Segmentation automatique par apprentissage profond des artères coronaires à partir d’angiographie 2D

Meftah, Nouha (2024). Segmentation automatique par apprentissage profond des artères coronaires à partir d’angiographie 2D. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

La segmentation automatique précise des artères coronaires joue un rôle crucial dans l’imagerie médicale pour le diagnostic, l’analyse, la prévention et le traitement des pathologies cardiovasculaires. Dans le cadre de ce projet de maîtrise, nous proposons une approche innovatrice basée sur le réseau convolutionnel U-Net pour segmenter les artères coronaires à partir des images angiographiques 2D. Pour optimiser les performances de notre segmentation, nous avons intégré les filtres proposés par Meijering et al. et Sato et al. particulièrement conçus pour l’extraction des caractéristiques des structures tubulaires.

Notre approche expérimentale se décompose en deux étapes distinctes. Tout d’abord, nous avons utilisé le réseau U-Net avec les images de la base de données DCA1 comme données d’entrée. Pour obtenir une segmentation optimale, nous avons choisi d’incorporer les filtres de Meijering et Sato. Cette démarche vise à rehausser la visibilité des vaisseaux et à améliorer la distinction entre les artères coronaires et les tissus environnants. L’incorporation de ces filtres a notablement amélioré les résultats par rapport à ceux obtenus par U-Net sans filtrage. Dans une deuxième phase, la correction gamma a été intégrée dans notre approche afin d’évaluer son impact sur l’amélioration des résultats.

Les résultats obtenus ont été évalués de manière exhaustive à l’aide des métriques d’évaluation tels que l’exactitude, la sensibilité, la spécificité et le coefficient de Dice. Cette étude contribue à l’avancement des techniques de segmentation des artères coronaires, ouvrant la voie à des applications cliniques plus fiables et précises. Les méthodes présentées dans ce mémoire offrent des perspectives prometteuses pour l’amélioration continue des diagnostics cardiovasculaires et la personnalisation des traitements médicaux.

Titre traduit

Automatic segmentation through deep learning of coronary arteries from 2D angiography images

Résumé traduit

Accurate automatic segmentation of coronary arteries plays a crucial role in medical imaging for the diagnosis, analysis, prevention and treatment of cardiovascular pathologies. In this master’s thesis we propose an innovative approach based on the U-Net convolutional network to segment coronary arteries from 2D angiographic images. To optimize the performance of our segmentation, we have integrated the filters proposed by Meijering et al. and Sato et al. specifically designed for the extraction of tubular structure features.

Our experimental approach is based on two distinct stages. To achieve optimal segmentation, we decided to incorporate the Meijering and Sato filters. This approach aims to enhance vessel visibility and improve the distinction between coronary arteries and surrounding tissue. The incorporation of these filters significantly improved results compared with those obtained by U-Net without filtering. In a second phase, gamma correction was incorporated into our approach to assess its impact on enhancing the results.

The results obtained were comprehensively assessed using evaluation metrics such as accuracy, sensitivity, specificity and Dice coefficient.

This study contributes to the advancement of coronary artery segmentation techniques, paving the way for more reliable and accurate clinical applications. The methods presented in this thesis offer promising prospects for the continuous improvement of cardiovascular diagnostics and the personalization of medical treatments.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en technologie de l’information". Comprend des références bibliographiques (pages 81-84).
Mots-clés libres:	artères coronaires, apprentissage profond, segmentation, filtres d’amélioration des vaisseaux, angiographie 2D
Directeur de mémoire/thèse:	Directeur(-trice) Duong, Luc
Codirecteur:	Codirecteur(-trice) de mémoire/thèse M'hiri, Faten
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	12 mai 2026 14:02
Dernière modification:	12 mai 2026 14:02
URI:	https://espace.etsmtl.ca/id/eprint/3908

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt