Évaluation de sténoses en utilisant des modèles vidéos appliqués à des angiographies coronariennes

À chaque année, les maladies coronariennes sont la plus grande cause de décès mondiale. En clinique, l’évaluation visuelle de l’angiographie coronarienne par le cardiologue est la méthode de référence pour quantifier la sévérité des sténoses dans les artères coronaires, soit la cause principale des maladies coronariennes. Cette évaluation est essentielle pour le choix et la planification des traitements prescrits à un patient, étant donné que ces derniers sont grandement dépendants de la quantité et sévérité des sténoses. Cependant, cette méthode est propice à une grande variabilité inter- et intra-individuelle. Pour pallier ce problème, les algorithmes d’intelligence artificielle (IA) constituent une avenue intéressante, compte tenu de leurs récentes avancées dans le domaine de la cardiologie qui ont permis d’égaler ou même surpasser les évaluations des experts médicaux pour diverses tâches. Quelques méthodes ont été développées pour l’évaluation automatisée d’angiographies coronariennes. Toutefois, ces méthodes comportent des limites qui les empêchent d’être implantées en clinique, telles que l’utilisation d’une petite base de données d’entraînement, le manque de détails dans leurs analyses, le besoin d’intervention humaine pour bien fonctionner et la définition de critères d’exclusion stricts pour la formation de leur base de données. La suite algorithmique « CathAI » obtient une performance à l’état de l’art pour l’analyse automatique d’angiographies coronariennes, mais son algorithme de détection de segment d’artère coronaire est sous-optimal et pourrait être amélioré. Dans ce mémoire, la suite algorithmique novatrice basée sur des modèles d’IA nommée « DeepCoro » est proposée pour analyser des vidéos d’angiographies coronariennes de manière entièrement automatique en venant identifier les sténoses présentes dans l’angiographie et en prédisant le pourcentage de sténose associé aux sténoses identifiées. DeepCoro surmonte les limites associées aux méthodes similaires dans la littérature et présente un algorithme de prédiction du segment d’artère coronaire optimisé qui lui permet de surpasser la performance des autres méthodes. DeepCoro imite la manière dont les cardiologues évaluent les angiographies en trouvant la localisation d’une sténose selon sa position sur les embranchements des artères coronaires et en évaluant la sévérité des sténoses sur une séquence vidéo angiographique par l’utilisation de modèles vidéos. Au cours de ce mémoire, quatre objectifs seront répondus au travers des algorithmes qui constituent DeepCoro : (1) localiser les sténoses dans une vidéo angiographique, (2) aligner la vidéo autour des sténoses localisées, (3) détecter sur quel segment d’artère coronaire se trouvent les sténoses, et (4) déterminer le pourcentage d’obstruction associé à chaque sténose et son degré de sévérité. Les sténoses ont été localisées avec un algorithme de localisation entraîné dans le cadre du développement de CathAI et qui est venu localiser 93,3% des sténoses dans un ensemble de données d’angiographies coronariennes de l’Université de Californie à San Francisco. Une proportion de 96,63% des vidéos ont correctement été alignées dans un sous-ensemble de vidéos de l’Institut de Cardiologie de Montréal. Les segments d’artère coronaire sur lesquels se trouvent les sténoses ont été détectés sur le même sous-ensemble avec précision, sensibilité et F1-mesure pondérées de 71,89%, 70,72% et 70,71% respectivement. En appliquant les algorithmes de DeepCoro de bout en bout sur un grand ensemble de données de l’Institut de Cardiologie de Montréal, le pourcentage d’obstruction a été prédit avec une erreur absolue moyenne de 20,15 (19,88 – 20,40) %. La classification de la sévérité des sténoses issue de la prédiction de pourcentage est décrite par une aire sous la courbe de fonction d’efficacité du récepteur de 0,8294 (0,8215 – 0,8373). De plus, une erreur absolue moyenne de 7,75 (7,37 – 8,07) % est obtenue sur une base de données avec le pourcentage d’obstruction mesuré par angiographie coronarienne quantitative, une méthode d’évaluation qui est associé à une variabilité moindre que l’évaluation visuelle des cardiologues. Suite aux différentes analyses effectuées, DeepCoro surmonte les limites accompagnées des techniques automatiques actuelles pour l’évaluation d’angiographies coronarienne et présente une performance supérieure à la méthode à l’état de l’art pour effectuer cette tâche, soit CathAI. Les résultats obtenus démontrent la robustesse de DeepCoro et le potentiel d’une telle méthode à être appliquée en clinique.

Abstract

Every year, coronary artery diseases are the deadliest around the world. In clinical practice, visual assessment of a coronary angiography by the cardiologist is the gold standard for quantifying the severity of stenoses in the coronary arteries, which is the leading cause of coronary artery diseases. This assessment is essential for the choice and planification of treatments prescribed to a patient, as these are highly dependent on the quantity and severity of stenoses. However, this method is prone to a great inter- and intra-individual variability. To overcome this problem, artificial intelligence (AI) algorithms represent an interesting avenue, given their recent advances in the field of cardiology, which have enabled them to match or even surpass the assessments of medical experts for various tasks. A few methods have been developed for the automated evaluation of coronary angiograms. However, these methods have limitations that prevent them from being implemented in a clinical setting, such as the use of a small sized dataset, the lack of detail in their analyses, the need for human intervention to function properly, and the definition of strict exclusion criteria to construct their database. The "CathAI" pipeline achieves state-of-the-art performance for automatic evaluation of coronary angiograms, but its coronary artery segment detection algorithm is suboptimal and could be improved. In this master’s thesis, the novel AI-based algorithmic pipeline named "DeepCoro" is proposed to assess coronary angiography videos in a fully automated fashion by identifying the stenoses present in the angiography and predicting the percentage of obstruction associated to the identified stenoses. DeepCoro overcomes the limitations associated with similar published methods and presents an optimized coronary artery segment detection algorithm allowing it to outperform other methods. DeepCoro mirrors the way cardiologists evaluate angiograms by finding the location of a stenosis according to its position on the branches of the coronary arteries and assessing the severity of stenoses on an angiographic video sequence using video AI-models. All through this memoir, four objectives will be addressed through the algorithms that constitutes DeepCoro: (1) locating stenoses in an angiographic video, (2) registering the video around the localized stenoses, (3) detecting on which coronary artery segment the stenoses are located, and (4) determining the percentage of obstruction associated with each stenosis and its degree of severity. The stenoses were localized using an algorithm trained as part of CathAI's development, which localized 93.3% of the stenoses in a coronary angiography dataset from the University of California, San Francisco. A proportion of 96.63% videos were correctly registered in a subset of videos from the Montreal Heart Institute. Coronary artery segments associated to stenoses were detected on the same subset with a weighted accuracy, sensitivity and F1-score of 71.89%, 70.72% and 70.71% respectively. Applying DeepCoro's algorithms from end to end on a large dataset from the Montreal Heart Institute, the percentage of obstruction was predicted with a mean absolute error of 20.15 (19.88 - 20.40) %. The stenosis severity classification derived from percentage prediction is described by an area under the receiver operating function curve of 0.8294 (0.8215 - 0.8373). In addition, a mean absolute error of 7.75 (7.37 - 8.07) % is obtained on a database with their percentage of obstruction measured by quantitative coronary angiography, an assessment method that is associated with less variability than the visual assessment of cardiologists. Following the various analyses that have been carried out, DeepCoro overcomes the limitations associated with current automatic techniques for evaluating coronary angiographies, and outperforms CathAI, the state-of-the-art method for this task. The results obtained demonstrate DeepCoro's robustness and the potential of such a method to be applied in a clinical setting.