Segmentation of the aorta from 4D flow MRI for biomarkers computation ; Segmentation de l'aorte à partir d'IRM en flux 4D pour le calcul de biomarqueurs
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
Electronic Thesis;
E-Book
Title:
Segmentation of the aorta from 4D flow MRI for biomarkers computation ; Segmentation de l'aorte à partir d'IRM en flux 4D pour le calcul de biomarqueurs
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Parmi les maladies cardiaques, la dissection aortique et les anévrismes aortiques sont des pathologies particulièrement létales. Cette dernière est classée comme la dix-neuvième cause de décès. Les anévrismes aortiques sont définis comme une dilatation supérieure ou égale au diamètre de l'aorte. Dans la pratique clinique, le taux de croissance et la taille de l'anévrisme constituent les principaux critères pour déterminer la nécessité d'une intervention chirurgicale.Cependant, de meilleurs biomarqueurs de rupture et de dissection aortique sont nécessaires afin d'effectuer un traitement personnalisé et une meilleure prise de décision. À cet égard, l'analyse de l'interaction entre le flux sanguin et les tissus aortiques est un facteur clé. Ces dernières années, l'IRM de flux 4D a permis d'acquérir des informations sur le flux sanguin tout au long du cycle cardiaque. La première étape pour profiter du potentiel de cette modalité d'imagerie est l'élaboration d'une méthode de segmentation 4D de l'aorte, permettant d'effectuer à des analyses de l'interaction fluide-structure.L'objectif de cette thèse est de segmenter automatiquement l'aorte à partir de l'IRM de flux 4D et d'analyser la faisabilité de l'utilisation de ces segmentations automatiques dans la génération de biomarqueurs tels que la pression de la paroi aortique. À cette fin, nous avons d'abord évalué la segmentation automatique de la phase systolique en 3D avec des méthodes de pointe, telles que la segmentation basée sur des méthodes d'apprentissage profond. Avec cette étude il a été démontré que l'apprentissage profond surpasse la performance de segmentation de méthodes basés sur l'utilisation de multi-atlas. En outre, il a été observé que les biomarqueurs tels que la pression de la paroi aortique sont plus robustes lorsqu'on utilise des segmentations automatiques par apprentissage profond. Par conséquent, deux approches basées sur l'apprentissage en profondeur ont été proposées pour la segmentation aortique au cours du cycle cardiaque complet. Avec ...