Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule endoscopique chez les patients atteints de maladie de Crohn
Par : Maissin, Astrid de
Document archivé le : 20/01/2020
Objectif : La détection de lésions de maladie de Crohn (MC) en vidéo-capsule endoscopique (VCE) nécessite du temps et de l'expertise. Depuis 2015, le deep learning a de plus en plus d'applications. Aucune étude n'a porté sur son utilisation dans la détection automatique de lésions de MC. L'objectif de notre étude était de développer un outil de reconnaissance automatique de lésions de MC en VCE basé sur le deep-learning. Matériels et méthodes : Nous avons entraîné un réseau neuronal récurrent à attention sur deux bases de données : CrohnIPI et CAD-CAP. CrohnIPI, était constituée d'images extraites de vidéos issues de VCE de type PillCam SB3®, réalisées entre 2014 et 2018 chez des patients suivis pour une MC. Les lésions étaient annotées comme suit : ulcérations aphtoïdes, ulcérations entre 3 et 10mm, ulcérations de plus de 10mm, œdème, érythème et sténose. La présence de bulles ou résidus alimentaires n'interférait pas dans la sélection des images. La base de données CAD-CAP était une base de données publique, qui contenait des images normales, inflammatoires et vasculaires. Résultats CrohnIPI était composée de 1628 images normales et 1590 images de lésions de MC, acquises à partir de 66 vidéos réalisées chez les 63 patients de l'étude. L'exactitude de notre réseau sur CrohnIPI était de 89.26%, la sensibilité de 87.76% et la spécificité de 90.71%. CAD-CAP contenait 1800 images dont 600 images normales, vasculaires et inflammatoires. Sur cette base de données, l'exactitude était de 99.67%, la sensibilité était de 98.97 et la spécificité de 100%. Le réseau entraîné sur CrohnIPI et testé sur CAD-CAP montrait de meilleures performances que dans la situation inverse avec des exactitudes de 77.89 et 48.85% respectivement. Conclusion : Nous avons démontré la faisabilité d'un outil de reconnaissance automatique de lésions de MC en VCE, basé sur le deep learning. Les performances du réseau étaient meilleures sur une base de données d'images sélectionnées. Notre travail ouvre la voie du diagnostic assisté par ordinateur dans ce domaine. Des travaux complémentaires prospectifs sont nécessaires sur une base de données de plus grande taille et sur des vidéos complètes.
19 NANT 160M
IMPORTANT : OBLIGATIONS DE LA PERSONNE CONSULTANT CE DOCUMENT
Conformément au Code de la propriété intellectuelle, nous rappelons que le document est
destiné à un usage strictement personnel. Les "analyses et les courtes citations justifiées
par le caractère critique, polémique, pédagogique, scientifique ou d'information" sont autorisées
sous réserve de mentionner les noms de l'auteur et de la source (article L. 122-4 du Code de la
propriété intellectuelle). Toute autre représentation ou reproduction intégrale ou partielle,
faite sans le consentement de l'auteur ou de ses ayants droit, est illicite.
De ce fait, nous vous rappelons notamment que, sauf accord explicite de l'auteur de la thèse, vous n'êtes pas autorisé à rediffuser ce document sous quelque forme que ce soit (impression papier, transfert par voie électronique, ou autre). Tout contrevenant s'expose aux peines prévues par la loi.
Fichier(s) associé(s) au document :
maissin-deMED19.pdf
maissin-deMED19.pdf