A thoracic aortic aneurysm is an abnormal dilatation of the aorta that can progress and lead to rupture. The decision to conduct surgery is made by considering the maximum diameter, but it is now well known that this metric alone is not completely reliable. The advent of 4D flow magnetic resonance imaging has allowed for the calculation of new biomarkers for the study of aortic diseases, such as wall shear stress. However, the calculation of these biomarkers requires the precise segmentation of the aorta during all phases of the cardiac cycle. The objective of this work was to compare two different methods for automatically segmenting the thoracic aorta in the systolic phase using 4D flow MRI. The first method is based on a level set framework and uses the velocity field in addition to 3D phase contrast magnetic resonance imaging. The second method is a U-Net-like approach that is only applied to magnitude images from 4D flow MRI. The used dataset was composed of 36 exams from different patients, with ground truth data for the systolic phase of the cardiac cycle. The comparison was performed based on selected metrics, such as the Dice similarity coefficient (DSC) and Hausdorf distance (HD), for the whole aorta and also three aortic regions. Wall shear stress was also assessed and the maximum wall shear stress values were used for comparison. The U-Net-based approach provided statistically better results for the 3D segmentation of the aorta, with a DSC of 0.92 ± 0.02 vs. 0.86 ± 0.5 and an HD of 21.49 ± 24.8 mm vs. 35.79 ± 31.33 mm for the whole aorta. The absolute difference between the wall shear stress and ground truth slightly favored the level set method, but not significantly (0.754 ± 1.07 Pa vs. 0.737 ± 0.79 Pa). The results showed that the deep learning-based method should be considered for the segmentation of all time steps in order to evaluate biomarkers based on 4D flow MRI.
Association of quadricuspid aortic valve (QAV) with ascending aortic aneurysms (AsAA) is rare. A 63-year-old female with hypertension was found (on MRI) to have an ascending aortic aneurysm (52 mm in maximum diameter) and dilatation at the level of the sinotubular junction (38 mm in diameter) associated with quadricuspid aortic valve. An ascending aortic wall replacement surgery was performed. In this study, we focus on the behavior of the aorta associated with QAV considering the in vitro biomechanical characteristics and histology. The properties of QAV are closer to bicuspid aortic valve than tricuspid aortic valve, but with higher wall thickness.
Segmentation de l'aorte à partir d'IRM en flux 4D pour le calcul de biomarqueurs: Parmi les maladies cardiaques, la dissection aortique et les anévrismes aortiques sont des pathologies particulièrement létales. Cette dernière est classée comme la dix-neuvième cause de décès. Les anévrismes aortiques sont définis comme une dilatation supérieure ou égale au diamètre de l'aorte. Dans la pratique clinique, le taux de croissance et la taille de l'anévrisme constituent les principaux critères pour déterminer la nécessité d'une intervention chirurgicale.Cependant, de meilleurs biomarqueurs de rupture et de dissection aortique sont nécessaires afin d'effectuer un traitement personnalisé et une meilleure prise de décision. À cet égard, l'analyse de l'interaction entre le flux sanguin et les tissus aortiques est un facteur clé. Ces dernières années, l'IRM de flux 4D a permis d'acquérir des informations sur le flux sanguin tout au long du cycle cardiaque. La première étape pour profiter du potentiel de cette modalité d'imagerie est l'élaboration d'une méthode de segmentation 4D de l'aorte, permettant d'effectuer à des analyses de l'interaction fluide-structure.L'objectif de cette thèse est de segmenter automatiquement l'aorte à partir de l'IRM de flux 4D et d'analyser la faisabilité de l'utilisation de ces segmentations automatiques dans la génération de biomarqueurs tels que la pression de la paroi aortique. À cette fin, nous avons d'abord évalué la segmentation automatique de la phase systolique en 3D avec des méthodes de pointe, telles que la segmentation basée sur des méthodes d'apprentissage profond. Avec cette étude il a été démontré que l'apprentissage profond surpasse la performance de segmentation de méthodes basés sur l'utilisation de multi-atlas. En outre, il a été observé que les biomarqueurs tels que la pression de la paroi aortique sont plus robustes lorsqu'on utilise des segmentations automatiques par apprentissage profond. Par conséquent, deux approches basées sur l'apprentissage en profondeur ont été proposées pour la segmentation aortique au cours du cycle cardiaque complet. Avec l'analyse des performances de la segmentation 4D, des résultats prometteurs ont été obtenus et doivent être confirmés sur des bases de données d'autres hôpitaux.