Intelligence artificielle pour l'optimisation diagnostique et pronostique de l'imagerie nucléaire SPECT de la perfusion myocardique // Artificial intelligence - driven optimization of SPECT Myocardial Perfusion Imaging for the Non-Invasive Assessment of C

Les maladies cardiovasculaires (MCV) ont emporté 19,9 millions d'individus en 2021, soit ~30 % de la mortalité mondiale totale estimée à 68 millions d'individus. Avec 9 millions de décès dans le monde, l'ischémie myocardique représente à elle seule 45 % de la mortalité cardiovasculaire et 15 % de la mortalité globale. Elle est la pathologie individuelle responsable du plus grand nombre de décès, à travers ses manifestations cliniques principales que sont l'infarctus du myocarde et la cardiopathie ischémique.
Le paradigme historique guidant la prise en charge cardiologique des patients ischémiques était jusque récemment que l'ischémie myocardique est causée par la maladie coronaire obstructive touchant les gros vaisseaux coronaires et pouvant être diagnostiquée grâce à la coronarographie. Ce paradigme faisant porter la responsabilité exclusive de l'ischémie sur les gros troncs coronaires est remis en question depuis la découverte du rôle majeur des microvaisseaux coronaires dans la maladie ischémique et la mortalité cardiovasculaire via la dysfonction coronaire microvasculaire (DCM). Or, malgré son intérêt diagnostique et pronostique, il n'existe pas à ce jour de méthodologie d'imagerie non invasive permettant d'évaluer la DCM en routine clinique. L'imagerie nucléaire SPECT de la perfusion a été validée contre la coronarographie pour le diagnostic et le pronostic de l'ischémie myocardique causée par la maladie coronaire, et elle est utilisée en routine clinique. Ce projet doctoral propose d'explorer la possibilité d'identifier largement et de façon non invasive la DCM grâce à l'imagerie nucléaire SPECT de perfusion. Il est basé sur des résultats préliminaires qui soulignent, dans une population de patients à haut risque cardiovasculaire, l'intérêt pronostique d'une analyse poussée du signal contenu dans les images et donnant accès à la DCM, tout en pointant les limites de la méthode dans une population de patients à risque faible à modéré, beaucoup plus représentative de la routine clinique.
Ainsi, le projet doctoral consiste en l'utilisation de 3 cohortes, pour lesquelles les bases de données sont d'ores et déjà disponibles, pour remplir 3 objectifs :
1. l'optimisation de l'évaluation pronostique de la DCM par imagerie SPECT en utilisant des méthodologies de machine learning et de deep learning par comparaison statistique avec les résultats déjà obtenus sur la cohorte EVADIAB incluant des patients à haut risque cardiovasculaire (n = 166),
2. l'évaluation de l'intérêt pronostique de cette méthode optimisée sur la cohorte PROMHETE incluant des patients à risque cardiovasculaire faible à modéré (n = 1,159),
3. la vérification que l'analyse optimisée des images EVADIAB et PROHMETE est dépendante de l'état de la microcirculation coronaire en utilisant les données cliniques issues du registre de Médecine Nucléaire EVARESERVE. EVARESERVE inclut des patients bénéficiant d'images SPECT classiques, qui seront analysées dans ce projet, ainsi que d'acquisitions dynamiques et d'une coronarographie qui permettent la détection, quoique complexe et invasive, de la DCM et de la maladie coronaire (n = ~350 à date).
L'expertise clinique sera procurée par les collaborations étroites que le laboratoire entretient avec les services de médecine nucléaire et de cardiologie du CHU Grenoble – Alpes. Le projet bénéficiera également d'une expertise IA locale et internationale qui viendra soutenir le travail doctoral, grâce aux collaborations que nous entretenons avec l'équipe « Neuroimagerie fonctionnelle et perfusion cérébrale » (B. Lemasson) du GIN et le Cardiovascular Medical Center (Pr. Yen-Wen WU) de l'université nationale de Taiwan (NTU).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Cardiovascular diseases (CVDs) claimed 19.9 million lives in 2021, accounting for approximately 30% of the estimated global mortality of 68 million individuals. With 9 million deaths worldwide, myocardial ischemia alone represents 45% of cardiovascular mortality and 15% of overall mortality. It is the leading individual cause of death, primarily through its main clinical manifestations: myocardial infarction and ischemic heart disease.
The historical paradigm guiding the cardiological management of ischemic patients was, until recently, that myocardial ischemia is caused by obstructive coronary artery disease affecting the large coronary vessels, which can be diagnosed via coronary angiography. This paradigm, which placed sole responsibility for ischemia on the major coronary trunks, has been challenged by the discovery of the major role of coronary microvessels in ischemic disease and cardiovascular mortality via coronary microvascular dysfunction (CMD). However, despite its diagnostic and prognostic significance, there is currently no non-invasive imaging methodology available for routine clinical assessment of CMD.
Nuclear SPECT perfusion imaging has been validated against coronary angiography for diagnosing and assessing the prognosis of myocardial ischemia caused by coronary artery disease and is routinely used in clinical practice. This PhD project aims to explore the possibility of broadly and non-invasively identifying CMD using nuclear SPECT perfusion imaging. It builds on preliminary results highlighting, in a population of high cardiovascular risk patients, the prognostic value of in-depth signal analysis from images providing access to CMD, while also pointing out the limitations of the method in a population of low-to-moderate risk patients, who are however more representative of clinical routine.
Thus, the doctoral project involves the use of three cohorts, with existing available databases, to fulfill three objectives:
1. To optimize the prognostic evaluation of CMD using SPECT imaging by applying machine learning and deep learning methodologies, with statistical comparison to results already obtained from the EVADIAB cohort (n = 166), which includes high cardiovascular risk patients,
2. To evaluate the prognostic value of this optimized method in the PROMHETE cohort (n = 1,159), composed of patients at low to moderate cardiovascular risk,
3. To verify that the optimized image analysis from EVADIAB and PROMHETE is dependent on the status of coronary microcirculation, by using clinical data from the EVARESERVE Nuclear Medicine Registry, which includes patients who underwent standard SPECT imaging (to be analyzed in this project), as well as dynamic acquisitions and coronary angiography, enabling the complex and invasive detection of CMD and coronary artery disease (n ≈ 350 to date).
Clinical expertise will be provided by the strong relationships between the laboratory and the departments of Nuclear Medicine and Cardiology of the Grenoble – Alpes university hospital. The project will benefit from local and international AI expertise to support the doctoral work, through collaborations with the 'Functional Neuroimaging and Cerebral Perfusion' team (B. Lemasson) at the GIN and the Cardiovascular Medical Center (Prof. Yen-Wen Wu) at National Taiwan University (NTU).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'un établissement public Français

Université Grenoble Alpes

216 ISCE - Ingénierie pour la Santé la Cognition et l'Environnement

Le profil recherché sera un(e) ingénieur(e) diplômé(e) d'une formation type Grenoble INP – UGA, filière SICOM (signal, image, communication, multimédia) ou équivalent. Il aura pour rôle principal le développement des modèles de machine learnnig et de deep learning, incluant les stratégies de transfer learning et d'explicabilité. Il entretiendra des échanges actifs avec nos collaborateurs locaux (Grenoble Institut des Neurosciences, équipe « Neuroimagerie fonctionnelle et perfusion cérébrale », B. Lemasson) ainsi que taiwanais (Cardiovascular Medical Center, Pr. Y-W. WU, Taipei, TAIWAN) pour les aspects IA. Sans avoir à les posséder initialement, le doctorant devra également s'approprier les compétences statistiques permettant l'évaluation des performances cliniques des modèles qui seront développés.
The desired profile is that of an engineer who has graduated from a program such as Grenoble INP – UGA, specializing in SICOM (Signal, Image, Communication, Multimedia) or an equivalent field. Their main role will be to develop machine learning and deep learning models, including transfer learning and explainability strategies. They will maintain active collaboration with our local partners (Grenoble Institute of Neurosciences, 'Functional Neuroimaging and Brain Perfusion' team, B. Lemasson) as well as with our Taiwanese partners (Cardiovascular Medical Center, Prof. Y-W. WU, Taipei, TAIWAN) for AI-related aspects. Although not required at the outset, the PhD student will also be expected to acquire statistical skills necessary for evaluating the clinical performance of the models developed