FR3062498B1 - Systeme et procede pour l'evaluation de risques vasculaires - Google Patents
Systeme et procede pour l'evaluation de risques vasculaires Download PDFInfo
- Publication number
- FR3062498B1 FR3062498B1 FR1750859A FR1750859A FR3062498B1 FR 3062498 B1 FR3062498 B1 FR 3062498B1 FR 1750859 A FR1750859 A FR 1750859A FR 1750859 A FR1750859 A FR 1750859A FR 3062498 B1 FR3062498 B1 FR 3062498B1
- Authority
- FR
- France
- Prior art keywords
- parameter
- risk
- parameters
- data
- interest
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000002792 vascular Effects 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 title claims description 18
- 238000007418 data mining Methods 0.000 claims abstract description 36
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 210000000709 aorta Anatomy 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000002059 diagnostic imaging Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims 1
- 206010002329 Aneurysm Diseases 0.000 abstract description 41
- 239000012530 fluid Substances 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 8
- 230000007170 pathology Effects 0.000 description 8
- 230000000295 complement effect Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000037361 pathway Effects 0.000 description 4
- 210000002376 aorta thoracic Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003534 oscillatory effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 210000000702 aorta abdominal Anatomy 0.000 description 2
- 208000007474 aortic aneurysm Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000006179 Aortic Coarctation Diseases 0.000 description 1
- 206010060874 Aortic rupture Diseases 0.000 description 1
- 206010004552 Bicuspid aortic valve Diseases 0.000 description 1
- 206010009807 Coarctation of the aorta Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010002906 aortic stenosis Diseases 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 208000021654 bicuspid aortic valve disease Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000037834 fusiform aneurysm Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001435 haemodynamic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002767 hepatic artery Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 210000003137 popliteal artery Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002226 simultaneous effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
La présente invention concerne un procédé (et le système associé) d'évaluation de risque au niveau d'une région vasculaire d'intérêt V, permettant à partir d'une étude fluidique et/ou d'un algorithme de traitement par fouille de données, de générer des modélisations de risque MR (MRA, MRE) indiquant de manière prédictive le niveau de risque NR (NRA, NRE) de survenue d'évènements tels que : occurrence et rupture d'anévrisme, coarctation..., et les zones anatomiques associées. Lesdites modélisations MR sont destinées à servir de support d'aide à la prise de décision médicale par un praticien.
Description
Domaine technique
La présente invention relève du domaine de l'imagerie médicale et des protocoles d'analyse d'images afférents. Elle concerne plus particulièrement un procédé d'évaluation et de prédiction de risques d'anévrisme aboutissant à l'élaboration de cartographies de risques destinées à servir, par exemple, de support d'aide à la prise de décision médicale par un praticien.
Technique antérieure
Dans le domaine des procédés visant à évaluer et/ou prédire la survenue ou l'évolution d'une situation médicale, on connaît des procédés et systèmes, tels que, par exemple, celui présenté dans le document US 8 812 431 B2, qui permettent de comparer un modèle médical inédit à une banque de données de cas connus, afin de retrouver les cas les plus approchants et fournir une base d'aide à la décision pour un praticien.
On connaît également, dans le cadre spécifique de l'étude des anévrismes, les procédés où la prédiction de l'évolution dudit anévrisme repose sur l'analyse de données géométriques, comme par exemple dans les documents US 2009088624 A et US 9345442 B2.
Toutefois, les procédés et systèmes existants emploient le plus souvent des systèmes complexes et/ou coûteux en temps et en quantités de ressources informatiques à allouer, ce qui présente un inconvénient majeur, notamment au niveau des structures médicales de taille modeste. L'amélioration de la prédiction de l'évolution d'une pathologie est une préoccupation clinique majeure pour les personnels de santé, notamment dans le cadre du diagnostic et du traitement des anévrismes, tels que des anévrismes aortiques, et des anomalies associées telles que la sténose aortique, la coarctation de l'aorte, ou encore les malformations liées à une bicuspidie de la valve aortique.
En effet, il existe encore une trop grande incertitude dans le choix du traitement le plus adapté pour chaque patient.
Usuellement, on définit un anévrisme comme une dilatation permanente localisée d'une artère, avec perte du parallélisme des bords.
Actuellement, les méthodes les plus répandues pour la prédiction d'un risque de rupture d'un anévrisme prennent en compte essentiellement des données géométriques spécifiques au seul patient à traiter, telles que le diamètre de l'aorte et le taux d'inflation de l'anévrisme. Ces méthodes, peu précises, ont des limites bien connues. Entre autres, elles ne permettent pas au praticien d'établir un diagnostic précis, puisqu'une d'une part la rupture d'un anévrisme peut survenir indépendamment du diamètre de la région vasculaire touchée, un accroissement du diamètre d'une artère n'entraîne pas systématiquement un risque de rupture d'anévrisme, et inversement, une rupture d'anévrisme peut se déclencher sans avoir observé préalablement un accroissement du diamètre de 1'artère.
De ce fait, il peut arriver que ledit patient soit par exemple opéré inutilement, ou au contraire non opéré en urgence alors que le risque de rupture aortique est à un niveau critique. Par ailleurs, il existe un risque permanent de rupture d'un anévrisme, même en l'absence de symptômes clairs, et ceci quelles que soient les dimensions de 1'anévrisme. D'autres méthodes mettant en œuvre des études du flux sanguin du patient ont vu le jour, mais présentent deux inconvénients principaux : l'emploi de ressources informatiques conséquentes et un temps de traitement des données long.
Exposé de l'invention
La présente invention entend remédier aux inconvénients précédemment cités (précision faible, complexité, coût en temps et en quantités de ressources à allouer) et fournir des éléments d'aide à la décision pour les praticiens, en proposant un procédé rapide, qui peut être mis en œuvre dans un très grand nombre de systèmes d'imagerie médicale.
Le procédé d'évaluation proposé concerne l'évaluation de risque au niveau d'une région vasculaire d'intérêt V, telle que l'aorte thoracique, ou l'aorte abdominale.
Il comprend deux grandes voies. La première (voie 1 ou voie d'acquisition de connaissances) concerne dans les grandes lignes (de manière non limitative): - la mise au point et l'entraînement d'un algorithme de traitement par fouille de données destiné à générer des modélisations de risque MR (MRa, MRe) en tant que support d'aide à la décision pour les praticiens, et - Préférentiellement, l'évaluation de la capacité prédictive de paramètres prédictifs (ou non) d'un jeu de paramètres JP à analyser, permettant par exemple, et de manière non limitative, de : o tester l'intérêt et/ou décider ou non d'inclure un nouveau paramètre dans le jeu de paramètres JP à analyser, o ré-évaluer la capacité prédictive des paramètres du jeu de paramètres JP à analyser : certains paramètres initiaux peuvent par exemple perdre leur intérêt prédictif quand d'autres paramètres nouveaux et jugés plus efficaces sont inclus dans le jeu, il est alors possible soit de garder l'ensemble des paramètres dans le jeu ou d'exclure les paramètres ayant perdu leur intérêt prédictif, tandis que la seconde voie (voie 2 ou voie d'application clinique) consiste dans ses grandes lignes à appliquer ledit algorithme de traitement par fouille de données à un patient afin d'obtenir directement, c'est-à-dire sans calculs excessivement longs et/ou avec un nombre d'étapes de traitement réduit, au moins une modélisation de risque MR en tant que support d'aide à la décision pour les praticiens.
Préférentiellement, la transition entre l'acquisition de connaissances (voie 1) et l'application clinique (voie 2) s'effectue lorsque le jeu de paramètres JP à analyser est pleinement constitué, c'est-à-dire lorsque tous les paramètres sont validés (leur capacité prédictive étant confirmée). Avantageusement, le(s) paramètre(s) du jeu de paramètres JP à analyser est validé soit : o lorsqu'il est saisi manuellement par le praticien (et/ou un utilisateur) et connu pour être validé, et/ou o via au moins une étape d'évaluation et/ou de validation L (décrite ci-après).
Avantageusement, quelle que soit la voie choisie, le jeu de paramètres JP à analyser est indépendant du patient.
Selon les variantes, l'étape de génération de modélisâtion ( s) de risque MR (quelle que soit l'étape du procédé dans laquelle elle survient) comprend : - la génération d'une modélisation pour au moins un paramètre du jeu de paramètres JP à analyser, et préférentiellement pour chacun des paramètres du jeu de paramètres JP à analyser, et/ou - la génération d'une modélisation globale prenant en considération l'effet simultané de plusieurs paramètres du jeu de paramètres JP à analyser, et préférentiellement de l'ensemble des paramètres du jeu de paramètres JP à analyser.
Avantageusement, selon l'invention, l'étape de génération d'une modélisation de risque MR associée à un paramètre du jeu de paramètres JP à analyser comprend entre autres une étape consistant à affecter un niveau de risque NR (NRa, NRe) , parmi une échelle de niveaux de risque, à chaque donnée numérique DN (DNa, DNe) calculée pour ledit paramètre du jeu de paramètres JP à analyser.
Préférentiellement, un niveau de risque NR (parmi une échelle de niveaux de risque) est affecté à un ensemble de données numériques DN (DNa, DNe) proches en termes de : - valeurs numériques, et/ou - distribution spatiale (données numériques calculées en des points contigus, par exemple en des points voisins au niveau d'un maillage), et/ou - distribution temporelle.
Avantageusement, la génération d'une modélisation globale comprend une étape de détermination et d'affectation d'un niveau de risque global (parmi une échelle de niveaux de risque), par exemple sur la base d'un calcul impliquant entre autres : - le niveau de risque NR associé à chaque paramètre du jeu de paramètres JP à analyser, - une pondération reflétant l'influence relative de chaque paramètre du jeu de paramètres JP à analyser. Préférentiellement, les données numériques DN (DNa, DNe) sont calculées en chaque point du maillage correspondant (c'est-à-dire : en chaque point du maillage employé lors du calcul, si ce maillage existe).
Avantageusement, l'affectation d'un niveau de risque NR à chaque donnée numérique DN (DNa, DNe) est réalisée en chaque point du maillage correspondant (c'est-à-dire : en chaque point du maillage employé lors du calcul, si ce maillage existe).
Avantageusement, la modélisation de risque MR est présentée sous un format comportant des repères visuels permettant l'identification rapide de zones à risque (risque d'occurrence d'un anévrisme, risque de rupture d'un anévrisme, risque d'occurrence d'une coarctation).
Par exemple, la modélisation peut être sous forme d'un tableau de données, d'une image, d'une vidéo, ou d'un graphique (courbes, histogrammes...) dans lequel les données numériques sont mises en évidence de manière différente en fonction du niveau de risque NR auquel elles correspondent.
Par exemple, chaque niveau de risque NR est associé à un repère visuel particulier, tel qu'une couleur, un marqueur, ou toute combinaison possible de repères visuels.
Préférentiellement la modélisation se présente sous la forme d'une cartographie 3D sur laquelle les repères visuels sont distribués et fusionnés par niveau de risque NR, par exemple lorsque les repères visuels sont des points colorés, leur « fusion » donnera naissance à des aplats homogènes de couleur, rendant très aisée l'identification rapide de zones à risque.
Egalement, la modélisation peut se présenter sous la forme d'une cartographie 4D (par exemple une cartographie 3D fluctuant au cours du temps), permettant la visualisation de l'évolution de risque sur une période donnée.
Par ailleurs, l'Homme du métier sait choisir le rendu le plus adapté pour la modélisation, selon l'application visée.
Description sommaire des figures - la figure 1 est un schéma illustrant une région vasculaire d'intérêt V, tel qu'un anévrisme présent au niveau de l'aorte, et certaines données relatives à sa géométrie, - La figure 2 est un schéma illustrant les principales étapes du procédé selon l'invention.
Description détaillée de l'invention
Avantageusement, comme présenté à la figure 1, un anévrisme fusiforme est décrit en référence à sa ligne centrale LC encore appelée ligne médiane (dans un référentiel basé sur la ligne centrale), qui correspond à une ligne virtuelle passant par le centre de la lumière aortique.
On peut également le décrire à l'aide de données relatives à sa géométrie, telles que : - la longueur d'exploration L, c'est-à-dire la longueur correspondant à la projection horizontale totale de ladite modélisation M, - la hauteur A de l'arc de ligne centrale, - le diamètre D de l'aorte, - le rayon interne B de l'anévrisme (perpendiculaire à la ligne centrale LC de l'anévrisme), qui correspond au rayon de la ligne centrale de l'aorte à la paroi interne de l'anévrisme (c'est-à-dire la paroi présentant le renflement le plus faible), - le rayon externe C de l'anévrisme (perpendiculaire à la ligne centrale LC de l'anévrisme), qui correspond au rayon de la ligne centrale de l'aorte à la paroi externe de l'anévrisme (c'est-à-dire la paroi présentant le renflement le plus important), - la longueur de l'anévrisme AL, c'est-à-dire la longueur moyenne de l'anévrisme - une section de l'aorte Sc (non représentée sur la figure D · Néanmoins, la présente invention peut s'appliquer également à des anévrismes présentant d'autres formes, tels que les anévrismes sacculaires ou polylobés.
La figure 2 est un schéma illustrant les étapes du procédé selon l'invention.
La voie 1 du procédé qui concerne au moins la mise au point et l'acquisition de connaissances par l'algorithme de traitement par fouille de données est indiquée par les flèches simples à pointes noires entre les différentes étapes (cases) du procédé concernées.
La voie 2 du procédé qui concerne l'application clinique dudit algorithme de traitement par fouille de données (et qui consiste à appliquer ledit algorithme de traitement par fouille de données à un patient afin d'obtenir directement au moins une modélisation de risque MRa) est indiquée par les flèches doubles à pointes noires et/ou blanches entre les étapes (cases) du procédé concernées et grisées.
Ledit procédé d'évaluation de risque au niveau d'une région vasculaire d'intérêt V, mettant en œuvre un algorithme de traitement par fouille de données est remarquable en ce qu'il comprend les étapes suivantes pour chaque cas patient successif P± parmi un ensemble de patients {Pi, Pi, Pn} : Etape 1. tester la valeur de l'erreur de capacité prédictive Ec dudit algorithme de traitement par fouille de données la plus récemment connue (par exemple : enregistrée en mémoire ou saisie par le praticien), ladite valeur de l'erreur de capacité prédictive Ec étant définie supérieure à un seuil prédéfini SE lors de la première itération du procédé, et si la valeur de l'erreur est supérieure audit seuil prédéfini SE : effectuer au moins les étapes 2 à 11 qui suivent dans cet ordre, sinon effectuer au moins les étapes 2, 3, 5, 6 et 7 dans cet ordre. Préférentiellement, lorsque la valeur de l'erreur Ec est inférieure audit seuil prédéfini SE effectuer au moins les étapes 2, 3, 4, 5, 6 et 7 dans cet ordre.
Etape 2. acquérir au moins une représentation R d'une région vasculaire d'intérêt V dudit patient Pi,
Etape 3. reconstruire, à partir de ladite représentation R, au moins une modélisation M de ladite région d'intérêt V parmi : modélisation primaire MP, modélisation corrigée MC,
Etape 4. générer à partir de ladite modélisation M au moins un maillage T (TP, TC) de ladite région d'intérêt V,
Etape 5. extraire, à partir d'au moins une modélisation M issue de l'étape 3 et/ou d'au moins un maillage T issu de l'étape 4, des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V,
Etape 6. Constituer un jeu de paramètres JP à analyser, afin d'évaluer les risques au niveau de ladite région d'intérêt V, à partir au moins d'une liste préenregistrée de paramètres prédictifs et/ou non-prédictifs,
Etape 7. déterminer les données numériques DNa prédictives de risque, associées à au moins un paramètre dudit jeu de paramètres JP constitué à l'étape 6, par ledit algorithme de traitement par fouille de données, à partir au moins des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V, attribuer un niveau de risque NRa audit paramètre (dudit jeu de paramètre JP) parmi une échelle de niveaux de risque, et générer une modélisation MRa de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre dudit jeu de paramètres JP à partir desdites données numériques DNa déterminées,
Etape 8. déterminer les données numériques DNe (DNec, DNef) prédictives de risque, associées à au moins un paramètre dudit jeu de paramètres JP constitué à l'étape 6, par une étude fluidique comprenant au moins une étude CFD (en anglais, CFD : Computational Fluid Dynamics), à partir au moins d'un ensemble de maillages comprenant au moins un maillage généré à l'étape 4 et d'au moins un jeu de conditions entrée-sortie SC adapté, attribuer un niveau de risque NRe audit paramètre (dudit jeu de paramètre JP) parmi une échelle de niveaux de risque, et générer une modélisation MRe (MRecu MRef) de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre dudit jeu de paramètres JP à partir desdites données numériques DNe (DNec, DNef) déterminées,
Etape 9. évaluer l'erreur de capacité prédictive Ec de l'algorithme de traitement par fouille de données par rapport à l'étude fluidique, par comparaison au moins des résultats des étapes 7 et 8, et enregistrer la valeur de l'erreur de capacité Ec,
Etape 10. entraîner ledit algorithme de traitement par fouille de données en lui fournissant au moins les résultats de l'étape 8
Etape 11. enregistrer l'ensemble des données obtenues dans une base de données de cas patient au niveau d'une unité de stockage de données.
Avantageusement, la génération d'une (ou de) modélisât ion ( s ) MRa et/ou MRe (MRec, MRef) de risque au niveau de ladite région d'intérêt V a lieu lorsque le procédé selon l'invention emprunte la voie 1 et/ou 2.
Préférentiellement, la génération d'une (ou de) modélisât ion ( s ) MRa et/ou MRe (MRec, MRef) de risque au niveau de ladite région d'intérêt V a lieu uniquement lorsque le procédé selon l'invention emprunte la voie 2.
Le procédé selon l'invention est un procédé appliqué à un échantillon de patients {Pi, ..., Pi, ..., Pn}, c'est-à-dire que le procédé est appliqué à un premier patient, puis à un second patient, et ainsi de suite.
Les étapes qui composent ledit procédé sont évolutives, en fonction de la valeur de l'erreur de capacité prédictive Ec affectée à l'algorithme de traitement par fouille de données qu'il emploie.
Ainsi, le procédé d'évaluation concerne tout d'abord la mise au point et l'entraînement d'un algorithme de traitement par fouille de données. Cette première voie dudit procédé est empruntée lorsque la valeur de l'erreur de capacité prédictive Ec affectée à l'algorithme de traitement par fouille de données est supérieure à un seuil prédéfini SE, et consiste à effectuer au moins les étapes 2 à 11 dudit procédé dans cet ordre. A titre indicatif, l'achèvement de cette phase du procédé nécessite l'acquisition et le traitement de données chez au moins cent patients.
Puis, lorsque la valeur de l'erreur de capacité prédictive Ec affectée à l'algorithme de traitement par fouille de données devient inférieure audit seuil prédéfini SE, le procédé d'évaluation emprunte une seconde voie qui consiste à exploiter ledit algorithme de traitement par fouille de données. Dans ce cas, le procédé d'évaluation se constitue au moins des étapes 2, 3, 5, 6 et 7 dans cet ordre.
Dans des variantes avancées du procédé, des étapes supplémentaires peuvent venir s'insérer entre les étapes prévues, néanmoins, les étapes initiales continueront d'être effectuées dans l'ordre numérique prévu. Par exemple, une étape L (décrite ci-après) peut venir s'insérer entre les étapes 8 et 9 lorsque le procédé emprunte la voie 1 d'acquisition de connaissance ; cela signifie que le procédé consistera à effectuer les étapes 1 à 8 puis l'étape L, puis les étapes 9 à 11 (les étapes 1 à 11 sont toujours effectuées dans l'ordre numérique initial) .
Ainsi, le procédé selon l'invention est susceptible de comprendre, selon la valeur de l'erreur de capacité prédictive Ec dudit algorithme de traitement par fouille de données : - une étape 1, permettant de déterminer la voie de prédiction de risque à emprunter, et consistant à tester la valeur de l'erreur de capacité prédictive Ec la plus récemment connue (par exemple : enregistrée en mémoire ou saisie par le praticien) et, si la valeur de l'erreur est supérieure à un seuil prédéfini SE, effectuer au moins les étapes 2 à 12 qui suivent (dans cet ordre, c'est-à-dire dans l'ordre numérique), sinon effectuer au moins les étapes 2, 3, 5, 6 et 7 dans cet ordre. Préférentiellement, lorsque la valeur de l'erreur Ec est inférieure audit seuil prédéfini SE, on effectue au moins les étapes 2, 3, 4, 5, 6 et 7 dans cet ordre.
Cette variante préférée est présentée sur la figure 2 par des flèches doubles à pointes blanches entre les étapes 3-4 et 4-5.
Préférentiellement, la valeur de l'erreur de capacité Ec prédictive la plus récemment connue correspond à la dernière valeur enregistrée au cours d'une itération précédente du procédé. Néanmoins, dans certaines variantes du procédé, le praticien peut enregistrer, en amont du lancement du procédé, une valeur de son choix pour l'erreur de capacité prédictive Ec, cette valeur entrée manuellement sera alors considérée comme l'erreur la plus récemment connue.
Préférentiellement, afin que la phase de mise au point et d'entraînement de l'algorithme de traitement par fouille de données puisse avoir lieu, la valeur initiale (valeur lors de la première itération du procédé, correspondant au patient Pi) de l'erreur de capacité prédictive Ec est définie comme étant supérieure au seuil prédéfini SE.
Avantageusement, ledit seuil prédéfini SE est inférieur ou égal à 20%.
Préférentiellement, ledit seuil prédéfini SE est inférieur ou égal à 5%. - une étape 2 consistant à acquérir au moins une représentation R d'une région vasculaire d'intérêt V dudit patient P±. Avantageusement, la représentation R est choisie parmi : séquence IRM de flux 4D, angiographie, ciné-IRM et la région vasculaire d'intérêt V est une région vasculaire à risque d'anévrisme, telle que : région comprenant l'aorte abdominale et/ou l'aorte thoracique, région comprenant une artère poplitée, région comprenant l'artère hépatique.
Préférentiellement, la région vasculaire d'intérêt V est la région comprenant l'aorte thoracique. - une étape 3 consistant à reconstruire, à partir de ladite représentation R, au moins une modélisation M de ladite région d'intérêt V parmi : modélisation primaire MP, modélisation corrigée MC. La modélisation primaire MP correspond de manière exacte à ladite région d'intérêt V (avec ses imperfections et/ou son (ou ses) anomalie liée à la pathologie affectant le patient), tandis que la modélisation corrigée MC correspond à une version corrigée de ladite région d'intérêt V, la correction consistant à enlever l'anomalie (la pathologie) constatée au niveau de ladite représentation R, telle que : anévrisme, coarctation..., afin d'obtenir une modélisation qui correspond à ce que devrait être ladite région d'intérêt V si elle était « saine ». - une étape 4 consistant à générer à partir de ladite modélisation M au moins un maillage T (TP, TC) de ladite région d'intérêt V, c'est-à-dire générer au moins : o un maillage primaire TP correspondant à la modélisation primaire MP, et/ou o un maillage TC correspondant à la modélisation corrigée MC.
Préférentiellement, le (ou les) maillage volumétrique construit est de type non-structuré tétraédrique pour les régions d'intérêt telles que les artères macroscopiques et de type structuré hexaédrique pour la région d'intérêt qu'est la valve aortique.
Selon une variante plus particulièrement préférée de l'invention, les maillages relatifs aux parois de l'aorte et/ou à la valve (c'est-à-dire l'extérieur) sont de type hexaédrique, et le maillage relatif à la zone de flux (c'est à dire l'intérieur) est de type tétraédrique.
Selon une variante de l'invention, ladite étape 4 du procédé comprend en outre une sous-étape d'évaluation et de validation des maillages générés, consistant d'une part à étudier la sensibilité dudit (ou des) maillage en faisant varier (seul ou en combinaison) des paramètres tels que : l'asymétrie, la régularité, le nombre d'éléments, et permettant d'autre part de choisir un jeu de paramètres de génération de maillage le plus approprié.
Avantageusement, le (ou les) maillage généré lorsque le procédé emprunte la voie 1 est volumique, et le (ou les) maillage généré lorsque le procédé emprunte la voie 2 est surfacique. - une étape 5 consistant à extraire à partir d'au moins une modélisation M (qu'il s'agisse par exemple de la modélisation primaire MP, ou de la modélisation corrigée MC) et/ou d'au moins un maillage T (qu'il s'agisse par exemple d'un maillage primaire TP ou d'un maillage corrigé TC ou encore d'un autre maillage), des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V. Avantageusement, les données DG sont extraites : o directement, à partir de la modélisation M et/ou du maillage T, o indirectement, c'est à dire par calcul. Avantageusement, les données DG comprennent au moins une donnée parmi : la longueur d'exploration L, c'est-à-dire la longueur correspondant à la projection horizontale totale de ladite modélisation M, la hauteur A de l'arc de ligne centrale, le diamètre D de l'aorte, le rayon interne B de l'anévrisme (perpendiculaire à la ligne centrale LC de l'anévrisme), qui correspond au rayon de la ligne centrale de l'aorte à la paroi interne de l'anévrisme (c'est-à-dire la paroi présentant le renflement le plus faible), le rayon externe C de l'anévrisme (perpendiculaire à la ligne centrale LC de l'anévrisme), qui correspond au rayon de la ligne centrale de l'aorte à la paroi externe de l'anévrisme (c'est-à-dire la paroi présentant le renflement le plus important), la longueur de l'anévrisme AL, c'est-à-dire la longueur moyenne de l'anévrisme, et/ou l'aire valvulaire efficace AVE au cours du temps (en anglais, EOA : Effective Orifice Area) : cette aire peut être calculée à partir par exemple du flux d'entrée, d'une étude CFD distincte, d'une imagerie de flux ou cathéter, le flux d'entrée, la pression de sortie. - une étape 6 consistant à constituer un jeu de paramètres JP à analyser, afin d'évaluer les risques au niveau de ladite région d'intérêt V, à partir au moins d'une liste (fixe ou variable) préenregistrée de paramètres à analyser (prédictifs et/ou non prédictifs).
Avantageusement, lorsque le procédé selon l'invention emprunte la voie 1, le jeu de paramètres JP est constitué progressivement, au moins par sélection dans ladite liste fixe.
Préférentiellement, lorsque le procédé selon l'invention emprunte la voie 1, le jeu de paramètres JP est susceptible de comporter des paramètres prédictifs et non-prédictifs.
Préférentiellement, lorsque le procédé selon l'invention emprunte la voie 1, le jeu de paramètres prédictifs SPP est constitué par sélection telle que définie précédemment et/ou par ajout d'au moins un paramètre supplémentaire (prédictif ou non-prédictif). L'ajout d'au moins un paramètre supplémentaire résulte d'une saisie par le praticien (l'utilisateur, le chercheur, le développeur...) et/ou d'une mise à jour par le procédé lui-même (suite à une autre étape du procédé : par exemple il peut exister un bouclage du procédé suite à l'étape 7 et/ou 8 détaillées ci-après) . Avantageusement, lorsque le procédé selon l'invention emprunte la voie 1, le paramètre supplémentaire ajouté est enregistré dans ladite liste (par exemple afin de garder un historique des paramètres étudiés).
Avantageusement, lorsque le procédé selon l'invention emprunte la voie 2, le jeu de paramètres JP est constitué au moins par sélection dans ladite liste. Préférentiellement, lorsque le procédé selon l'invention emprunte la voie 2, le jeu de paramètres JP comporte exclusivement des paramètres prédictifs.
Préférentiellement, lorsque le procédé selon l'invention emprunte la voie 2, le jeu de paramètres JP est constitué par sélection telle que définie précédemment et par ajout d'au moins un paramètre supplémentaire prédictif. Avantageusement, lorsque le procédé selon l'invention emprunte la voie 2, le paramètre supplémentaire est enregistré dans ladite liste (par exemple afin de garder un historique des paramètres étudiés).
Ainsi la liste est susceptible de comprendre au cours de sa constitution des paramètres validés (c'est-à-dire réellement prédictifs) et/ou non-validés (c'est-à-dire supposés prédictifs, à raison ou à tort).
Préférentiellement, le (ou les) paramètre(s) constituant le jeu de paramètre JP sont choisis entre autre parmi : o cisaillement à la paroi (Wall Shear Stress : WSS), défini par la formule
où μ est la viscosité dynamique, u est la vitesse d'écoulement parallèle à la paroi, et y est la distance à la paroi, o tout paramètre dérivé du cisaillement à la paroi, o indice de cisaillement oscillatoire (Oscillatory
Shear Index : OSI), défini par la formule
o valeur moyenne du cisaillement à la paroi au cours du temps (Time-Averaged Wall Shear Stress : AWSS), défini par la formule
o magnitude du cisaillement à la paroi au cours du temps (Time-Averaged Wall Shear Stress vector : AWSSV), défini par la formule
o cisaillement à la paroi au pic systolique (Wall
Shear Stress at Peak Systole : WSSPS), o gradient de cisaillement spatial à la paroi SWSSG (Spatial WSS Gradient), qui représente la non-uniformité spatiale du cisaillement à la paroi (WSS), et est défini par la formule SWSSG =
où la direction p correspond à la direction du vecteur WSS au cours du cycle d'écoulement et la direction q est perpendiculaire à p, o indice hémodynamique GON (Gradient Oscillatory Number : GON), qui quantifie le degré des forces oscillantes en tension et compression, et est défini par la formule
o index de formation d'un anévrisme à décélération mi-systolique (AFI), qui quantifie le cosinus de l'angle entre les vecteurs WSSi (WSSi correspond au WSS à un instant donné i du cycle d'écoulement) et AWSSV, et est défini par la formule
o Pression d'entrée (Inlet Pressure IP), obtenue par exemple en utilisant la loi de Darcy (débit linéairement proportionnel à la différence de pression entre deux points et inversement proportionnel à la résistance hydraulique), mettant en œuvre la résistance du vaisseau sanguin d'intérêt, ladite résistance étant par exemple calculée par la loi de Poiseuille o sur la base de l'observation du fait qu'un anévrisme aortique entraîne une augmentation locale du diamètre du vaisseau, il est possible de décrire un ensemble de paramètres liés à une section Sc de l'aorte :
cisaillement à la paroi relativement à ladite section Sc (ScWSS) :
gradient de cisaillement spatial à la paroi relativement à ladite section Sc (ScSWSSG):
cisaillement à la paroi au cours du temps, relativement à ladite section Sc (AScWSS) :
gradient de cisaillement spatial à la paroi au cours du temps, relativement à ladite section Sc (ASCSWSSG) :
cisaillement à la paroi au pic systolique, relativement à ladite section Sc (ScWSSPS), gradient de cisaillement spatial à la paroi au pic systolique, relativement à ladite section Sc (ScSWSSGPS), écart type du cisaillement à la paroi relative à ladite section Sc (DScWSS):
écart type du gradient de cisaillement spatial à la paroi, relativement à ladite section Sc (DScSWSSG) :
écart type du cisaillement à la paroi au cours du temps, relativement à ladite section Sc (ADScWSS):
écart type du gradient de cisaillement spatial à la paroi au cours du temps, relativement à ladite section Sc (ADScSWSSG):
écart type du cisaillement à la paroi au pic
systolique, relativement à ladite section Sc (DScWSSPS), écart type du gradient de cisaillement spatial à la paroi au pic systolique, relativement à ladite section Sc (DScSWSSGPS). - une étape 7 consistant à : o déterminer les données numériques DNa prédictives de risque associées à au moins un paramètre du jeu de paramètre JP constitué à l'étape 6, c'est-à-dire à calculer les valeurs numériques desdits paramètres, par ledit algorithme de traitement par fouille de données à partir au moins des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V, o attribuer un niveau de risque NRa audit (auxdits) paramètre (s) du jeu de paramètre JP parmi une échelle de niveaux de risque, o générer une modélisation MRa de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre du jeu de paramètre JP à partir desdites données numériques DNa déterminées.
Avantageusement, l'algorithme de traitement par fouille de données fonctionne comme un émulateur qui approxime les données numériques (valeurs) des paramètres du jeu de paramètre JP comme une fonction des données qui lui sont fournies.
Ainsi, une fois construit et validé, l'émulateur est destiné à être employé (phase post-construction, voie 2) entre autres pour : fournir des statistiques concernant les variables de sortie, et/ou identifier l'importance relative de chaque variable d'entrée, et/ou identifier des jeux de paramètres d'entrée menant à des conditions particulières en sortie.
Avantageusement, l'algorithme de traitement par fouille de données emploie une technique telle que : réseaux de neurones, arbres de décision, réseaux bayésiens. Préférentiellement, les données numériques DNA prédictives sont déterminées en chaque point du (ou des) maillage(s) généré(s) (primaire TP et/ou corrigé TC ou autres) entre autres à l'étape 4, et/ou à chaque pas de temps. Par exemple, un cycle cardiaque (qui dure usuellement 0.8 secondes) est décomposé en un nombre de pas de temps compris entre dix et cent, et préférentiellement en vingt pas de temps. - une étape 8 consistant à déterminer les données numériques DNE prédictives de risque associées à au moins un paramètre dudit jeu de paramètre JP constitué à l'étape 6, c'est-à-dire calculer les valeurs numériques desdits paramètres, par une étude fluidique comprenant au moins une étude CFD, à partir au moins : o d'un ensemble de maillages comprenant au moins un maillage généré à l'étape 4, et/ou o d'au moins un jeu de conditions entrée-sortie SC, et/ ou o des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V, et à : o attribuer un niveau de risque NRe audit (auxdits) paramètre (s) du jeu de paramètre JP parmi une échelle de niveaux de risque, o générer une modélisation MRe de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre du jeu de paramètre JP à partir desdites données numériques DNE déterminées.
Avantageusement, selon l'invention, les données numériques DNE sont calculées localement (c'est-à-dire en calculant par exemple une valeur du (ou des) paramètre(s) en chaque point de maillage ou une valeur moyenne sur une zone définie) et/ou globalement au cours du temps (c'est à dire en calculant par exemple une valeur du (ou des) paramètre(s) pour chaque pas de temps ou une valeur moyenne sur l'ensemble du cycle cardiaque).
Avantageusement, selon certaines variantes de l'invention, l'étude fluidique comprend une étude par calculs numériques de dynamique des fluides (en anglais, CFD : Computational Fluid Dynamics).
Préférentiellement, l'étude fluidique comprend à la fois une étude par calculs numériques de dynamique des fluides et une étude des interactions fluides-structure (en anglais, FSI : Fluid-Structure Interaction). Avantageusement, l'étude fluidique consiste au moins à résoudre les équations de Navier-Stokes lorsque le modèle est de type macroscopique et à résoudre l'équation de BGK-Boltzmann lorsque le modèle est de type mésoscopique. Préférentiellement, lorsque la région vasculaire d'intérêt V est l'aorte, la prise en compte des déplacements des parois s'effectue par résolution d'un modèle néo-hookéen hyperélastique.
Ainsi, selon les variantes de l'invention, on détermine des données numériques DNe qui peuvent être : des données DNec correspondant à l'étude fluidique par CFD, et/ou des données DNef correspondant à l'étude fluidique par FSI. Avantageusement, le jeu de conditions entrée-sortie SC comprend entre autres au moins un paramètre parmi : nombre de Reynolds au pic systolique à l'entrée, aire valvulaire efficace (EOA) à l'entrée, résistance de sortie.
Préférentiellement, le (ou les) jeu(x) de conditions entrée-sortie SC est (sont) : o préenregistré(s) en mémoire, et/ou o saisi manuellement par le praticien, et/ou, o issu d'une étape d'évaluation et/ou de validation L (décrite ci-après).
Avantageusement, selon les variantes de l'invention, le (ou les) jeu de conditions entrée-sortie SC est : sélectionné à partir d'une liste préexistante et/ou saisi manuellement à la demande et/ou obtenu en effectuant une modification stochastique d'au moins un paramètre d'un jeu de conditions entrée-sortie initial SCI .
Avantageusement, le jeu de conditions entrée-sortie SC comprend entre autres au moins un paramètre parmi : nombre de Reynolds au pic systolique à l'entrée, aire valvulaire efficace (EOA) à l'entrée, résistance de sortie, flux d'entrée, profil de la vitesse en entrée. Préférentiellement, les données numériques DNe prédictives sont déterminées en chaque point du (ou des) maillage(s) généré(s) (primaire TP et/ou corrigé TC) à l'étape 4 et/ou à chaque pas de temps.
Dans des variantes évoluées de l'invention, l'ensemble de maillages comprend en outre au moins un maillage adapté TA constitué à partir dudit maillage primaire TP en effectuant une modification stochastique d'au moins un paramètre lié audit maillage primaire TP.
Avantageusement, l'étude fluidique prend en compte entre autres au moins un élément parmi : le mouvement de l'aorte due à la respiration et aux mouvements cardiaques, l'élasticité de l'aorte. - une étape 9 consistant à évaluer l'erreur de capacité prédictive Ec de l'algorithme de traitement par fouille de données par rapport à l'étude fluidique (qui sert de référence, puisqu'elle décrit le comportement réel et produit des résultats valides), par comparaison au moins des résultats des étapes 7 et 8, et à enregistrer la valeur de l'erreur de capacité prédictive Ec.
Avantageusement, l'évaluation de l'erreur de capacité prédictive Ec de l'algorithme de traitement par fouille de données est réalisée au moins en évaluant l'erreur entre : o les données numériques (valeurs numériques) prédictives de risque DNe calculées par une étude fluidique et qui constituent les valeurs de référence (puisqu'il s'agit des valeurs réelles) o les données numériques (valeurs numériques) prédictives de risque DNa calculées par ledit algorithme de traitement par fouille de données et qui constituent les valeurs à optimiser. L'enregistrement de la valeur de l'erreur Ec peut consister soit à écraser la valeur précédemment enregistrée, soit à enregistrer la valeur dans une liste et en lui attribuant un indicateur signifiant qu'elle est la valeur la plus récemment calculée. - une étape 10 consistant à entraîner ledit algorithme de traitement par fouille de données en lui fournissant au moins les résultats de l'étape 8 - une étape 11 (non-représentée sur la figure 2) consistant à enregistrer l'ensemble des données obtenues dans une base de données de cas patient au niveau d'une unité de stockage de données.
De manière plus détaillée, l'étape 9 consiste à comparer : o les données numériques (valeurs numériques) DN (DNa et/ou DNe) du (ou des) paramètre (s) du jeu de paramètres JP à analyser et/ou à estimer l'erreur entre lesdites données numériques DN, afin de vérifier si leur correspondance est suffisante, et/ ou o les modélisations de risque MR, afin de vérifier si la correspondance entre les zones à risque est suffisante .
Dans ce cadre (étape 9), la comparaison des données numériques DN peut consister à : o comparer les données numériques DN, afin de vérifier si la correspondance entre : les données numériques de référence DNe issues de l'étude fluidique, et les données numériques DNa (prédites) issues de l'algorithme de traitement par fouille de données à optimiser est satisfaisante, et/ou o estimer l'erreur (par exemple en pourcentage, en taux...) entre lesdites données numériques DNe issues de l'étude fluidique et DNa issues de l'algorithme de traitement par fouille de données à optimiser, et/ ou o comparer les données numériques DN, afin de vérifier si la correspondance entre : les données numériques DN associées à la (ou les) modélisation issues du (ou des) cas réel (s) (c'est-à-dire issus du maillage primaire TP), et les données numériques DN associées la (ou les) modélisation issues du (ou des) cas simulé(s) (c'est-à-dire issus du maillage corrigé TC et/ou d'autres maillages, par exemple : maillages adaptés TA) est satisfaisante, et/ou o estimer l'erreur (par exemple : en pourcentage, ou bien en termes d'écart entre les coordonnées des centres des zones de risque réelles et simulées...) entre lesdites données numériques DN réelles et lesdites données numériques simulées.
Dans ce cadre également (étape 9), la comparaison de modélisations de risque MR peut consister à : o comparer les modélisations de risque MRa et MRe, afin de vérifier si la correspondance entre : les zones à risque de références, présentes sur la (ou les) modélisation MRe issues de l'étude fluidique, et les zones à risque présentes sur la (ou les) modélisation MRa issues de l'algorithme de traitement par fouille de données à optimiser est satisfaisante, et/ou o estimer l'erreur (par exemple : en pourcentage reflétant l'écart entre les aires des surfaces calculées pour les zones de risque, ou bien en termes d'écart entre les centres des zones de risque) entre lesdites zones à risque issues de l'étude fluidique et lesdites zones à risque issues de l'algorithme de traitement par fouille de données à optimiser, et/ ou o comparer les modélisations de risque afin de vérifier si la correspondance entre : les zones à risque de références, présentes sur la (ou les) modélisation issues du (ou des) cas réel(s) (c'est-à-dire issus du maillage primaire TP), et les zones à risque présentes sur la (ou les) modélisation issues du (ou des) cas simulé(s) (c'est-à-dire issus du maillage corrigé TC et/ou d'autres maillages, par exemple : maillages adaptés TA) est satisfaisante, et/ou o estimer l'erreur (par exemple : en pourcentage reflétant l'écart entre les surfaces calculées pour les zones de risque, ou bien en termes d'écart entre les centres des zones de risque) entre lesdites zones à risque réelles et lesdites zones à risque simulées.
Lorsque le procédé d'évaluation concerne l'application directe (voie 2) dudit algorithme de traitement par fouille de données aux données d'un patient, il est possible d'obtenir directement (c'est-à-dire sans calculs excessivement longs comparativement aux études fluidiques) au moins une modélisation de risque MRa en tant que support d'aide à la décision pour les praticiens.
Avantageusement, dans des variantes avancées du procédé d'évaluation de risque selon l'invention, la détermination, par ledit algorithme de traitement par fouille de données, des données numériques DN (DNe, DNa) est en outre effectuée à partir d'un jeu de paramètres JSP spécifique audit patient P±. Avantageusement, ledit jeu de paramètres JSP spécifique audit patient P± est acquis en amont du procédé. Ledit jeu de paramètres spécifiques JSP comprend par exemple : - l'âge du patient, - le genre du patient, - taille du patient, - poids du patient, - existence et nature de pathologies connexes (sténose, thrombose, déchirement aortique, hyperviscosité...) .
Avantageusement, dans des variantes avancées du procédé d'évaluation de risque selon l'invention, dans le cas où la valeur de l'erreur de capacité prédictive est inférieure au seuil prédéfini (voie 2), le procédé consiste en outre à effectuer les étapes 8, 10 et 11 dans cet ordre, après l'étape 7.
Avantageusement, dans des variantes avancées du procédé d'évaluation de risque selon l'invention, celui-ci comprend en outre au moins une étape L d'évaluâtion et/ou de validation du (ou des) paramètre(s) du jeu de paramètres JP à analyser (voie 1 et/ou voie 2).
Préférentiellement, la (ou les) étape(s) L d'évaluation et/ou de validation du (ou des) paramètre (s) du jeu de paramètres JP à analyser sont effectuées exclusivement lorsque le procédé emprunte la voie 1 d'acquisition de connaissances (valeur de l'erreur de capacité prédictive Ec supérieure au seuil prédéfini SE).
Avantageusement, la (ou les) étape(s) L d'évaluation et/ou de validation du (ou des) paramètre (s) du jeu de paramètres JP est effectuée après l'étape 8 et repose sur l'exploitation des résultats issus d'au moins une étape parmi : étape 8, étude(s) complémentaire(s).
Une (ou les) étude complémentaire peut être par exemple (et de manière non limitative) : • la réalisation d'une étude (étude CFD et/ou FSI et/ou autre...) sur un fantôme (c'est-à-dire une réplique physique, par exemple en silicone, destinée à l'expérimentation) correspondant au cas patient étudié, • la réalisation d'une étude (étude CFD et/ou FSI et/ou autre...) à partir d'au moins une autre représentation R' du cas patient étudié (par exemple : images post-opératoires).
Ainsi, lorsque l'on choisit le second exemple d'étude complémentaire, on compare les résultats des études fluidigues sur le cas patient avant opération (étape 8), et après opération (étude complémentaire).
Avantageusement, l'étape L d'évaluation et/ou de validation du (ou des) paramètre(s) du jeu de paramètres JP repose sur l'exploitation des résultats issus de l'étape 8 et d'au moins une étude complémentaire et consiste à comparer : o les données numériques (valeurs numériques) DNe issues de l'étude fluidique (étape 8) et les données numériques issues de ladite étude complémentaire, afin de vérifier si leur correspondance est suffisante, et/ ou o la modélisation de risque MRe issues de l'étude fluidique (étape 8) et la (ou les) modélisation de risque issue de ladite étude complémentaire, afin de vérifier si la correspondance entre les zones à risque est suffisante.
Préférentiellement, lorsque l'étape L est employée en tant qu'étape d'évaluation du (ou des) paramètre(s) du jeu de paramètres JP, elle donne au praticien une information sur la validité du jeu de paramètres JP constitué à l'étape 6, et elle consiste au moins à : o comparer (tel que décrit au paragraphe précédent) les données numériques DN et/ou les modélisations de risque obtenues à partir du (ou des) paramètre (s) du jeu de paramètres JP à analyser, et o sur la base de la comparaison, attribuer un niveau de précision prédictive Np audit (auxdits) paramètre(s) du jeu de paramètre JP à analyser parmi une échelle de niveaux de précision.
Sur cette base informative (niveau de précision prédictive Np des paramètres), le praticien peut réajuster le jeu de paramètres JP.
Préférentiellement, lorsque l'étape L est employée en tant qu'étape de validation du (ou des) paramètre(s) du jeu de paramètres JP, elle consiste au moins à : o faire varier le jeu de conditions entrée-sortie SC mis en œuvre lors de l'étape 8 (par exemple en effectuant une modification stochastique d'au moins un paramètre dudit jeu SC), o comparer (tel que décrit au paragraphe précédent) les données numériques DN et/ou les modélisations de risque obtenues à partir du (ou des) paramètre (s) du jeu de paramètres JP à analyser, et o sur la base de la comparaison, attribuer un niveau de précision prédictive Np audit (auxdits) paramètre(s) du jeu de paramètre JP à analyser parmi une échelle de niveaux de précision, o mettre à jour au moins le jeu de paramètres JP à analyser, constitué à l'étape 6, de manière à ce qu'il inclue le (ou les) paramètre(s) possédant un niveau de précision prédictive Np suffisant.
Préférentiellement, l'attribution d'un niveau de précision prédictive Np s'effectue de manière binaire : soit le paramètre est considéré comme prédictif, soit il ne l'est pas .
Avantageusement, dans des variantes évoluées du procédé, la mise à jour consiste à mettre à jour une liste associant : o les paramètres du jeu de paramètres JP possédant le niveau de précision Np le plus élevé, et/ou o les conditions d'entrée-sortie SC correspondantes permettant d'atteindre ledit niveau de précision Np le plus élevé.
Préférentiellement, la mise à jour du jeu de paramètres JP à analyser, constitué à l'étape 6, est effectuée de manière à ce qu'il inclue exclusivement le (ou les) paramètre (s) possédant le niveau de précision prédictive Np le plus élevé.
Avantageusement, lorsque l'étape L est employée en tant qu'étape de validation du (ou des) paramètre (s) du jeu de paramètres JP, elle peut soit : o être effectuée après l'étape 8 et avant l'étape 11, sans influencer les étapes 9 et 10, o être effectuée après l'étape 8 et conditionner le passage à l'étape 9.
Préférentiellement, lorsque l'étape L est employée en tant qu'étape de validation du (ou des) paramètre(s) du jeu de paramètres JP, elle impose un bouclage du procédé sur les étapes successives 8 et L tant que le jeu de conditions d'entrée-sortie SC (appliquées pour l'étude fluidique) ne permet pas aux paramètres du jeu de paramètres JP d'atteindre un niveau de précision Np suffisant. Ce bouclage est représenté sur la figure 2 à l'aide d'une flèche à trait double qui symbolise la mise à jour du jeu de paramètre JP (dernière sous-étape de l'étape L de validation), et n'existe pas lorsque l'étape L est employée en tant qu'étape d'évaluation du (ou des) paramètre(s) du jeu de paramètres JP.
Avantageusement, le niveau de précision Np est choisi en fonction de la pathologie (ou du faisceau de pathologies) étudiée.
Avantageusement, un niveau de précision Np est choisi pour un ensemble de paramètres (une combinaison d'une partie des paramètres du jeu de paramètres JP, ou la totalité du jeu de paramètre) du jeu de paramètre JP.
Préférentiellement, un niveau de précision Np est choisi pour chaque paramètre du jeu de paramètre JP.
Préférentiellement, pour chaque paramètre du jeu de paramètre JP, le niveau de précision Np est choisi en fonction de la pathologie (ou du faisceau de pathologies) étudiée.
Préférentiellement, le niveau de précision Np est considéré suffisant lorsqu'il existe une différence de 20% ou moins entre les données numériques DN et/ou les modélisations de risque simulées et attendues (réelles), correspondant au paramètre considéré (appartenant au jeu de paramètres JP).
Avantageusement, lorsqu'au moins un jeu de conditions d'entrée-sortie SC est identifié comme permettant aux paramètres du jeu de paramètres JP d'atteindre un niveau de précision Np suffisant (étape L est employée en tant qu'étape de validation), et/ou lorsque la correspondance entre les données numériques DN et/ou les modélisations de risque est suffisante, le procédé passe à l'étape 9.
Au vu de l'ensemble des caractéristiques exposées ci-avant, l'Homme du métier sait apprécier les avantages que l'invention procure, ainsi que l'intérêt d'une utilisation au bénéfice de patients atteints de bicuspidie.
Bien entendu, les étapes précédemment décrites ne sont pas limitatives, et l'Homme du métier sait choisir, combiner et/ou compléter les étapes les plus propices à l'évaluation de risque au niveau d'une région vasculaire d'intérêt, en fonction de l'application visée.
Par ailleurs, l'invention concerne un système pour l'évaluation de risque au niveau d'une région vasculaire d'intérêt V, apte à mettre en œuvre un procédé d'évaluation de risque tel que détaillé précédemment, et comprenant : - au moins un moyen d'imagerie médicale, destiné à imager la région vasculaire d'intérêt du (des) patient, - au moins une unité de stockage de données, destinée au stockage de données, - une unité de traitement des données apte à communiquer avec ledit moyen d'imagerie médicale et/ou avec ladite unité de stockage de données, et apte à traiter les données selon le procédé prévu par l'invention, afin entre autres de produire (générer) des modélisations de risque MR indiquant et/ou permettant d'évaluer, de manière prédictive, le niveau de risque NR (rupture d'anévrisme, coarctation...) et les zones à risque associées (l'évaluation ayant lieu spatialement et/ou temporellement), et destinées à servir de support d'aide à la prise de décision médicale par un praticien.
Avantageusement, ladite unité de stockage de données est destinée au stockage de données : - externes, et/ou - issues du procédé en tant que tel, par exemple entre autres : les représentations R, les modélisations M, la (ou les) valeur de l'erreur de capacité prédictive de l'algorithme de traitement par fouille de données, les jeux de paramètres prédictifs, les jeux de paramètres spécifiques aux patients.
Enfin, l'Homme du métier sait apprécier toute l'utilité et la facilité d'utilisation d'un procédé d'évaluation de risque selon l'invention, dans un système d'évaluation de risque adapté, comparativement aux procédés et systèmes existants.
Possibilité d'application industrielle
On comprend bien que le procédé selon l'invention est particulièrement efficace pour permettre l'obtention de modélisations précises, voire évolutives (spatialement et temporellement) des risques encourus par le patient, tel que le risque de rupture d'anévrisme. Ce procédé peut par ailleurs être employé pour traiter des images DICOM provenant directement (ou indirectement, par exemple par conversion numérique) de systèmes d'imagerie tels que : appareil IRM, appareil d'angiographie...
Bien entendu, il est clair que la présente invention ne se limite pas aux seules formes d'exécution décrites ; elle en embrasse, au contraire, toutes les variantes de réalisation et d'application respectant le même principe.
Claims (9)
- REVENDICATIONS1- Procédé d'évaluation de risque au niveau d'une région vasculaire d'intérêt V, mettant en œuvre un algorithme de traitement par fouille de données, caractérisé en ce qu'il comprend les étapes suivantes pour chaque cas patient successif P± parmi un ensemble de patients {Pi, Pi, Pn-1} : Etape 1. tester la valeur de l'erreur de capacité prédictive Ec dudit algorithme de traitement par fouille de données la plus récemment connue, définie supérieure à un seuil prédéfini SE lors de la première itération du procédé, et si la valeur de l'erreur Ec est supérieure audit seuil prédéfini SE effectuer au moins les étapes 2 à 11 qui suivent dans cet ordre, sinon effectuer au moins les étapes 2-3-5-6-7 qui suivent dans cet ordre, Etape 2. acquérir au moins une représentation R d'une région vasculaire d'intérêt V dudit patient Pi, Etape 3. reconstruire, à partir de ladite représentation R, au moins une modélisation M de ladite région d'intérêt V parmi : modélisation primaire MP, modélisation corrigée MC, Etape 4. générer à partir de ladite modélisation M au moins un maillage T (TP, TC) de ladite région d'intérêt V, Etape 5. extraire, à partir d'au moins une modélisation M et/ou d'au moins un maillage T, des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V, Etape 6. constituer un jeu de paramètres JP à analyser afin d'évaluer les risques au niveau de ladite région d'intérêt V, à partir au moins d'une liste préenregistrée de paramètres, Etape 7. déterminer les données numériques DNa prédictives de risque associées à au moins un paramètre dudit jeu de paramètres JP constitué à l'étape 6, par ledit algorithme de traitement par fouille de données, à partir au moins des données DG relatives à la géométrie de ladite région vasculaire d'intérêt V, attribuer un niveau de risque NRa audit paramètre parmi une échelle de niveaux de risque, et générer une modélisation MRa de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre dudit jeu de paramètres JP à partir desdites données numériques DNa déterminées, Etape 8. déterminer les données numériques DNe (DNec, DNef) prédictives de risque, associées à au moins un paramètre dudit jeu de paramètres JP constitué à l'étape 6, par une étude fluidique comprenant au moins une étude CFD, à partir au moins d'un ensemble de maillages comprenant au moins un maillage généré à l'étape 4, et d'au moins un jeu de conditions entrée-sortie SC adapté, attribuer un niveau de risque NRe audit paramètre parmi une échelle de niveaux de risque, et générer une modélisation MRe (MRec, MRef) de risque au niveau de ladite région d'intérêt V au moins pour chaque paramètre dudit jeu de paramètres JP à partir desdites données numériques DNe (DNec, DNef) déterminées, Etape 9. évaluer l'erreur de capacité prédictive Ec de l'algorithme de traitement par fouille de données par rapport à l'étude fluidique, par comparaison au moins des résultats des étapes 7 et 8, et enregistrer la valeur de l'erreur de capacité Ec, Etape 10. entraîner ledit algorithme de traitement par fouille de données en lui fournissant au moins les résultats de l'étape 8 Etape il. enregistrer l'ensemble des données obtenues dans une base de données de cas patient au niveau d'une unité de stockage de données.
- 2- Procédé d'évaluation de risque selon la revendication précédente caractérisé en ce que la détermination, par ledit algorithme de traitement par fouille de données, des données numériques DN (DNa, DNe) est en outre effectuée à partir d'un jeu de paramètres JSP, spécifique audit patient P±.
- 3- Procédé d'évaluation de risque selon l'une quelconque des revendications précédentes caractérisé en ce que l'ensemble de maillages employé à l'étape 8 comprend en outre au moins un maillage adapté TA constitué à partir dudit maillage primaire TP en effectuant une modification stochastique d'au moins un paramètre lié audit maillage primaire TP.
- 4- Procédé d'évaluation de risque selon l'une quelconque des revendications précédentes caractérisé en ce que dans le cas où la valeur de l'erreur de capacité prédictive Ec est inférieure au seuil prédéfini SE, le procédé consiste en outre à effectuer les étapes 8, 10 et il dans cet ordre, après l'étape 7.
- 5- Procédé d'évaluation de risque selon l'une quelconque des revendications précédentes caractérisé en ce que les maillages relatifs aux parois externes de l'aorte et/ou à la valve sont de type hexaédrique, et le maillage relatif à la zone interne de flux est de type tétraédrique.
- 6- Procédé d'évaluation de risque selon l'une quelconque des revendications précédentes caractérisé en ce qu'il comprend en outre au moins une étape L d'évaluation et/ou de validation du (ou des) paramètre(s) du jeu de paramètres JP à analyser, effectuée dans le cas où la valeur de l'erreur de capacité prédictive Ec est supérieure au seuil prédéfini SE et après l'étape 8.
- 7- Procédé d'évaluation de risque selon la revendication précédente caractérisé en ce que l'étape L est une étape de validation des paramètres du jeu de paramètres JP à analyser, et consiste au moins à : o faire varier le jeu de conditions entrée-sortie SC mis en œuvre lors de l'étape 8 (par exemple en effectuant une modification stochastique d'au moins un paramètre dudit jeu SC), o comparer (tel que décrit au paragraphe précédent) les données numériques DN et/ou les modélisations de risque obtenues à partir du (ou des) paramètre (s) du jeu de paramètres JP à analyser, et o sur la base de la comparaison, attribuer un niveau de précision prédictive Np audit (auxdits) paramètre(s) du jeu de paramètre JP à analyser parmi une échelle de niveaux de précision, o mettre à jour au moins le jeu de paramètres JP à analyser, constitué à l'étape 6, de manière à ce qu'il inclue le (ou les) paramètre(s) possédant un niveau de précision prédictive Np suffisant.
- 8- Procédé d'évaluation de risque selon la revendication précédente caractérisé en ce qu'il existe un bouclage sur les étapes successives 8 et L tant que le jeu de conditions d'entrée-sortie SC ne permet pas aux paramètres du jeu de paramètres JP d'atteindre un niveau de précision Np suffisant, et en ce que lorsqu'au moins un jeu de conditions d'entrée-sortie SC est identifié comme permettant aux paramètres du jeu de paramètres JP d'atteindre un niveau de précision Np suffisant, et/ou lorsque la correspondance entre les données numériques DN et/ou les modélisations de risque est suffisante, le procédé passe à l'étape 9.
- 9- Système pour l'évaluation de risque au niveau d'une région vasculaire d'intérêt V, mettant en œuvre un procédé d'évaluation de risque selon l'une quelconque des revendications 1 à 8, comprenant : - au moins un moyen d'imagerie médicale, destiné à imager la région vasculaire d'intérêt V du (des) patient, - au moins une unité de stockage de données, - une unité de traitement des données apte à communiquer avec ledit moyen d'imagerie médicale et/ou avec ladite unité de stockage de données, et apte à traiter les données selon le procédé prévu par l'invention, afin entre autres de produire des modélisations de risque MR indiquant le niveau de risque NR et les zones associées, et destinées à servir de support d'aide à la prise de décision médicale par un praticien.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1750859A FR3062498B1 (fr) | 2017-02-02 | 2017-02-02 | Systeme et procede pour l'evaluation de risques vasculaires |
| PCT/EP2018/051851 WO2018141628A1 (fr) | 2017-02-02 | 2018-01-25 | Systeme et procede pour l'evaluation de risques vasculaires |
| US16/477,846 US11152122B2 (en) | 2017-02-02 | 2018-01-25 | System and method for evaluating vascular risks |
| EP18702205.8A EP3577585A1 (fr) | 2017-02-02 | 2018-01-25 | Systeme et procede pour l'evaluation de risques vasculaires |
| JP2019542521A JP7082131B2 (ja) | 2017-02-02 | 2018-01-25 | 血管リスクを評価するためのシステムおよび方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1750859A FR3062498B1 (fr) | 2017-02-02 | 2017-02-02 | Systeme et procede pour l'evaluation de risques vasculaires |
| FR1750859 | 2017-02-02 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3062498A1 FR3062498A1 (fr) | 2018-08-03 |
| FR3062498B1 true FR3062498B1 (fr) | 2019-06-07 |
Family
ID=59031064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1750859A Active FR3062498B1 (fr) | 2017-02-02 | 2017-02-02 | Systeme et procede pour l'evaluation de risques vasculaires |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11152122B2 (fr) |
| EP (1) | EP3577585A1 (fr) |
| JP (1) | JP7082131B2 (fr) |
| FR (1) | FR3062498B1 (fr) |
| WO (1) | WO2018141628A1 (fr) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022550782A (ja) * | 2019-09-27 | 2022-12-05 | ビター・メディカル・ソリューションズ・インコーポレイテッド | 血管の領域破裂の可能性を決定するための方法及びシステム |
| CN112164467B (zh) * | 2020-10-21 | 2022-07-08 | 北京理工大学 | 介入术后血管再撕裂风险预测方法及其系统与设备 |
| CN112949685B (zh) * | 2021-01-28 | 2022-04-22 | 中南大学湘雅二医院 | 一种基于提升树模型的主动脉夹层手术风险预测方法 |
| CN116680752B (zh) * | 2023-05-23 | 2024-03-19 | 杭州水立科技有限公司 | 一种基于数据处理的水利工程安全监测方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090088624A1 (en) | 2006-01-23 | 2009-04-02 | Karen Nussbaumer | Methods and Apparatus for Diagnosing and Treating Aneurysms |
| US8812431B2 (en) | 2010-02-03 | 2014-08-19 | Siemens Aktiengesellschaft | Method and system for medical decision support using organ models and learning based discriminative distance functions |
| CN103917165B (zh) * | 2011-08-26 | 2016-02-24 | Ebm株式会社 | 用于血流性状诊断的系统 |
| JP6230782B2 (ja) | 2012-11-15 | 2017-11-15 | 東芝メディカルシステムズ株式会社 | 動脈瘤破裂リスク解析プログラム |
| JP2015011365A (ja) * | 2013-06-26 | 2015-01-19 | 日本電信電話株式会社 | プロビジョニング装置、システム、プロビジョニング方法、および、プロビジョニングプログラム |
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| US9155512B2 (en) * | 2013-12-18 | 2015-10-13 | Heartflow, Inc. | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
| US9349178B1 (en) * | 2014-11-24 | 2016-05-24 | Siemens Aktiengesellschaft | Synthetic data-driven hemodynamic determination in medical imaging |
| WO2016075331A2 (fr) * | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Procédé et système pour évaluation à base d'apprentissage automatique purement géométrique du flux de réserve coronaire |
| WO2016161308A1 (fr) * | 2015-04-02 | 2016-10-06 | Heartflow, Inc. | Systèmes et procédés permettant de prédire des déficits d'irrigation à partir de caractéristiques physiologiques, anatomiques et liées au patient |
-
2017
- 2017-02-02 FR FR1750859A patent/FR3062498B1/fr active Active
-
2018
- 2018-01-25 WO PCT/EP2018/051851 patent/WO2018141628A1/fr unknown
- 2018-01-25 JP JP2019542521A patent/JP7082131B2/ja active Active
- 2018-01-25 US US16/477,846 patent/US11152122B2/en active Active
- 2018-01-25 EP EP18702205.8A patent/EP3577585A1/fr active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3577585A1 (fr) | 2019-12-11 |
| JP2020506486A (ja) | 2020-02-27 |
| US20190371473A1 (en) | 2019-12-05 |
| US11152122B2 (en) | 2021-10-19 |
| JP7082131B2 (ja) | 2022-06-07 |
| FR3062498A1 (fr) | 2018-08-03 |
| WO2018141628A1 (fr) | 2018-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3062498B1 (fr) | Systeme et procede pour l'evaluation de risques vasculaires | |
| Zhou et al. | A novel artificial intelligence system for the assessment of bowel preparation (with video) | |
| US20200155106A1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries | |
| Massey et al. | The microcirculation image quality score: development and preliminary evaluation of a proposed approach to grading quality of image acquisition for bedside videomicroscopy | |
| US9265441B2 (en) | Assessment of traumatic brain injury | |
| JP7170145B2 (ja) | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 | |
| Farag et al. | Aortic valve stenosis and aortic diameters determine the extent of increased wall shear stress in bicuspid aortic valve disease | |
| US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
| Soon et al. | Updates in the quantitative assessment of liver fibrosis for nonalcoholic fatty liver disease: histological perspective | |
| KR20200005413A (ko) | 심혈관 질병 진단 보조 방법 및 장치 | |
| EP2036044B1 (fr) | Méthode d'estimation du potentiel de croissance des infarctus cérébraux | |
| CN110490927A (zh) | 用于为图像中的对象生成中心线的方法、装置和系统 | |
| JP7239701B2 (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| US9117121B2 (en) | Detection of disease-related retinal nerve fiber layer thinning | |
| US20240304309A1 (en) | Method And System For Assessing Nonalcoholic Steatohepatitis | |
| Gharleghi et al. | Transient wall shear stress estimation in coronary bifurcations using convolutional neural networks | |
| van der Graaf et al. | Lumbar spine segmentation in MR images: a dataset and a public benchmark | |
| Wang et al. | Deep learning for discrimination of hypertrophic cardiomyopathy and hypertensive heart disease on MRI native T1 maps | |
| JP7313595B2 (ja) | Ｍｒｉ後処理システムと方法 | |
| Mares et al. | AI-based support for optical coherence tomography in age-related macular degeneration | |
| CN104657987A (zh) | 基于pet/ct图像质量客观算法的评价方法及系统 | |
| Wang et al. | Analysis of spatio‐temporal brain imaging patterns by hidden markov models and serial MRI images | |
| CN118160000A (zh) | 用于生物标志物识别和发现的方法和系统 | |
| CN115115900A (zh) | 图像重建模型的训练方法、装置、设备、介质及程序产品 | |
| FR3083358A1 (fr) | Systeme et procede pour produire un indicateur graphique multiparametrique a partir d'une image d'une coupe histologique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20180803 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| PLFP | Fee payment |
Year of fee payment: 8 |