Analyse myocardique assistée par une analyse intelligente prédictive issue de la caractérisation fluidique – application à la méthode Fractional Flow Reserve.
Keywords
FFR, FFRct,CFD, AI
FFR invasive - (Fractional Flow Reserve)
L’évaluation précise de la sévérité fonctionnelle des sténoses coronariennes est un enjeu clinique majeur dans la prise en charge des maladies coronariennes. La Fractional Flow Reserve (FFR), mesurée de manière invasive lors de la coronarographie, reste la référence pour différencier les lésions coronaires significatives des sténoses non critiques. Toutefois, cette méthode invasive comporte des risques, des coûts élevés, et un accès limité à certains patients.
FFRct - Technique non-invasive
La tomodensitométrie coronarienne (CCTA) couplée à l’estimation non invasive de la FFR par simulation numérique (FFRct) s’est imposée comme une alternative prometteuse. Les méthodes classiques de calcul reposent sur la dynamique des fluides computationnelle (CFD), qui modélise avec précision l’écoulement sanguin dans les artères coronaires. Cependant, ces approches CFD demandent un temps de calcul conséquent (de l’ordre de plusieurs dizaines de minutes à heures) et nécessitent des infrastructures informatiques lourdes, ce qui limite leur déploiement clinique en routine.
Approche
Méthode
Un solveur CFD personnalisé non-newtonien a été développé pour simuler l’écoulement sanguin dans des géométries coronaires, extraites de scanners CCTA. Les simulations CFD ont permis de calculer les champs de pression et de vitesse pour chaque géométrie. Ces données ont ensuite été utilisées pour entraîner un modèle d’apprentissage profond capable CNN/GAN, à partir du seul maillage de l’artère coronaire, de prédire les champs de pression et de vitesse associés. L’entraînement et la validation ont été réalisés sur des cas synthétiques et réels, via validation croisée.
Jumeau numérique CFD
Le cœur méthodologique repose sur un solveur CFD développé spécifiquement pour simuler l’écoulement sanguin dans les artères coronaires en considérant la nature non-newtonienne du sang, décrite par un modèle de viscosité dépendant du taux de cisaillement.
Modèle CNN/GAN
Le modèle d’apprentissage profond proposé combine une Convolutional Neural Network (CNN) pour l’extraction automatique des caractéristiques spatiales complexes du maillage, avec un Generative Adversarial Network (GAN) dont le discriminateur améliore la qualité des prédictions en distinguant les sorties réelles des synthétiques.
Premiers Résultats
L’approche combinée jumeau numérique CFD + IA permet une estimation rapide et précise de la FFRct à partir de simples maillages coronaires, réduisant considérablement le temps de calcul tout en conservant une haute précision. Elle ouvre la voie à une intégration clinique à grande échelle, y compris dans des environnements contraints en temps ou en ressources.
Erreur Absolue
Pa
Erreur Relative
%
Nouveauté scientifique Génération contrôlée de données d’entraînement synthétiques à partir d’un solveur CFD maison haute fidélité.
Innovation technique Mise en œuvre d’une IA entraînée sur données synthétiques CFD, permettant l’estimation des champs de pression et de vitesse à partir d’une géométrie.
Avancée technologique couplage d’un jumeau numérique CFD avec une IA médicale, dans une logique de transfert vers un outil clinique utilisable en temps quasi réel.
