Automatic pipeline for segmentation and characterization of the aortic arch and sovra-aortic vessels

The vascular system geometry is a critical factor for post-surgical risks of complication in heart and vascular surgeries. Several methods exist for its characterization but proved to be either time-consuming, limited by the complexity of the vascular network or operator biased. This study focuses on the automation of the segmentation and measurement of the upper vascular system to cope with those limits. It relies on AI-based tools for medical images analysis to compute a pipeline for reliable and repeatable analysis, covering segmentation, surface and centerline extraction, and metrics computation. A machine learning based algorithm was implemented to fasten the segmentation process and ensure its repeatability in the scope of future clinical validations. Transfer learning was preferred due to the data limitation and achieved a mean dice score of 0.82 for segmentation. A postprocessing part, based on Vmtk toolkit compute the vessels’ surfaces and centerlines and return typical measures (that is torsion, bifurcation angulation, curvature, …). It showed a mean relative error of 23% when compared to the ground-truth analysis. Those results were analyzed and related to the nature of the data, clues for further improvement were given in discussion.

La geometria del sistema vascolare è un fattore critico per i rischi di complicanze post-chirurgiche negli interventi di chirurgia cardiaca e vascolare. Esistono diversi metodi per la sua caratterizzazione, ma si sono rivelati lunghi, limitati dalla complessità della rete vascolare o influenzati dall'operatore. Questo studio si concentra sull'automazione della segmentazione e della misurazione del sistema vascolare superiore per far fronte a questi limiti. Si basa su strumenti basati sull'intelligenza artificiale per l'analisi delle immagini mediche per elaborare una pipeline per un'analisi affidabile e ripetibile, che comprende la segmentazione, l'estrazione di superfici e linee centrali e il calcolo delle metriche. È stato implementato un algoritmo basato sull'apprendimento automatico per velocizzare il processo di segmentazione e garantirne la ripetibilità nell'ambito di future convalide cliniche. A causa della limitazione dei dati, è stato preferito il transfer learning, che ha ottenuto un punteggio medio di 0,82 per la segmentazione. Una parte di postprocessing, basata sul toolkit Vmtk, ha calcolato le superfici e le linee centrali dei vasi e ha restituito le misure tipiche (ovvero torsione, angolazione della biforcazione, curvatura, ...). Ha mostrato un errore relativo medio del 23% rispetto all'analisi della verità a terra. Questi risultati sono stati analizzati e messi in relazione con la natura dei dati, e nella discussione sono stati forniti spunti per ulteriori miglioramenti.