Soutenance de thèse de BARTOLI AXEL

Résumé de la thèse

L'essor des méthodes d'intelligence artificielle, et en particulier des approches d'apprentissage profond appliquées à l'imagerie médicale, a profondément modifié les possibilités d'analyse quantitative en imagerie cardiovasculaire. Parmi leurs applications, la segmentation automatique d'images constitue une étape centrale permettant l'extraction automatisée de biomarqueurs morphologiques, volumétriques et morphométriques à partir d'images tridimensionnelles. Historiquement, l'extraction de ces biomarqueurs reposait sur des segmentations manuelles ou semi-automatiques, longues, peu reproductibles et difficilement applicables à de larges bases de données. L'objectif de cette thèse était d'évaluer comment des outils de segmentation basés sur l'apprentissage profond pouvaient permettre une quantification standardisée, reproductible et à grande échelle de phénotypes cardiovasculaires en imagerie.
Les travaux présentés reposent sur le développement, la validation et l'application clinique de plusieurs pipelines de segmentation automatique appliqués à différents phénotypes cardiovasculaires complexes. Le premier axe concerne la segmentation des trabéculations du ventricule gauche en IRM cardiaque. La morphologie trabéculée du myocarde constitue un phénotype tridimensionnel complexe dont la quantification restait limitée par la difficulté de segmentation manuelle et la variabilité inter-observateur. Le développement d'un outil de segmentation automatique a permis l'extraction de paramètres volumétriques reproductibles et l'application de ces méthodes à des cohortes populationnelles de grande taille, permettant l'établissement de valeurs de référence et l'analyse de la distribution de ce phénotype.
Le second axe concerne la segmentation automatique de la graisse épicardique en tomodensitométrie thoracique. La quantification volumétrique de la graisse épicardique constitue un biomarqueur métabolique et inflammatoire d'intérêt, mais son extraction restait limitée par la nécessité de segmentations manuelles chronophages. Le développement d'un algorithme de segmentation automatique a permis d'extraire ce biomarqueur de manière systématique sur de larges cohortes d'imagerie, permettant son intégration dans des modèles pronostiques.
Le troisième axe concerne l'analyse de phénotypes vasculaires complexes en tomodensitométrie, notamment la dissection aortique résiduelle et l'analyse de territoires vasculaires rénaux. La segmentation automatique des structures vasculaires et luminales a permis l'extraction de paramètres morphométriques avancés, notamment des volumes de faux chenal, de lumière vraie et des territoires parenchymateux dépendant d'artères spécifiques. Ces paramètres tridimensionnels permettent d'aller au-delà des mesures bidimensionnelles classiques de diamètre et d'améliorer la caractérisation morphologique, la stratification du risque et la planification préopératoire.
Dans leur ensemble, ces travaux montrent que les techniques de segmentation automatique basées sur le deep learning permettent de transformer des images médicales en biomarqueurs quantitatifs reproductibles extractibles à grande échelle. Au-delà de l'automatisation, l'apport principal de ces méthodes réside dans la possibilité d'analyser de grandes bases de données d'imagerie et d'accéder à une description multidimensionnelle des phénotypes cardiovasculaires. Ces approches s'inscrivent dans l'émergence d'une imagerie de phénotypage quantitatif, où l'imagerie devient une source de données quantitatives intégrables dans des modèles diagnostiques, pronostiques ou décisionnels, contribuant à la transition vers une imagerie cardiovasculaire quantitative et orientée vers la médecine personnalisée.