WO2018141628A1 - Systeme et procede pour l'evaluation de risques vasculaires - Google Patents

Systeme et procede pour l'evaluation de risques vasculaires Download PDF

Info

Publication number
WO2018141628A1
WO2018141628A1 PCT/EP2018/051851 EP2018051851W WO2018141628A1 WO 2018141628 A1 WO2018141628 A1 WO 2018141628A1 EP 2018051851 W EP2018051851 W EP 2018051851W WO 2018141628 A1 WO2018141628 A1 WO 2018141628A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
parameter
interest
parameters
region
Prior art date
Application number
PCT/EP2018/051851
Other languages
English (en)
Inventor
Jean-Joseph CHRISTOPHE
Original Assignee
Casis - Cardiac Simulation & Imaging Software
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 Casis - Cardiac Simulation & Imaging Software filed Critical Casis - Cardiac Simulation & Imaging Software
Priority to JP2019542521A priority Critical patent/JP7082131B2/ja
Priority to US16/477,846 priority patent/US11152122B2/en
Priority to EP18702205.8A priority patent/EP3577585A1/fr
Publication of WO2018141628A1 publication Critical patent/WO2018141628A1/fr

Links

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

Definitions

  • the present invention relates to the field of medical imaging and related image analysis protocols. It relates more particularly to a method for evaluating and predicting the risk of aneurysm leading to the development of risk maps intended to serve, for example, to support medical decision-making by a practitioner.
  • Document US 2015/164342 discloses a method of evaluating vascular risk in which a learning algorithm is used to predict vascular risk from a set of parameters whose numerical values are calculated from fluidic modeling or mechanical.
  • US 9,349,178 discloses a method for determining hemodynamic amounts using a learning method driven solely from synthetic data.
  • Improving the prediction of the evolution of a pathology is a major clinical concern for health personnel, particularly in the diagnosis and treatment of aneurysms, such as aortic aneurysms, and associated abnormalities such as aortic stenosis, coarctation of the aorta, or malformations related to a bicuspid aortic valve.
  • aneurysms such as aortic aneurysms
  • associated abnormalities such as aortic stenosis, coarctation of the aorta, or malformations related to a bicuspid aortic valve.
  • aneurysm is defined as a localized permanent dilatation of an artery, with loss of edge parallelism.
  • aneurysm essentially take into account geometrical data specific to the only patient to be treated, such as the diameter of the aorta and the rate of inflation of the aneurysm. aneurysm. These methods, which are not very precise, have well-known limits. Among other things, they do not allow the practitioner to establish an accurate diagnosis, since on the one hand the rupture of an aneurysm can occur independently of the diameter of the vascular region affected, an increase in the diameter of an artery n ' does not systematically cause a risk of aneurysm rupture, and vice versa, aneurysm rupture can be triggered without previously having observed an increase in the diameter of the artery.
  • the present invention intends to overcome the aforementioned drawbacks (low accuracy, complexity, cost in time and quantities of resources to be allocated) and provide decision support elements for practitioners, by proposing a rapid process that can be implemented. implemented in a very large number of medical imaging systems.
  • the proposed evaluation method relates to the risk assessment at a vascular region of interest V, such as the thoracic aorta, or the abdominal aorta.
  • the first is broadly speaking (but not limited to):
  • MR risk modeling MR A , MR E
  • the evaluation of the predictive capacity of predictive parameters (or not) of a game parameters JP to analyze allowing for example, and without limitation, of:
  • some initial parameters may, for example, lose their predictive value when other new and considered more efficient parameters are included in the game, it is then possible to either keep all the parameters in the game or to exclude the parameters having lost their predictive interest,
  • the second pathway (pathway 2 or clinical application route) consists in broad outline of applying said processing algorithm by a learning method to a patient in order to obtain directly, that is to say without calculations. excessively long and / or with a reduced number of treatment steps, at least one MR risk modeling as a decision support medium for practitioners.
  • the learning method may be, for example, a data mining method.
  • the transition between the acquisition of knowledge (pathway 1) and the clinical application (pathway 2) takes place when the set of parameters JP to be analyzed is fully constituted, that is to say when all the parameters are validated (their predictive ability being confirmed).
  • the parameter (s) of the JP parameter set to be analyzed is validated either:
  • the set of JP parameters to be analyzed is independent of the patient.
  • the step of generating MR risk modeling (whatever the stage of the process in which it occurs) comprises:
  • the step of generating a risk model MR associated with a parameter of the set of parameters JP to be analyzed comprises, inter alia, a step of assigning a risk level NR (NR A , NR E ). among a risk level scale, each digital data item DN (DN A , DN E ) calculated for said parameter of the JP parameter set to be analyzed.
  • a risk level NR NR A , NR E
  • a risk level NR (among a scale of risk levels) is assigned to a set of digital data DN (DN A , DN E ) close in terms of:
  • the generation of a modeling comprehensive includes a step of determining and assigning an overall risk level (from a risk level scale), for example on the basis of a calculation involving, inter alia:
  • the digital data DN (DN A , DN E ) are calculated at each point of the corresponding mesh (that is to say: at each point of the mesh used during the calculation, if this mesh exists).
  • the assignment of a risk level NR to each digital data item DN is performed at each point of the corresponding mesh (ie: at each point of the mesh used during the calculation , if this mesh exists).
  • the risk modeling MR is presented in a format comprising visual cues allowing the rapid identification of risk areas (risk of occurrence of an aneurysm, risk of rupture of an aneurysm, risk of occurrence of an coarctation).
  • the modeling can be in the form of a table of data, an image, a video, or a graph (curves, histograms %) in which the numerical data are highlighted in a different depending on the NR risk level to which they correspond.
  • each risk level NR is associated with a particular visual cue, such as a color, a marker, or any possible combination of visual cues.
  • the modeling is in the form of a 3D map on which the visual cues are distributed and merged by risk level NR, for example when the visual cues are points. colored, their "fusion" will give birth to homogeneous solid areas of color, making it easy to quickly identify risky areas.
  • the modeling can be in the form of a 4D cartography (for example a 3D cartography fluctuating with time), allowing the visualization of the evolution of risk over a given period.
  • 4D cartography for example a 3D cartography fluctuating with time
  • FIG. 1 is a diagram illustrating a vascular region of interest V, such as an aneurysm present at the level of the aorta, and certain data relating to its geometry,
  • FIG. 2 is a diagram illustrating the main steps of the method according to the invention.
  • a fusiform aneurysm is described with reference to its central line LC still called a median line (in a reference based on the central line), which corresponds to a virtual line passing through the center of the light aort ique.
  • the exploration length L that is to say the length corresponding to the total horizontal projection of said modelization M
  • the diameter D of the aorta, - the internal radius B of the aneurysm (perpendicular to the central line LC of the aneurysm), which corresponds to the radius of the central line of the aorta to the inner wall of the aneurysm (that is to say the wall with the smallest bulge)
  • the external radius C of the aneurysm (perpendicular to the central line LC of the aneurysm), which corresponds to the radius of the central line of the aorta to the external wall of the aneurysm (that is to say the wall with the largest bulge),
  • aneurysms having other forms, such as saccharine aneurysms or multilobular.
  • Figure 2 is a diagram illustrating the steps of the method according to the invention.
  • Pathway 1 of the method which concerns at least the development and acquisition of knowledge by the processing algorithm by a learning method is indicated by the single arrows with black tips between the different steps (boxes) of the process concerned. .
  • Pathway 2 of the method which relates to the clinical application of said processing algorithm by a learning method (and which consists in applying said processing algorithm by a learning method to a patient in order to directly obtain at least one modeling of risk MR A ) is indicated by the double arrows with black tips and / or white between the steps (boxes) of the process concerned and grayed out.
  • the said risk assessment method at a level of Vascular region of interest V, implementing a processing algorithm by a learning method is remarkable in that it comprises the following steps for each successive patient case P x among a set of patients ⁇ Pi, P ⁇ , P n ⁇ :
  • Step 1 test the value of the predictive capability error E c of said processing algorithm by a most recently known learning method (for example: stored in memory or input by the practitioner), said value of the error of predictive capacitance E c being defined greater than a predefined threshold SE during the first iteration of the method, and if the value of the error is greater than said predefined threshold SE: performing at least steps 2 to 11 which follow in this order, otherwise perform at least steps 2, 3, 5, 6 and 7 in this order.
  • a predefined threshold SE a predefined threshold SE during the first iteration of the method
  • the value of the error is greater than said predefined threshold SE: performing at least steps 2 to 11 which follow in this order, otherwise perform at least steps 2, 3, 5, 6 and 7 in this order.
  • said predefined threshold SE perform at least steps 2, 3, 4, 5, 6 and 7 in this order.
  • Step 2. acquire at least one representation R of a vascular region of interest V of said patient P x , Step 3 reconstruct, from said representation R, at least one modeling M of said region of interest V among: modeling primary PM, corrected modeling MC,
  • Step 4 generate from said modelization M at least one mesh T (P, TC) of said region of interest V,
  • Step 5 Extract, from at least one modelization M resulting from stage 3 and / or from at least one mesh T from stage 4, DG data relating to the geometry of said vascular region. interest V, Step 6. Create a set of JP parameters to be analyzed, in order to evaluate the risks at said region of interest V, from at least one pre-recorded list of predictive and / or non-predictive parameters,
  • Step 7 determining the risk-predictive digital data DN A , associated with at least one parameter of said set of parameters JP constituted in step 6, by said processing algorithm by a learning method, based on at least DG data relating to the geometry of said vascular region of interest V, assigning a risk level NR A to said parameter (of said set of parameter JP) among a scale of risk levels, and generating risk modeling MR A at said region of interest V at least for each parameter of said set of parameters JP from said determined numerical data DN A ,
  • Step 8 determining the risk-predictive numerical data DN E (DN EC , DN EF ) associated with at least one parameter of said set of parameters JP constituted in step 6 by a fluidic study comprising at least one CFD study (in CFD: Computational Fluid Dynamics), starting from at least one set of meshes comprising at least one mesh generated in step 4 and at least one set of input-output conditions SC adapted, assigning a level of risk NR E said parameter (of said JP parameter set) among a risk level scale, and generate a risk MR E model (MR EC , MR EE ) at said region of interest V at least for each parameter of said set JP parameters from said determined digital data DN E (DN EC , DN EE ),
  • Step 9 evaluate the predictive ability error E c of the processing algorithm by a learning method with respect to the fluid study, by comparing at least the results of steps 7 and 8, and record the value of the error of capacity E c ,
  • Step 10 train said processing algorithm by a learning method by providing at least the results of step 8
  • Step 11 record all the obtained data in a patient case database at a data storage unit.
  • the generation of a (or) modeling (s) MR A and / or MR E (MR EC , MR EF ) of risk at said region of interest V takes place when the method according to the invention borrows Lane 1 and / or 2.
  • the generation of a (or) MR A and / or MR E modeling (MR EC , MR EE ) of risk at said region of interest V takes place only when the method according to the invention follows path 2.
  • the method according to the invention is a method applied to a sample of patients ⁇ Pi, P x , P n ⁇ , that is, the method is applied to a first patient, then to a second patient, and so right now.
  • the steps that make up said method are scalable, depending on the value of the predictive ability error E c assigned to the processing algorithm by a learning method that it uses.
  • the evaluation method relates first of all to the development and training of a processing algorithm by a learning method.
  • This first path of said method is taken when the value of the predictive ability error E c assigned to the processing algorithm by a learning method is greater than a predefined threshold SE, and consists in performing at least steps 2 to 11 of said method, preferably in this order.
  • step 8, or steps 8 and 10 may be performed before step 7.
  • the evaluation method takes a second way which consists in exploiting said algorithm of treatment by a learning method.
  • the evaluation method consists of at least steps 2, 3, 5, 6 and 7, typically in this order.
  • step L (described below) can be inserted between steps 8 and 9 when the method borrows the channel 1 d acquisition of knowledge.
  • the method according to the invention is capable of comprising, according to the value of the predictive ability error E c of said processing algorithm by a learning method:
  • step 1 to determine the route of prediction of risk to be taken, and of testing the value of the most recently known predictive capability error E c (for example: stored in memory or entered by the practitioner) and, if the error value is greater than a predefined threshold SE, perform at least steps 2 to 12 which follow (preferably in this order, that is to say in numerical order), otherwise perform at least steps 2, 3, 5, 6 and 7, preferably in this order.
  • E c predictive capability error
  • steps 2, 3, 4, 5, 6 and 7 are preferably carried out in this order.
  • This preferred variant is shown in FIG. 2 with double arrows with white tips between steps 3-4 and 4-5.
  • the value of the most recently known predictive capacity error E c is the last value recorded during a previous iteration of the method.
  • the practitioner can record, upstream of the launch of the method, a value of his choice for the predictive capacity error E c , this manually entered value will then be considered as the most recently known error. .
  • the initial value (value at the first iteration of the method, corresponding to the patient Pi) of the predictive capacity error E c is defined as being greater than the predefined threshold SE.
  • said predefined threshold SE is less than or equal to 20%. Preferably, said predefined threshold SE is less than or equal to 5%.
  • the representation R is chosen from: 4D flow MRI sequence, angiography, cine-MRI and the vascular region of interest V is a vascular region at risk of aneurysm, such as: region comprising the abdominal aorta and / or the thoracic aorta, including a popliteal artery region comprising the hepatic artery.
  • the vascular region of interest V is the region comprising the thoracic aorta.
  • a step 3 consisting in reconstructing, from said representation R, at least one modeling M of said region of interest V among: primary modeling MP, corrected modeling MC.
  • the primary model MP corresponds exactly to said region of interest V (with its imperfections and / or its
  • the corrected modeling MC corresponds to a corrected version of said region of interest V, the correction consisting in removing the anomaly (the pathology) found at the level of said R representation, such as: aneurysm, coarctation ..., to obtain a model that corresponds to what should be said region of interest V if it was "healthy".
  • the volumetric mesh (s) constructed is of unstructured tetrahedral type for regions of interest such as macroscopic arteries and of hexahedral structured type for the region of interest that is the aortic valve.
  • the meshes relating to the walls of the aorta and / or the valve are of hexahedral type, and the mesh relative to the zone flow (ie the interior) is of tetrahedral type.
  • said step 4 of the method further comprises a substep of evaluation and validation of the generated meshes, consisting first of all in studying the sensitivity of said (or) mesh by varying (only or in combination) parameters such as: asymmetry, regularity, number of elements, and on the other hand to choose a set of most appropriate mesh generation parameters.
  • the (or) mesh generated when the method borrows the lane 1 is volume
  • the (or) mesh generated when the method borrows the lane 2 is surface
  • a step 5 of extracting from at least one modelization M that is, for example from the primary model MP, or the corrected modeling MC
  • at least one mesh T whether it is for example a primary mesh TP or a mesh corrected TC or another mesh
  • DG data relating to the geometry of said vascular region of interest V.
  • the DG data are extracted:
  • the DG data comprise at least one of:
  • ⁇ the external radius C of the aneurysm (perpendicular to the central line LC of the aneurysm), which corresponds to the radius of the central line of the aorta to the external wall of the aneurysm (that is to say the wall with the largest bulge), ⁇ the length of the aneurysm AL, ie the average length of the aneurysm, and / or
  • the parameters JP are "local" parameters, that is to say the value of which depends, among other things, on the position in the region of interest V.
  • a parameter value is defined for each node of the mesh of said region; for example, the values of certain parameters may be defined for sections of a blood vessel (eg the aorta) in the region of interest.
  • the set of parameters JP is constituted progressively, at least by selection in said fixed list.
  • the method according to the invention borrows the channel 1, the set of parameters
  • JP is likely to have predictive and non-predictive parameters.
  • the set of predictive parameters SPP is constituted by selection as defined above and / or by adding at least one additional parameter (predictive or non-predictive).
  • the addition of at least one additional parameter results from an input by the practitioner (the user, the researcher, the developer, etc.) and / or an update by the process itself (following another step of the method: for example, there may be a loopback of the process following step 7 and / or 8 detailed below).
  • the additional parameter added is recorded in said list (for example in order to keep a history of the parameters studied).
  • the set of parameters JP is constituted at least by selection in said list.
  • the parameter set JP exclusively includes predictive parameters.
  • the set of parameters JP is constituted by selection as defined above and by adding at least one additional parameter predictive.
  • the additional parameter is recorded in said list (for example in order to keep a history of the parameters studied).
  • the list is likely to include, during its constitution, validated (that is to say, really predictive) and / or non-validated (that is, supposedly predictive, rightly or wrongly) parameters.
  • the parameter (s) constituting the parameter set JP are chosen among others from among:
  • AWSS o average wall shear value over time
  • AWSS ⁇ J o T I WSS I dt
  • AWSSV Time-Averaged Wall Shear Stress Vector
  • AWSSV - *
  • GON o hemodynamic index
  • AFI formation index of a mid-systolic deceleration aneurysm
  • IP Inlet Pressure
  • the parameters of the JP set are based on shearing at the wall in a section of the aorta. This leads to using (at least) the following parameters:
  • a step 7 consisting of:
  • the algorithm for processing by a learning method functions as an emulator that approximates the digital data (values) of the parameters of the parameter set JP as a function of the data supplied to it.
  • the emulator is intended to be used (post-construction phase, channel 2) among others to: provide statistics on the output variables, and / or identify the relative importance of each variable d input, and / or identify sets of input parameters leading to particular output conditions.
  • the algorithm for processing by a learning method uses a technique such as: neural networks, in particular multilayer perceptron type, decision trees, Bayesian networks, self-adaptive cards.
  • This method was applied to the case of aneurysm using 9 input neurons and 5 output neurons, on a set of 3346 training examples. After 1000 iterations, the error was 3.51%.
  • the predictive DNA numerical data are determined at each point of the mesh (s) generated (primary TP and / or corrected TC or others) inter alia in step 4, and / or at each step of time.
  • a cardiac cycle (which usually lasts 0.8 seconds) is decomposed into a number of time steps of between ten and one hundred, and preferably in twenty steps of time.
  • a step 8 consisting in determining the risk-predictive DNE digital data associated with at least one parameter of said JP parameter set constituted in step 6, that is to say calculating the numerical values of said parameters, by a fluidic study comprising at least one CFD study, starting from at least: o a set of meshes comprising at least one mesh generated in step 4, and / or
  • the fluidic study comprises a study by numerical calculations of fluid dynamics (in English, CFD: Computational Fluid Dynamics).
  • the fluidic study comprises both a study by numerical calculations of fluid dynamics and a study of fluid-structure interactions (FSI: Fluid-Structure Interaction).
  • FAI Fluid-Structure Interaction
  • the fluidic study consists at least in solving the Navier-Stokes equations when the model is of macroscopic type and to solve the BGK-Bolt zmann equation when the model is of mesoscopic type.
  • the taking into account of the displacements of the walls is carried out by resolution of a neo-hooked hyperelastic model.
  • numerical data DN E are determined that can be: DN EC data corresponding to the fluidic CFD study, and / or DN EF data corresponding to the FSI fluidic study.
  • the set (s) of input-output conditions SC is (are):
  • the (or) set of input-output conditions SC is: selected from a pre-existing list and / or entered manually on demand and / or obtained by performing a stochastic modification of at least one parameter of an initial IC input-output condition set.
  • the set of input-output conditions SC comprises among others at least one parameter among: Reynolds number at the systolic peak at the input, effective valvular area (EOA) at the input, output resistance, input flow, profile of the input speed.
  • EOA effective valvular area
  • the numerical data DN E predictive are determined at each point of the (or) mesh (s) generated (primary TP and / or corrected TC) in step 4 and / or at each time step.
  • the set of meshes further comprises at least one adapted mesh TA formed from said primary mesh TP by performing a stochastic modification of at least one parameter related to said primary mesh TP.
  • the fluidic study takes into account, among others, at least one element among: the movement of the aorta due to breathing and cardiac movements, the elasticity of the aorta.
  • the evaluation of the predictive ability error E c of the processing algorithm by a learning method is performed at least by evaluating the error between:
  • the recording of the value of the error E c can consist of either overwriting the previously recorded value or saving the value in a list and assigning it an indicator signifying that it is the most recently calculated value.
  • step 10 of driving said processing algorithm by a learning method by providing at least the results of step 8
  • a step 11 (not shown in FIG. 2) of recording all the data obtained in a patient case database at a data storage unit.
  • step 9 consists in comparing:
  • step 9 the comparison of the digital data DN may consist of:
  • the numerical data DN associated with the model (s) resulting from the simulated case (s) (that is to say from the corrected mesh TC and / or other meshes, for example: adapted meshes TA ) is satisfactory, and / or
  • the comparison of risk modelizations MR can consist in:
  • the risk zones present on the model (or models) resulting from the simulated case (s) (that is to say from the corrected CT mesh and / or other meshes, for example: adapted meshes TA) is satisfactory, and / or
  • the error (for example: as a percentage reflecting the difference between the areas calculated for the risk zones, or in terms of the difference between the centers of the risk zones) between the said real risk zones and the said zones at risk. simulated risk.
  • the evaluation method relates to the direct application (channel 2) of said processing algorithm by a method of learning to the data of a patient, it is possible to obtain directly (that is to say without calculations excessively long compared to fluidic studies) at least one risk model MR A as a decision support tool for practitioners.
  • the determination, by said processing algorithm by a learning method, of digital data DN is furthermore carried out from a set of JSP parameters specific to said patient P x .
  • said set of JSP parameters specific to said patient P x is acquired upstream of the method.
  • Said set of JSP specific parameters comprises for example:
  • the method in the case where the value of the predictive capacity error is lower than the predefined threshold (channel 2), the method further consists in performing the steps 8, 10 and 11 in this order, after step 7.
  • the latter further comprises at least one step L of evaluation and / or validation of the parameter (s) of the set of parameters.
  • JP to be analyzed (lane 1 and / or lane 2).
  • the step (s) L of evaluation and / or validation of the parameter (s) of the set of JP parameters to be analyzed are carried out exclusively when the method borrows the path 1 acquisition of knowledge (value of the predictive capacity error E c greater than the predefined threshold SE).
  • step (s) L of evaluation and / or validation of the parameter (s) of the parameter set JP is performed after step 8 and is based on the exploitation of the results from at least one of: step 8, complementary study (s).
  • the evaluation and / or validation step L of the parameter (s) of the parameter set JP is based on the exploitation of the results resulting from step 8 and at least one complementary study and consists in comparing:
  • the step L when used as a step of evaluation of the parameter (s) of the set of parameters JP, it gives the practitioner information on the validity of the set of parameters JP constituted by the step 6, and it consists of at least:
  • the practitioner can readjust the JP parameter set.
  • the step L is used as a validation step of the parameter (s) of the parameter set JP, it consists at least of:
  • step 8 o vary the set of input-output conditions SC implemented during step 8 (for example by performing a stochastic modification of at least one parameter of said set SC),
  • the assignment of a predictive accuracy level N P is done in a binary manner: either the parameter is considered as predictive, or it is not.
  • the update consists in updating a list associating:
  • the update of the game of parameters JP to be analyzed, constituted in step 6, is performed in such a way that it exclusively includes the parameter (s) having the highest predictive accuracy level N P.
  • step L when step L is used as a validation step of the parameter (s) of the parameter set JP, it can either:
  • step 8 o be performed after step 8 and before step 11, without influencing steps 9 and 10, o be performed after step 8 and condition the passage to step 9.
  • step L when step L is used as a validation step of the parameter (s) of the parameter set JP, it imposes a looping of the process on the successive steps 8 and L as long as the set of SC input-output conditions (applied for fluidic study) does not allow the parameters of the JP parameter set to reach a sufficiently high level of precision N p .
  • This looping is represented in FIG. 2 by means of a double-line arrow which symbolizes the update of the parameter set JP (last substep of the validation step L), and does not exist when step L is used as a step of evaluating the parameter (s) of the JP parameter set.
  • the level of precision N p is chosen as a function of the pathology (or the group of pathologies) studied.
  • a precision level N p is chosen for a set of parameters (a combination of a part of the parameters of the parameter set JP, or the entire parameter set) of the parameter set JP.
  • a level of precision N p is chosen for each parameter of the parameter set JP.
  • the level of precision N p is chosen according to the pathology (or the pathology bundle) studied.
  • the precision level N p is considered sufficient when there is a difference of 20% or less between the digital data DN and / or the simulated and expected (real) risk models, corresponding to the parameter considered (belonging to the set of JP parameters).
  • step L is used as a validation step
  • step L is used as a validation step
  • the process proceeds to step 9.
  • the person skilled in the art knows appreciate the benefits that the invention provides, as well as the benefit of use for the benefit of patients with bicuspid disease.
  • the steps previously described are not limiting, and the skilled person knows how to choose, combine and / or complete the most favorable steps for the risk assessment at a vascular region of interest, depending of the intended application.
  • the invention relates to a system for evaluating risk at a vascular region of interest V, able to implement a risk assessment method as detailed above, and comprising: at least one medical imaging means, intended to image the vascular region of interest of the patient (s),
  • At least one data storage unit for storing data
  • a data processing unit capable of communicating with said medical imaging means and / or with said data storage unit, and able to process the data according to the method provided by the invention, in order inter alia to produce (generate ) MR risk models indicating and / or allowing the predictive evaluation of the NR risk level (aneurysm rupture, coarctation, etc.) and the associated risk areas (the assessment taking place spatially and / or or temporally), and intended to serve as a support for medical decision-making by a practitioner.
  • the NR risk level aneurysm rupture, coarctation, etc.
  • said data storage unit is intended for data storage:
  • the representations R the modelizations M, the (or the) value of the predictive capacity error of the processing algorithm by a learning method, the games predictive parameters, patient-specific parameter sets.
  • the method according to the invention is particularly effective to allow the obtaining of accurate modeling or evolutionary (spatially and temporally) of the risks incurred by the patient, such as the risk of rupture of aneurysm.
  • This method can also be used to process DICOM images coming directly (or indirectly, for example by digital conversion) from imaging systems such as: MRI apparatus, angiography apparatus, etc.

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 une méthode d'apprentissage, de générer des modélisations de risque MR (MRA, MRE) indiquant de manière prédictive le niveau de risque NR (NRA, NRE) de survenue d'événements 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

SYSTEME ET PROCEDE POUR L'EVALUATION DE RISQUES VASCULAIRES
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.
Le document US 2015/164342 divulgue un procédé d'évaluation du risque vasculaire dans lequel un algorithme d'apprentissage est utilisé pour prédire un risque vasculaire à partir d'un jeu de paramètres dont les valeurs numériques sont calculées à partir d'une modélisation fluidique ou mécanique.
Le document US 9,349,178 divulgue un procédé pour déterminer des quantités hémodynamiques au moyen d'une méthode par apprentissage entraîné uniquement à partir de données synthétiques.
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' entraine 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 l'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 l' 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 une méthode d'apprentissage destiné à générer des modélisations de risque MR (MRA, MRE) en tant que support d'aide à la décision pour les praticiens, et
- Préfèrentiellement , 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 une méthode d'apprentissage 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.
La méthode d'apprentissage peut être, par exemple, une méthode par fouille de données.
Préfèrentiellement , 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 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 modélisation ( 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 préfèrentiellement 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 préfèrentiellement 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.
Préfèrentiellement , 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. Préfèrentiellement , 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.
Préfèrentiellement 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 aort ique .
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 1 ) .
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 une méthode d'apprentissage 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 une méthode d'apprentissage (et qui consiste à appliquer ledit algorithme de traitement par une méthode d'apprentissage 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 une méthode d'apprentissage est remarquable en ce qu' il comprend les étapes suivantes pour chaque cas patient successif Px parmi un ensemble de patients {Pi, P±, Pn} :
Etape 1. tester la valeur de l'erreur de capacité prédictive Ec dudit algorithme de traitement par une méthode d'apprentissage 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. Préfèrent iellement , 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 Px, 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 ( P, 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 une méthode d'apprentissage, 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 (MREC, MREE) 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, DNEE) déterminées, Etape 9. évaluer l'erreur de capacité prédictive Ec de l'algorithme de traitement par une méthode d'apprentissage 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 une méthode d'apprentissage 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) modélisation (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.
Préfèrent iellement , la génération d'une (ou de) modélisation ( s ) MRA et/ou MRE (MREC, MREE) 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, Px, 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 une méthode d'apprentissage 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 une méthode d'apprentissage. Cette première voie dudit procédé est empruntée lorsque la valeur de l'erreur de capacité prédictive Ec affectée à l'algorithme de traitement par une méthode d'apprentissage est supérieure à un seuil prédéfini SE, et consiste à effectuer au moins les étapes 2 à 11 dudit procédé, préfèrent iellement dans cet ordre. En variante, l'étape 8, ou les étapes 8 et 10, peuvent être effectuées avant l'étape 7.
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 une méthode d'apprentissage devient inférieure audit seuil prédéfini SE, le procédé d'évaluation emprunte une seconde voie qui consiste à exploiter ledit algorithme de traitement par une méthode d'apprentissage. Dans ce cas, le procédé d'évaluation se constitue au moins des étapes 2, 3, 5, 6 et 7, typiquement 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, sous réserve d'une possible inversion de l'ordre des étapes 7 et 8 et éventuellement 10, voire d'une exécution simultanée des étapes 7 et 8. 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 . 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 une méthode d'apprentissage :
- 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 (de préférence dans cet ordre, c'est-à-dire dans l'ordre numérique), sinon effectuer au moins les étapes 2, 3, 5, 6 et 7, de préférence dans cet ordre.
Préfèrent iellement , 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, de préférence 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.
Préfèrent iellement , 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.
Préfèrent iellement , afin que la phase de mise au point et d'entraînement de l'algorithme de traitement par une méthode d'apprentissage 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%. Préfèrentiellement , 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 Px. 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. Préfèrentiellement , 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 ».
Comme cela sera discuté plus loin, le recours à une modélisation corrigée permet d' identifier des paramètres prédictifs d'un risque vasculaire, par exemple des paramètres dont des valeurs particulièrement élevées sont corrélés au développement d'un anévrisme. - une étape 4 consistant à générer à partir de ladite modélisation M au moins un maillage T ( P, 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 .
Préfèrentiellement , 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, au moins certains des paramètres JP sont des paramètres « locaux », c'est-à-dire dont la valeur dépend, entre autres, de la position dans la région d'intérêt V. Il n'est cependant pas nécessaire qu'une valeur du paramètre soit définie pour chaque nœud du maillage de ladite région ; par exemple, les valeurs de certains paramètres peuvent être définies pour des sections d'un vaisseau sanguin (par exemple l'aorte) dans la région d'intérêt.
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.
Préfèrentiellement , 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.
Préfèrentiellement , 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. Préfèrentiellement , lorsque le procédé selon l'invention emprunte la voie 2, le jeu de paramètres JP comporte exclusivement des paramètres prédictifs.
Préfèrentiellement , 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) .
Préfèrentiellement , le (ou les) paramètre (s) constituant le jeu de paramètre JP sont choisis entre autre parmi :
o cisaillement à la paroi (Wall Shear Stress :
du
WSS) , défini par la formule Tw = μ *— , ou μ est
dyy=0 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
ncr ne ΓΛ j \ ^SSdt\
OSI = 0.5 * (1 T —) ,
J0 \WSS\dt
o valeur moyenne du cisaillement à la paroi au cours du temps (Time-Averaged Wall Shear Stress : AWSS) , défini par la formule
AWSS = → Jo T I WSS I dt ,
o magnitude du cisaillement à la paroi au cours du temps (Time-Averaged Wall Shear Stress vector : AWSSV) , défini par la formule
AWSSV = - *| ΓΓ WSS dt I ,
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 =
,SWSSp SWSSq^ . ,
(—-—,—-—), ou la direction p correspond a la δρ Sq J
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
|/0 T SWSSG dt\
défini par la formule GON = 1—
Sg \SWSSG \dt '
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
.„ . WSSi X AWSSV
formule Atl
Figure imgf000021_0001
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
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 ) : ScWSS = f WSS dS ,
■ gradient de cisaillement spatial à la paroi relativement à ladite section Sc (SCSWSSG) : ScSWSSG = f I SWSSGl dS,
■>S
■ cisaillement à la paroi au cours du temps, relativement à ladite section Sc (ASCWSS) :
^ScWSS = Jr 5cWSS dt,
■ gradient de cisaillement spatial à la paroi au cours du temps, relativement à ladite section Sc (ASCSWSSG) : 4SCSWSSG = fTScSWSSG dt,
■ 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) :
Figure imgf000022_0001
écart type du gradient de cisaillement spatial à la paroi, relativement à ladite section DScSWSSG) : a(ScSWSSG) =
Figure imgf000022_0002
écart type du cisaillement à la paroi au cours du temps, relativement à ladite section Sc (ADSCWSS) : i4DScWSS = / a(Sc WSS) dt, écart type du gradient de cisaillement spatial à la paroi au cours du temps, relativement à ladite section Sc (ADSCSWSSG) : ^DScSWSSG = JT a(ScSWSSG) dt,
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) .
Un anévrisme aortique résulte en une augmentation locale du diamètre du vaisseau sanguin. Ainsi, dans un mode de réalisation avantageux de l'invention, les paramètres du jeux JP, ou au moins certains d'entre eux, se basent sur le cisaillement à la paroi dans une section de l'aorte. Cela conduit à utiliser (au moins) les paramètres suivants :
- le cisaillement à la paroi relativement à une section de la région vasculaire d' intérêt moyenné dans le temps ;
- le gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d' intérêt moyenné dans le temps ;
- - le cisaillement à la paroi relativement à ladite section de la région vasculaire d' intérêt au pic systolique ; et
le gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d'intérêt au pic systolique.
Il parait aussi intéressant de considérer la disparité du cisaillement à la paroi dans une section de l'aorte, notamment en considération du fait que les anévrismes aortiques ne présentent généralement pas une augmentation uniforme du diamètre dans une section. Cela conduit à utiliser (au moins) les paramètres suivants : l'écart type du cisaillement à la paroi relativement à une section de la région vasculaire d' intérêt moyenné dans le temps ;
- l'écart type du gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d' intérêt moyenné dans le temps ;
- - l'écart type du cisaillement à la paroi relativement à ladite section de la région vasculaire d' intérêt au pic systolique ; et
l'écart type du gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d'intérêt au pic systolique.
- 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage emploie une technique telle que : réseaux de neurones, notamment de type perceptron multicouches , arbres de décision, réseaux bayésiens, cartes auto-adaptatives.
Par exemple, un algorithme basé sur des réseaux bayésiens et une approche multivariée (ce qui constitue une méthode de fouille de données) s'est montré efficace dans des études CFD d'écoulements, voir à ce propos : V . B . Kolachalama, N. W . Bressloff, and P. B . Nair . Mining data from hemodynamic simulations via Bayesian émulation . BioMedical Engineering OnLine, vol . 6, artcle 47 , 2007.
Plus récemment , des réseaux de neurones de type perceptron multicouches entraînés par rétropropagat ion ont montré des résultats prometteurs dans la prévision de paramètres d' écoulement , tels que les contraintes de cisaillement aux parois , à partir de paramètres géométriques . Voir à ce propos :
N. Jankovic, M. Radovic, D . Petrovic, N . Zdravkovic, and N . Filipovic . Minig data from CFD simulations of aneurysm and carotid bifurcation models . J. of the Serbian Society for Computational Mechanics . 2012; 6(2): 133-144.
Cette méthode a été appliquée au cas d' un anévrisme en utilisant 9 neurones d' entrée et 5 neurones de sortie, sur un ensemble de 3346 exemples d' apprentissage . Après 1000 itérations , 1 ' erreur était de 3, 51% .
La méthode des cartes auto-organisée semble également prometteuse, voir à ce propos :
S . Morizawa, K. Shimoyama, S . Obayashi , K. Funamoto , and T. Hayase . Implementation of visual data mining for unsteady blood flow field in aortic aneurysm. J . Vis . 2011; 14 : 393-398.
Préfèrentiellement , 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 préfèrentiellement 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) . Les données numériques DNE étant calculées localement, les données numériques DNA sont fonction de la position. Il est ainsi possible de réaliser une cartographie de la distribution de ces valeurs. Cette cartographie peut être affichée sur un écran d'ordinateur, par exemple au moyen d'un code de couleurs ou d'une échelle de gris.
Les niveaux de risque NRE peuvent être déterminés à partir d'une corrélation spatiale entre les valeurs calculées DNE des paramètres du jeu JP et les anomalies pathologiques de la région d'intérêt. Par exemple, si un paramètre calculé à partir de la modélisation corrigée MC présente des valeurs particulièrement élevées aux endroits où la modélisation primaire MP présente une anomalie (par exemple un anévrisme) , on peut supposer que le paramètre en question est prédictif de la formation d'un anévrisme. En effet, la modélisation corrigée constitue une approximation des conditions du patient avant la formation de 1' anévrisme (plus généralement, de la pathologie) mais lorsque les facteurs à l'origine de ce dernier étaient déjà présents. Dans ce cas, des valeurs élevées (faibles) du paramètre seront associées à un niveau de risque élevé (faible) . Les niveaux de risque étant définis localement, il est possible d'en réaliser une cartographie et de l'afficher sur un écran d'ordinateur, par exemple au moyen d'un code de couleurs ou d'une échelle de gris.
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) .
Préfèrentiellement , 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-Bolt zmann lorsque le modèle est de type mésoscopique . Préfèrentiellement , 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 .
Préfèrentiellement , 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. Préfèrentiellement , 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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 une méthode d'apprentissage, des données numériques DN (DNE, DNA) est en outre effectuée à partir d'un jeu de paramètres JSP spécifique audit patient Px. Avantageusement, ledit jeu de paramètres JSP spécifique audit patient Px 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'évaluation et/ou de validation du (ou des) paramètre (s) du jeu de paramètres JP à analyser (voie 1 et/ou voie 2) .
Préfèrentiellement , 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 fluidiques 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.
Qu'elle soit expérimentale (sur fantôme) ou numérique, l'étude complémentaire permet en outre de déterminer de manière plus quantitative la relation liant les valeurs numériques des paramètres aux niveaux de risque.
Préfèrentiellement , 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 . Préfèrentiellement , 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.
Préfèrentiellement , 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.
Préfèrentiellement , 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.
Préfèrent iellement , 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 .
Préfèrent iellement , un niveau de précision Np est choisi pour chaque paramètre du jeu de paramètre JP . Préfèrentiellement , 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 .
Préfèrentiellement , 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 une méthode d'apprentissage, 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

REVENDICATIONS
1- Procédé d'évaluation de risque au niveau d'une région vasculaire d' intérêt V, mettant en œuvre un algorithme de traitement par une méthode d'apprentissage, caractérisé en ce qu' il comprend les étapes suivantes pour chaque cas patient successif Px parmi un ensemble de patients {Pi, P±, Pn-i} :
Etape 1. tester la valeur de l'erreur de capacité prédictive Ec dudit algorithme de traitement par une méthode d'apprentissage 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, sinon effectuer au moins les étapes 2-3-5-6-7 qui suivent, Etape 2. acquérir au moins une représentation R d'une région vasculaire d' intérêt V dudit patient Px,
Etape 3. reconstruire, à partir de ladite représentation R, au moins une modélisation M de ladite région d' intérêt V, ladite modélisation correspondant à la géométrie de ladite région d' intérêt corrigée de toute éventuelle anomalie pathologique ;
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 une méthode d'apprentissage, 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, MREE) 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 une méthode d'apprentissage 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 une méthode d'apprentissage 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.
2- Procédé d'évaluation de risque selon la revendication précédente dans lequel la détermination, par ledit algorithme de traitement par une méthode d'apprentissage, 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 dans lequel 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 dans lequel, dans le cas où la valeur de l'erreur de capacité prédictive Ec est inférieure au seuil prédéfini SE, les étapes 8, 10 et 11 sont également effectuées, dans cet ordre, après l'étape 7.
5- Procédé d'évaluation de risque selon l'une quelconque des revendications précédentes dans lequel les maillages relatifs aux parois externes de la région vasculaire d'intérêt 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 comprenant en outre au moins une étape L d'évaluation et/ou de validation du ou des paramètres 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 dans lequel l'étape L est une étape de validation des paramètres du jeu de paramètres JP à analyser, et comprend les opérations suivantes :
o faire varier le jeu de conditions entrée-sortie SC mis en œuvre lors de l'étape 8 ,
o comparer les données numériques DN et/ou les modélisations de risque obtenues à partir du ou des paramètres du jeu de paramètres JP à analyser,
o sur la base de la comparaison, attribuer un niveau de précision prédictive NP audit ou auxdits paramètres du jeu de paramètre JP à analyser parmi une échelle de niveaux de précision, et 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 paramètres possédant un niveau de précision prédictive NP suffisant.
8- Procédé d'évaluation de risque selon la revendication précédente dans lequel 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 dans lequel, 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. Procédé d'évaluation de risque selon l'une des revendications 6 à 8 dans lequel ladite étape L d'évaluation et/ou de validation du ou des paramètres du jeu de paramètres JP à analyser comprend la réalisation d'une étude complémentaire sur fantôme et la comparaison des résultats de l'étude fluidique de l'étape 8 aux résultats de l'étude complémentaire.
10. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel la méthode d'apprentissage est une méthode par fouille de données et dans lequel si la valeur de l'erreur Ec est supérieure audit seuil prédéfini SE, les étapes 2 à 11 sont effectuées dans cet ordre, sinon au moins les étapes 2-3-5-6-7 sont effectuées dans cet ordre.
11. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel ledit jeu de paramètres JP comprend au moins les paramètres suivants :
le cisaillement à la paroi relativement à une section de la région vasculaire d' intérêt moyenné dans le temps ;
le gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d' intérêt moyenné dans le temps ;
- - le cisaillement à la paroi relativement à ladite section de la région vasculaire d' intérêt au pic systolique ; et
le gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d'intérêt au pic systolique.
12. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel ledit jeu de paramètres JP comprend au moins les paramètres suivants :
- l'écart type du cisaillement à la paroi relativement à une section de la région vasculaire d' intérêt moyenné dans le temps ;
l'écart type du gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d' intérêt moyenné dans le temps ;
l'écart type du cisaillement à la paroi relativement à ladite section de la région vasculaire d' intérêt au pic systolique ; et
l'écart type du gradient de cisaillement spatial à la paroi relativement à ladite section de la région vasculaire d'intérêt au pic systolique.
13. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel l'algorithme de traitement par une méthode d'apprentissage mis en œuvre à l'étape 7 est choisi parmi : un algorithme de type réseau bayesien, un réseau de neurones de type perceptron multicouches et une carte auto-adaptative.
14. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel l'étude fluidique de l'étape 8 comprend au moins une étude d'interaction fluide- structure .
15. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel la région vasculaire d'intérêt inclut au moins une région de l'aorte du patient.
16. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel le risque évalué est un risque de rupture d'anévrisme.
17. Procédé d'évaluation de risque selon l'une des revendications précédentes dans lequel au moins un paramètre dudit jeu de paramètres JP est un paramètre local, et dans lequel, lors de l'étape 8, au moins un niveau de risque NRE est associé audit paramètre à partir d'une corrélation spatiale entre une distribution spatiale des valeurs calculées DNE dudit paramètre et au moins une anomalie pathologique de la région d'intérêt.
18- 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 précédentes, 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.
PCT/EP2018/051851 2017-02-02 2018-01-25 Systeme et procede pour l'evaluation de risques vasculaires WO2018141628A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
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
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

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 (1)

Publication Number Publication Date
WO2018141628A1 true WO2018141628A1 (fr) 2018-08-09

Family

ID=59031064

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/051851 WO2018141628A1 (fr) 2017-02-02 2018-01-25 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)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059243A1 (fr) * 2019-09-27 2021-04-01 Vitaa Medical Solutions Inc. Procédé et système pour déterminer un potentiel de rupture régionale d'un vaisseau sanguin

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
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
US20150164342A1 (en) 2013-12-18 2015-06-18 Heartflow, Inc. Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data
US9345442B2 (en) 2012-11-15 2016-05-24 Kabushiki Kaisha Toshiba System and derivation method
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5596866B2 (ja) * 2011-08-26 2014-09-24 イービーエム株式会社 血管治療効果の血流シュミレーションシステム、その方法及びコンピュータソフトウエアプログラム
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
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
US10262101B2 (en) * 2015-04-02 2019-04-16 Heartflow, Inc. Systems and methods for predicting perfusion deficits from physiological, anatomical, and patient characteristics

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
US9345442B2 (en) 2012-11-15 2016-05-24 Kabushiki Kaisha Toshiba System and derivation method
US20150164342A1 (en) 2013-12-18 2015-06-18 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

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Artificial neural network - Wikipedia", 11 June 2016 (2016-06-11), XP055342954, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Artificial_neural_network&oldid=724841853> [retrieved on 20170207] *
ANONYMOUS: "Fluid-structure interaction", WIKIPEDIA, 11 December 2016 (2016-12-11), XP055466292, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Fluid-structure_interaction&oldid=754269574> [retrieved on 20180411] *
ANONYMOUS: "Machine learning - Wikipedia", 7 April 2016 (2016-04-07), XP055460503, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Machine_learning&oldid=714116716> [retrieved on 20180319] *
ANONYMOUS: "Types of mesh", WIKIPEDIA, 25 January 2017 (2017-01-25), XP055466267, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Types_of_mesh&oldid=761869595> [retrieved on 20180411] *
ANONYMOUS: "Variance-based sensitivity analysis", WIKIPEDIA, 13 November 2016 (2016-11-13), XP055466270, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Variance-based_sensitivity_analysis&oldid=749214120> [retrieved on 20180411] *
N. JANKOVIC; M. RADOVIC; D. PETROVIC; N. ZDRAVKOVIC; N. FILIPOVIC: "Minig data from CFD simulations of aneurysm and carotid bifurcation models", J. OF THE SERBIAN SOCIETY FOR COMPUTATIONAL MECHANICS, vol. 6, no. 2, 2012, pages 133 - 144
S. MORIZAWA; K. SHIMOYAMA; S. OBAYASHI; K. FUNAMOTO; T. HAYASE: "Implementation of visual data mining for unsteady blood flow field in aortic aneurysm", J. VIS., vol. 14, 2011, pages 393 - 398
V. B. KOLACHALAMA; N. W. BRESSLOFF; P. B. NAIR: "Mining data from hemodynamic simulations via Bayesian émulation", BIOMEDICAL ENGINEERING ONLINE, vol. 6, 2007, XP021036703

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059243A1 (fr) * 2019-09-27 2021-04-01 Vitaa Medical Solutions Inc. Procédé et système pour déterminer un potentiel de rupture régionale d'un vaisseau sanguin

Also Published As

Publication number Publication date
US20190371473A1 (en) 2019-12-05
FR3062498B1 (fr) 2019-06-07
FR3062498A1 (fr) 2018-08-03
US11152122B2 (en) 2021-10-19
JP2020506486A (ja) 2020-02-27
EP3577585A1 (fr) 2019-12-11
JP7082131B2 (ja) 2022-06-07

Similar Documents

Publication Publication Date Title
EP3577585A1 (fr) Systeme et procede pour l&#39;evaluation de risques vasculaires
WO2021020198A1 (fr) Dispositif de traitement d&#39;informations, programme, modèle appris, dispositif d&#39;aide au diagnostic, dispositif d&#39;apprentissage et procédé de génération de modèle de prédiction
KR20200005404A (ko) 진단 보조 시스템
CN111712186A (zh) 用于辅助心血管疾病的诊断的方法和装置
EP3545471A1 (fr) Formation distribuée de flux de travaux cliniques de réseaux neuronaux à apprentissage profond
CN110073369B (zh) 时间差分模型的无监督学习技术
Banerjee et al. Prediction of age-related macular degeneration disease using a sequential deep learning approach on longitudinal SD-OCT imaging biomarkers
KR20210042267A (ko) 정량적 이미징을 이용하기 위한 방법 및 시스템
Sun et al. Deep learning quantification of percent steatosis in donor liver biopsy frozen sections
CN110490927A (zh) 用于为图像中的对象生成中心线的方法、装置和系统
CN113160190A (zh) 一种接触网紧固件异常检测方法、设备、检测装置及存储介质
EP3326091A1 (fr) Procédés pour modéliser des interactions entre des marqueurs biologiques
Sankaran et al. Real-time sensitivity analysis of blood flow simulations to lumen segmentation uncertainty
Chauvin et al. The influence of waiting times on cost-effectiveness: a case study of colorectal cancer mass screening
Kaplan et al. Evaluation of unconditioned deep generative synthesis of retinal images
Bai et al. A two-stage method with a shared 3D U-net for left atrial segmentation of late gadolinium-enhanced MRI images
Ganiatsou et al. WEaning Age FiNder (WEAN): a tool for estimating weaning age from stable isotope ratios of dentinal collagen
Zendagui et al. Reflectance Transformation Imaging as a Tool for Computer-Aided Visual Inspection
WO2020002859A1 (fr) Système et procédé pour produire un indicateur graphique multiparamétrique à partir d&#39;une image d&#39;une coupe histologique
CN115660985B (zh) 白内障眼底图像的修复方法、修复模型的训练方法及装置
Sen et al. Case study: explaining diabetic retinopathy detection deep CNNs via integrated gradients
WO2023084174A1 (fr) Procede, dispositif et produit programme d&#39;ordinateur pour la configuration d&#39;un systeme de calcul distribue
Mudholkar et al. Deep Transfer Learning for Schizophrenia Detection Using Brain MRI
Elad et al. Check for updates Diffusion Models for Generative
WO2023215644A1 (fr) Diagnostic et localisation de lésion activés par apprentissage machine pour une atrophie géographique naissante dans une dégénérescence maculaire liée à l&#39;âge

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18702205

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019542521

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018702205

Country of ref document: EP

Effective date: 20190902