Nantilus
Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule endoscopique chez les patients atteints de maladie de Crohn
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...
Saved in:
| Main Authors : | , , |
|---|---|
| Corporate Authors : | , |
| Format : | Thesis |
| Language : | français |
| Title statement : | Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule endoscopique chez les patients atteints de maladie de Crohn / Astrid de Maissin; sous la direction de Arnaud Bourreille |
| Published : |
Nantes :
Université de Nantes
, 2020 [Lieu de publication inconnu] : [éditeur inconnu] |
| Online Access : |
Via Nantes Université network
|
| Reproduction de : | Reproduction numérique de l'original imprimé datant de 2019 |
| Note de thèse : | Reproduction de : Thèse d'exercice : Médecine. Gastro-entérologie et hépatologie : Nantes : 2019 |
| Conditions d'accès : | Thèse soumise à l'embargo de l'auteur jusqu'au 01-01-2021. |
| Subjects : | |
| Related Items : | Is reproduction of:
Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule endoscopique chez les patients atteints de maladie de Crohn |
| Summary : | 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. |
|---|---|
| Notes : | Description d'après la consultation, 2020-01-20 Titre provenant de l'écran-titre L'impression du document génère 61 p. Autre(s) contribution(s) : Stanislas Bruley des Varannes (Président du jury) |
| Configuration requise : | Un logiciel capable de lire un fichier au format PDF |
| Bibliography : | Bibliogr. 194 réf. |