Évaluer les performances d’un nouveau cadre d’intelligence artificielle pour la reconstruction 3D de l’arbre vasculaire cérébral à partir d’images 2D, dans le contexte urgent de la prise en charge de l’AVC ischémique aigu. Ce modèle, conçu pour être robuste et performant, utilise des cartes de profondeur extraites d’images vasculaires cérébrales 2D et ne nécessite que deux acquisitions. Par nécessité de vérité terrain et de reproductibilité, elles ont été simulées par imagerie par résonance magnétique en temps de vol (IRM-TOF) issues du jeu de données public ADAM. L’objectif est de proposer une solution automatisée, rapide et adaptée à l’urgence, tout en démontrant son intérêt clinique pour les radiologues experts.

En l’absence de base d’images XA-DSA 3D exploitables, nous avons exploité des projections IRM-TOF (jeu ADAM et données CHU de Poitiers, IRM 3T), combinant reproductibilité et réalisme clinique.

Les arbres vasculaires, segmentés manuellement (3D Slicer), ont subi une normalisation adaptative (intensity scaling) et une augmentation de données (rotations ±15°) pour enrichir l’apprentissage.

Trois caractéristiques 2D clés ont été extraites : projections d’intensité (projection de la somme des intensité et projection du maximum des intensité) et cartes de profondeur, générées via un modèle ré-entrainé (Leres101) optimisé pour les structures vasculaires.

La reconstruction 3D c'est fait via la fusion des caractéristiques 2D en pseudo-cubes (256³), entrés dans un U-Net 3D (2 niveaux, filtres 32×2^profondeur et activation finale sigmoïde. 

Le post-traitement consiste permet une validation des voxels prédit ainsi qu’un nettoyage des ilots avec une connectivité trop faible. Cela garantit des résultats propres et exploitables en temps réel avec un temps de traitement par inférence inférieur à 3s par patient.

Notre étude évalue la reconstruction 3D de l’arbre vasculaire cérébral selon deux axes : une analyse quantitative (score de Dice) et une validation qualitative par nos experts radiologues, centrée sur les critères essentiels à la navigation en thrombectomie mécanique.

Évaluation quantitative : Le modèle proposé, intégrant des cartes de profondeur, surpasse significativement le U-Net classique, avec un score de Dice moyen de 0,72 allant jusqu’à 0,95 avec les données de référence. Les résultats, présentés dans le tableau comparatif, confirment une amélioration d’un facteur 2 par rapport aux méthodes standards, même avec des données hospitalières brutes (Dice = 0,65). La normalisation spécifique par machine pourrait encore optimiser ces performances.

Analyse visuelle et pertinence clinique : L’évaluation qualitative révèle une superposition quasi parfaite des structures vasculaires prédites avec la vérité terrain. Les faux positifs et faux négatifs restent marginaux, localisés en périphérie des vaisseaux, sans impact sur les segments critiques pour la thrombectomie. Même avec le module de cartes de profondeur (DPM), les erreurs concernent principalement des segments distaux (artère moyenne M4) ou des variantes anatomiques du polygone de Willis.

Grâce à un modèle d’apprentissage profond intégrant la génération de cartes de profondeur de l’arbre vasculaire cérébral, nous dépassons les performances des réseaux standards (UNet), offrant aux praticiens une navigation sereine et précise dans des structures vasculaires complexes. Les prespective proche sont la création d’une base XA-DSA dédiée pour un transfer learning robuste, optimisant l’alignement et le bruit, et enrichissement des données pour mieux appréhender les variantes anatomiques du polygone de willis.

Notre recherche offre une preuve de concept pour transformer des acquisitions 2D en un outil 3D, optimisant la prise en charge de l’AVC sans alourdir le protocole d’acquisition. Cela permet une avancée vers une thrombectomie mécanique guidée par l’IA, plus rapide et plus sereine pour le praticien.