un cinquième réseau de neurones entraîné appliqué directement aux images ou parties d’images détectées j
EP20725201.6A 2019-05-23 2020-05-18 Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond Pending EP3973504A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1905408A FR3096497B1 (fr) 2019-05-23 2019-05-23 Procédé, dispositif et support lisible par ordinateur pour classifier automatiquement une lésion coronarienne selon la classification CAD-RADS par un réseau de neurones profond
PCT/EP2020/063798 WO2020234233A1 (fr) 2019-05-23 2020-05-18 Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond

Publications (1)

Publication Number Publication Date
EP3973504A1 true EP3973504A1 (fr) 2022-03-30

Family

ID=68210917

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20725201.6A Pending EP3973504A1 (fr) 2019-05-23 2020-05-18 Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond

Country Status (4)

Country Link
US (1) US12033323B2 (fr)
EP (1) EP3973504A1 (fr)
FR (1) FR3096497B1 (fr)
WO (1) WO2020234233A1 (fr)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4589528A3 (fr) 2019-08-05 2025-10-22 Lightlab Imaging, Inc. Affichage longitudinal de la charge calcique de l'artère coronaire
CN111709925B (zh) * 2020-05-26 2023-11-03 深圳科亚医疗科技有限公司 用于血管斑块分析的装置、系统及介质
US11775822B2 (en) * 2020-05-28 2023-10-03 Macronix International Co., Ltd. Classification model training using diverse training source and inference engine using same
CN112700421B (zh) * 2021-01-04 2022-03-25 推想医疗科技股份有限公司 冠脉图像分类方法及装置
CN112967234B (zh) * 2021-02-09 2022-12-09 复旦大学附属中山医院 冠状动脉功能生理学病变模式定量评价方法
US12586180B2 (en) * 2021-06-18 2026-03-24 AI Optics Inc. Assessment of image quality for a medical diagnostics device
WO2024178199A1 (fr) * 2023-02-22 2024-08-29 Q Bio, Inc. Moteur de recommandation dynamique
CN116681890B (zh) * 2023-05-31 2025-07-11 同济大学 一种基于目标检测的血管狭窄病变识别方法及其应用
WO2025262634A1 (fr) 2024-06-21 2025-12-26 Universita' Degli Studi Di Torino Procédé et système de traitement d'image angiographique

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779224B (zh) * 2007-08-03 2016-04-13 皇家飞利浦电子股份有限公司 用于绘制并显示3d管状结构的曲面重组视图的方法、装置和系统
WO2019025270A1 (fr) * 2017-08-01 2019-02-07 Siemens Healthcare Gmbh Évaluation non invasive et guidage de thérapie pour une coronaropathie dans des lésions diffuses et en tandem

Also Published As

Publication number Publication date
FR3096497B1 (fr) 2021-04-30
WO2020234233A1 (fr) 2020-11-26
FR3096497A1 (fr) 2020-11-27
US20220215541A1 (en) 2022-07-07
US12033323B2 (en) 2024-07-09

Similar Documents

Publication Publication Date Title
EP3973503B1 (fr) Procede, dispositif et support lisible par ordinateur pour detecter automatiquement une stenose coronarienne hemodynamiquement significative
EP3973504A1 (fr) Procede, dispositif et support lisible par ordinateur pour classifier automatiquement une lesion coronarienne selon la classification cad-rads par un reseau de neurones profond
US20230394654A1 (en) Method and system for assessing functionally significant vessel obstruction based on machine learning
US12484871B2 (en) System for and method of identifying coronary artery disease
US11389130B2 (en) System and methods for fast computation of computed tomography based fractional flow reserve
US12079988B2 (en) Medical image reconstruction apparatus and method for screening for plurality of types of lung diseases
US12380560B2 (en) Systems, methods, and devices for image-based plaque analysis and risk determination
EP3564963A1 (fr) Système et procédés de calcul rapide de reserve de débit fractionnaire à base de tomodensitométrie
Omori et al. Determination of lipid-rich plaques by artificial intelligence-enabled quantitative computed tomography using near-infrared spectroscopy as reference
Kawasaki et al. Evaluation of significant coronary artery disease based on CT fractional flow reserve and plaque characteristics using random forest analysis in machine learning
FR3082981A1 (fr) Determination de la confiance d&#39;une mesure dans un clip video d&#39;imagerie medicale basee sur la qualite de l&#39;image du clip video
US20250329015A1 (en) Systems, methods, and devices for plaque analysis, vessel and fluid flow analysis, and/or risk determination or prediction thereof
Revathi et al. A deep learning based approach for diagnosing coronary inflammation with multi-scale coronary response dynamic balloon tracking (MSCAR-DBT) based artery segmentation in coronary computed tomography angiography (CCTA)
Teßmann et al. Automatic detection and quantification of coronary calcium on 3D CT angiography data
EP3566204B1 (fr) Procede de determination d&#39;un indice d&#39;heterogeneite de la perfusion myocardique a partir d&#39;images medicales
Kapoor et al. Comparison of Hemodynamic Significant Coronary Stenosis Using Artificial Intelligence and Conventional Cross Sectional Area in CT Coronary Angiography
EP4706013A1 (fr) Systèmes, procédés et dispositifs d&#39;analyse de plaque basée sur une image et de détermination de risque
Ayala et al. Studying hypertension in ocular fundus images using Hausdorff dispersion ordering
WO2024107691A1 (fr) Systèmes, dispositifs et procédés d&#39;analyse de plaque basée sur une image non invasive et de détermination de risque
FR3161496A1 (fr) Procédé de détermination de la densité mammaire
WO2024137796A1 (fr) Systèmes, dispositifs et méthodes d&#39;analyse de plaque basée sur une image non invasive et de détermination de risque
WO2005050569A2 (fr) Procede pour generer des donnees d&#39;imagerie medicale 3d
Doğan Pulmonary embolism and right ventricular function: cardiac CT research: right

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211223

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20241107