CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram

Cet article présente le CASR-Net, un réseau d'apprentissage profond innovant en trois étapes intégrant un prétraitement avancé et une architecture UNet-DenseNet121 avec décodeur Self-ONN, conçu pour améliorer la précision de la segmentation et du raffinement des artères coronaires sur des angiogrammes X-ray afin de soutenir le diagnostic clinique.

L'essentiel

🫀 CASR-Net : Le "Super-Héros" qui nettoie et répare les cartes de vos artères

Imaginez que votre cœur est une ville très animée, et que les artères coronaires sont les autoroutes qui apportent l'oxygène (le carburant) aux bâtiments (vos cellules). Parfois, ces autoroutes se bouchent ou se rétrécissent à cause de la "pollution" (le cholestérol). C'est ce qu'on appelle la maladie coronarienne.

Pour voir ces autoroutes, les médecins utilisent une sorte de radiographie spéciale appelée angiographie. Mais il y a un gros problème : ces images sont souvent floues, sombres, avec des ombres bizarres et du "bruit" (comme de la neige sur une vieille télé). C'est comme essayer de conduire une voiture de nuit, sous la pluie, avec un pare-brise sale.

C'est là qu'intervient CASR-Net. C'est un nouveau logiciel intelligent (une intelligence artificielle) conçu pour nettoyer ces images et tracer parfaitement les routes, même les plus petites et les plus abîmées.

Voici comment il fonctionne, étape par étape, avec des analogies simples :

1. Le Nettoyage : La "Double Éponge" Magique 🧽

Avant même de commencer à dessiner, CASR-Net doit nettoyer la "neige" de l'image.

• Le problème : L'image est parfois trop sombre d'un côté et trop claire de l'autre.
• La solution : Le logiciel utilise deux techniques de nettoyage en même temps (comme utiliser une éponge humide ET un chiffon sec).
  • La première technique (CLAHE) ajuste le contraste, comme si on réglait la luminosité d'une photo pour voir les détails cachés dans les ombres.
  • La deuxième technique (une version améliorée de la méthode "Ben Graham") enlève les taches de fond, comme si on effaçait les traces de doigts sur un verre pour voir ce qu'il y a derrière.
• Le résultat : L'image devient beaucoup plus claire, et les artères ressortent nettement du fond.

2. Le Dessin : L'Architecte qui ne lâche rien 🏗️

Une fois l'image propre, il faut dessiner les artères. C'est le cœur du logiciel.

• Le défi habituel : Les anciennes intelligences artificières sont comme des enfants qui dessinent : elles font bien les gros traits, mais dès qu'il y a une petite route tordue ou une zone rétrécie (une sténose), elles cassent le trait ou oublient de le dessiner.
• L'innovation CASR-Net : Au lieu d'utiliser des "briques" classiques pour construire son cerveau, CASR-Net utilise des briques spéciales appelées Self-ONN.
  • L'analogie : Imaginez un maçon classique qui pose des briques rigides. Si le mur est courbe, il doit laisser des trous. CASR-Net, lui, utilise des briques en "gelée" qui peuvent se déformer pour épouser exactement la forme de l'artère, même si elle est tordue ou très fine.
• Le résultat : Même les plus petites branches de l'artère sont dessinées en continu, sans se casser.

3. La Réparation : Le "Chirurgien" de fin 🩹

Même avec un bon dessin, il reste parfois de petites erreurs : de faux points (du bruit qu'on a pris pour une artère) ou de petits trous dans les artères.
CASR-Net a un troisième étage pour réparer tout ça :

• L'élimination des faux amis : Il repère les petits points isolés qui ne sont pas des artères et les efface (comme enlever les taches d'encre sur une carte).
• Le pontage : Si une artère est dessinée en deux morceaux séparés, le logiciel crée un petit "pont" pour les reconnecter.
• Le résultat : Une carte parfaite, sans faux positifs et sans coupures.

🏆 Pourquoi c'est une révolution ?

Les chercheurs ont testé ce logiciel sur des milliers d'images réelles, incluant des cas difficiles où les artères sont malades.

• Avant : Les autres logiciels rataient souvent les petites artères ou les zones rétrécies.
• Avec CASR-Net : Il réussit à voir et à dessiner ces zones critiques avec une précision bien supérieure.

En résumé :
CASR-Net, c'est comme donner à un médecin une paire de lunettes magiques qui nettoie la boue, ajuste la lumière et répare les trous sur la carte routière de votre cœur. Cela permet de diagnostiquer plus vite et plus précisément les problèmes cardiaques, ce qui peut sauver des vies en aidant les médecins à mieux planifier les traitements.

C'est un outil qui transforme une image floue et confuse en une carte claire et fiable, prête à être utilisée pour soigner les patients.

Résumé technique

1. Problématique

Le diagnostic précoce de la maladie coronarienne (MCA) est crucial pour réduire la mortalité et optimiser les traitements. La méthode de référence clinique est l'angiographie coronaire par rayons X (XCA). Cependant, l'analyse automatique de ces images rencontre des défis majeurs :

• Qualité d'image médiocre : Illumination inégale, faible contraste, résolution limitée et rapport signal/bruit (SNR) faible.
• Artéfacts et complexité anatomique : Présence de cathéters, de la colonne vertébrale, et superposition des vaisseaux.
• Difficulté de segmentation : La délimitation précise des branches fines et des artères sténosées (rétrécies) est particulièrement difficile. Les méthodes existantes tendent à bien segmenter les gros vaisseaux mais échouent souvent à préserver la continuité des branches étroites, ce qui est critique pour l'évaluation clinique des sténoses.

2. Méthodologie : Le Pipeline CASR-Net

L'article propose CASR-Net, un pipeline en trois étapes conçu pour surmonter ces limitations :

A. Prétraitement Multicanal (Image Processing)

Pour améliorer la visibilité des vaisseaux, les auteurs combinent deux techniques dans une approche multicanale :

1. CLAHE (Contrast Limited Adaptive Histogram Equalization) : Appliqué sur un canal pour améliorer le contraste local et la visibilité des vaisseaux dans les zones sombres.
2. Méthode Ben Graham améliorée : Une version modifiée de la technique originale (souvent utilisée en rétinographie) qui soustrait la couleur moyenne locale. Les auteurs l'ont adaptée pour éliminer les effets d'ombre circulaires (patch artifacts) et supprimer le bruit de fond.

• Résultat : Ces deux canaux sont concaténés pour former une entrée multicanale qui offre une différenciation supérieure entre l'artère et le fond par rapport à l'utilisation d'une seule technique.

B. Segmentation (Architecture du Réseau)

Le cœur du système est une architecture U-Net modifiée :

• Encodeur : Basé sur DenseNet121 (pré-entraîné sur ImageNet) pour extraire efficacement les caractéristiques hiérarchiques.
• Décodeur Innovant : Remplacement des couches de convolution standard (Conv2D) et des fonctions d'activation ReLU par des blocs Self-ONN (Self-organized Operational Neural Networks) avec une activation Tanh.
  • Pourquoi Self-ONN ? Contrairement aux CNN classiques qui utilisent des opérateurs linéaires fixes, les Self-ONN apprennent dynamiquement des opérateurs nodaux non linéaires pendant l'entraînement. Cela permet au réseau de mieux modéliser la géométrie complexe et non linéaire des vaisseaux sanguins, réduisant ainsi la rupture des branches fines.
• Fonction de perte : Utilisation de la Dice Loss, qui s'est révélée supérieure à la Binary Cross-Entropy (BCE) pour ce type de tâche déséquilibrée.

C. Raffinement Post-traitement

Une étape finale vise à corriger les erreurs résiduelles :

1. Raffinement des contours : Suppression des petits faux positifs (bruit) par seuillage de surface et opérations bit à bit.
2. Génération de "Patch Lines" : Une technique morphologique qui détecte les extrémités des vaisseaux fragmentés et reconnecte les branches disjointes en générant des lignes de connexion validées par une vérification de continuité des pixels.

3. Contributions Clés

1. Architecture CASR-Net : Introduction d'un décodeur basé sur des Self-ONN au sein d'un U-Net, spécifiquement conçu pour maintenir la continuité des vaisseaux sténosés et fins.
2. Prétraitement Multicanal : Combinaison innovante de CLAHE et d'une méthode Ben Graham améliorée, augmentant significativement le contraste artère/fond.
3. Pipeline de Raffinement : Intégration de techniques de post-traitement (contours et patch lines) pour éliminer les faux positifs et reconnecter les vaisseaux brisés.
4. Validation Rigoureuse : Utilisation d'un jeu de données combiné (DCA1 + Angiographic Dataset for Stenosis Detection) incluant à la fois des artères saines et sténosées, évalué via une validation croisée 5-fold.

4. Résultats

Le modèle a été testé sur une combinaison de deux jeux de données publics (348 images au total) avec une validation croisée 5-fold. Les performances comparées aux modèles de l'état de l'art (U-Net, UNet++, ResNet, MedSAM, etc.) sont les suivantes :

• Dice Similarity Coefficient (DSC) : 76,10 % (Supérieur aux meilleurs modèles comparés).
• Intersection over Union (IoU) : 61,43 %.
• clDice (métrique de continuité topologique) : 79,36 %, indiquant une excellente préservation de la connectivité des vaisseaux.
• Précision et Rappel : Un équilibre optimal avec un taux de faux positifs (FPR) de 1,48 % et un taux de faux négatifs (FNR) de 21,39 %.
• Temps d'inférence : Environ 0,696 seconde par image, ce qui est compétitif.

L'étude d'ablation a confirmé que l'ajout des blocs Self-ONN et du prétraitement multicanal apporte des gains significatifs par rapport à un U-Net standard ou à l'utilisation de techniques de prétraitement isolées.

5. Signification et Impact

• Avancée Clinique : CASR-Net offre un outil robuste pour l'automatisation de la segmentation des artères coronaires, en particulier dans les cas difficiles (sténoses, vaisseaux fins) où les méthodes actuelles échouent souvent.
• Innovation Algorithmique : L'application des Self-ONN dans le décodeur d'un réseau de segmentation médicale démontre leur potentiel pour capturer des structures géométriques complexes mieux que les convolutions linéaires traditionnelles.
• Approche Holistique : En intégrant le prétraitement, la segmentation et le raffinement post-traitement dans un seul pipeline, l'article propose une solution complète qui dépasse la simple amélioration d'un modèle de deep learning.

Limitations et Perspectives :
Les auteurs notent que le modèle n'a pas encore été validé sur des ensembles de données externes (hétérogènes) et qu'il traite les images individuellement sans exploiter l'information temporelle des séquences vidéo. Les travaux futurs visent à intégrer des modèles temporels, à valider sur des données multi-centres et à remplacer les règles de post-traitement heuristiques par des modules d'apprentissage adaptatifs.