Des études récentes indiquent que les maladies vasculaires pulmonaires peuvent affecter spécifiquement les artères ou les veines par des mécanismes physiologiques distincts. Pour détecter les modifications dans les deux arbres vasculaires, les médecins analysent manuellement les images de tomographie computée (TC) du thorax des patients à la recherche d’anomalies. Ce processus est long, difficile à standardiser, et donc peu adapté aux grandes études cliniques ou inutilisable dans la prise de décision clinique réelle. Par conséquent, la séparation automatique des artères et des veines dans les images de TC suscite un intérêt croissant, car elle pourrait aider les cliniciens à diagnostiquer avec précision des conditions pathologiques. Dans cet article, nous présentons une nouvelle approche entièrement automatique pour classifier les vaisseaux à partir d’images de TC thoracique en artères et veines. L’algorithme suit trois étapes principales : premièrement, une segmentation par particules à espace d’échelle pour isoler les vaisseaux ; ensuite, un réseau de neurones convolutif 3D (CNN) pour obtenir une première classification des vaisseaux ; enfin, une optimisation par coupes graphiques pour affiner les résultats. Afin de justifier l’utilisation de l’architecture CNN proposée, nous avons comparé différentes architectures CNN 2D et 3D, utilisant différentes stratégies d’apport d’informations locales issues d’images renforcées des bronches et des vaisseaux. Nous avons également comparé l’approche CNN proposée à un classifieur à forêts aléatoires (RF). La méthodologie a été entraînée et évaluée sur les lobes supérieur et inférieur du poumon droit de 18 cas cliniques ayant subi une TC thoracique sans contraste, en comparaison avec une classification manuelle. L’algorithme proposé atteint une précision globale de 94 %, supérieure à celle obtenue avec d’autres architectures CNN ou le classifieur RF. Notre méthode a également été validée sur des images de TC avec contraste provenant de patients atteints d’hypertension pulmonaire chronique thromboembolique, démontrant ainsi que notre modèle se généralise efficacement aux modalités avec contraste. La méthode proposée surpasse les approches de pointe actuelles, ouvrant la voie à une utilisation future des CNN 3D pour la classification artère/veine dans les images de TC.