An accurate detection of intracranial aneurysms is of paramount importance for a timely diagnosis and a possible treatment. Indeed, intracranial aneurysms (ICA) need to be detected at an early stage, and their evolution must be closely monitored before any treatment becomes hazardous. Numerous methods have been proposed to detect ICA either on Digital Subtraction Angiography (DSA) on Computed Tomography Angiography (CTA), or Magnetic Resonance Angiography (MRA) Time-Of-Flight (TOF) modalities. In the present study, we are particularly interested in the saccular ICA occurring onto the vascular tree's bifurcations, and we specifically focus our research on MRA-TOF acquisitions. We propose a synthetic model of both the artery bifurcation and the aneurysm itself. We are able to very accurately model some vasculature bifurcations as they are represented on TOF acquisitions. Their geometrical disposition, the various background noises and the aneurysm's shapes and positions are rigorously reproduced. The purpose of this approach is to alleviate the burden of a ground-truth manual segmentation commonly required when using deep-learning for object detection or semantic segmentation. Our model is highly configurable and intends to produce vast datasets used to feed a Convolutional Neural Network (CNN) for the automatic detection and segmentation of the saccular ICAs. In this preliminary study we only intend to propose a model for 3D aneurysm-bearing bifurcations. Evidently, a thorough evaluation of the model's accuracy is conducted. A preliminary experiment was conducted on a reduced dataset in order to assess the applicability of our bifurcation model. In future works, we will enhance the bifurcation model and propose an in-depth evaluation via Deep Learning methods.
Intracranial aneurysms (ICA) commonly occur in specific segments of the Circle of Willis (CoW), primarily, onto thirteen major arterial bifurcations. An accurate detection of these critical landmarks is necessary for a prompt and efficient diagnosis. We introduce a fully automated landmark detection approach for CoW bifurcations using a two-step neural networks process. Initially, an object detection network identifies regions of interest (ROIs) proximal to the landmark locations. Subsequently, a modified U-Net with deep supervision is exploited to accurately locate the bifurcations. This two-step method reduces various problems, such as the missed detections caused by two landmarks being close to each other and having similar visual characteristics, especially when processing the complete MRA Time-of-Flight (TOF). Additionally, it accounts for the anatomical variability of the CoW, which affects the number of detectable landmarks per scan. We assessed the effectiveness of our approach using two cerebral MRA datasets: our In-House dataset which had varying numbers of landmarks, and a public dataset with standardized landmark configuration. Our experimental results demonstrate that our method achieves the highest level of performance on a bifurcation detection task.
Une étude concernant la propriété semi-définie positive des matrices de similarité et des matrices doublement stochastiques avec certaines applications: La théorie des matrices s'est développée rapidement au cours des dernières décennies en raison de son large éventail d'applications et de ses nombreux liens avec différents domaines des mathématiques, de l'économie, de l'apprentissage automatique et du traitement du signal. Cette thèse concerne trois axes principaux liés à deux objets d'étude fondamentaux de la théorie des matrices et apparaissant naturellement dans de nombreuses applications, à savoir les matrices semi-définies positives et les matrices doublement stochastiques.Un concept qui découle naturellement du domaine de l'apprentissage automatique et qui est lié à la propriété semi-définie positive est celui des matrices de similarité. En fait, les matrices de similarité qui sont semi-définies positives revêtent une importance particulière en raison de leur capacité à définir des distances métriques. Cette thèse explorera la propriété semi-définie positive pour une liste de matrices de similarité trouvées dans la littérature. De plus, nous présentons de nouveaux résultats concernant les propriétés définie positive et semi-définie trois-positive de certains matrices de similarité. Une discussion détaillée des nombreuses applications de tous ces propriétés dans divers domaines est également établie.D'autre part, un problème récent de l'analyse matricielle implique l'étude des racines des matrices stochastiques, ce qui s'avère important dans les modèles de chaîne de Markov en finance. Nous étendons l'analyse de ce problème aux matrices doublement stochastiques semi-définies positives. Nous montrons d'abord certaines propriétés géométriques de l'ensemble de toutes les matrices semi-définies positives doublement stochastiques d'ordre n ayant la p-ième racine doublement stochastique pour un entier donné p . En utilisant la théorie des M-matrices et le problème inverse des valeurs propres des matrices symétriques doublement stochastiques (SDIEP), nous présentons également quelques méthodes pour trouver des classes de matrices semi-définies positives doublement stochastiques ayant des p-ièmes racines doublement stochastiques pour tout entier p.Dans le contexte du SDIEP, qui est le problème de caractériser ces listes de nombres réels qui puissent constituer le spectre d’une matrice symétrique doublement stochastique, nous présentons quelques nouveaux résultats le long de cette ligne. En particulier, nous proposons d’utiliser une méthode récursive de construction de matrices doublement stochastiques afin d'obtenir de nouvelles conditions suffisantes indépendantes pour SDIEP. Enfin, nous concentrons notre attention sur les spectres normalisés de Suleimanova, qui constituent un cas particulier des spectres introduits par Suleimanova. En particulier, nous prouvons que de tels spectres ne sont pas toujours réalisables et nous construisons trois familles de conditions suffisantes qui affinent les conditions suffisantes précédemment connues pour SDIEP dans le cas particulier des spectres normalisés de Suleimanova.