Aichi Chien*, Ziga Spiclin, Ziga Bizjak, Kambiz Nael
Contexte : Les anévrismes intracrâniens (AI) en croissance étant plus susceptibles de se rompre, la détection de la croissance est une partie importante du suivi des AIC non rompus. Des études récentes ont constamment montré que la détection de la croissance des AIC peut être difficile, en particulier dans le cas des anévrismes de petite taille. Dans cette étude, nous présentons une méthode de calcul automatisée pour aider à la détection de la croissance des anévrismes.
Méthodes : Un programme d'analyse, Aneurysm Growth Evaluation and Detection (AGED), basé sur des images IA a été développé. Pour vérifier que le programme peut détecter de manière satisfaisante la croissance clinique d'un anévrisme, nous avons réalisé cette étude comparative en utilisant des déterminations cliniques de la croissance pendant le suivi IA comme référence. Les patients présentant une IA sacculaire non rompue suivie d'une CTA cérébrale diagnostique pour surveiller la progression de l'IA ont été examinés. 48 séries d'images IA provenant de 20 IA ICA suivies longitudinalement ont été analysées à l'aide d'AGED et un ensemble de caractéristiques morphologiques IA ont été calculées. Des tests statistiques non paramétriques et une analyse ROC ont été réalisés pour évaluer la performance de chaque caractéristique pour la détection de la croissance.
Résultats : L'ensemble des caractéristiques morphologiques calculées automatiquement a montré des résultats comparables à l'évaluation manuelle standard de la croissance clinique de l'IA. Plus précisément, l'HMAX calculé automatiquement s'est avéré supérieur (AUC = 0,958) pour distinguer l'IA en croissance de l'IA stable, suivi de V et SA (AUC = 0,927 et 0,917, respectivement).
Conclusion : Nos résultats étayent les méthodes automatiques de détection de la croissance de l'IA à partir d'études d'imagerie séquentielles comme complément utile à l'évaluation clinique standard. La détection de la croissance générée par AGED est prometteuse pour la caractérisation et la détection de la croissance de l'IA avec le potentiel de réduire la variabilité associée aux mesures manuelles.