Application de méthodes de « Deep Learning » en intelligence artificielle pour l’identification en temps réel de vues échocardiographiques - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2019

Application of deep learning methods in artificial intelligence for the real-time classification of echocardiographic views

Application de méthodes de « Deep Learning » en intelligence artificielle pour l’identification en temps réel de vues échocardiographiques

Résumé

Introduction: echocardiography is an indispensable tool for the management of cardiovascular diseases, its access is unfortunately limited by the number of experts. The use of artificial intelligence techniques opens the possibility of assisting an operator, in the acquisition and analysis of focused echocardiography, using new ultra-portable devices, thus allowing access to the greatest number. Identifying in real-time the reference views required for this exam is the first step. Objective: develop an algorithm that can identify echocardiographic reference views in real-time with sufficient quality to ensure reliable interpretation. Method: use of echocardiographic exams from the database of Bordeaux University Hospital. Annotation of video acquisitions with 8 labels, 7 of which correspond to the mains reference views that meet defined quality criteria. The last label called "not determined" was attributed to all other views including reference views that did not meet the quality criteria. A convolutional neural network with a simplified VGG architecture was trained to distinguish these 8 labels. Performances were evaluated by image and by acquisition with cross-validation. Results: 369 studies from 358 patients, representing 5785 acquisitions, were annotated. The "not-determined" class accounted for 49.7% of acquisitions. The algorithm distinguishes the 8 classes with an average accuracy of 81.75 ± 1.27% per frame and 82.97 ± 1.42% per acquisition. The F1 score is 79.15 ± 2.50% per frame and 81.48 ± 1.91% per acquisition. Most of the classification errors are between the reference views and the "not determined" class, since only 35 (0.61%) of the reference views have been classified in the wrong reference view. Conclusion: real-time identification of seven references views of sufficient quality for performing focused echocardiography is feasible with acceptable accuracy.
Introduction : l’échocardiographie est un outil indispensable à la prise en charge des maladies cardiovasculaire mais son accès dans le monde est limité. L’utilisation de techniques d’intelligence artificielle ouvre la possibilité d’assister un opérateur dans la réalisation et l’analyse d’une échocardiographie focalisée à l’aide d’appareils miniatures permettant ainsi un accès au plus grand nombre. Identifier en temps réel les vues de référence requises à cet examen est la première étape. Objectif : développer un algorithme pour identifier en temps réel les vues de référence avec une qualité suffisante pour garantir une interprétation fiable. Méthode : utilisation d’échocardiographies issus de la base de données du CHU de Bordeaux. Annotation des acquisitions avec 8 labels dont 7 correspondants aux principales vues de référence respectant des critères de qualités définis. Le dernier label appelé « non déterminé » était attribué à toutes les autres acquisitions et notamment aux vues de référence ne satisfaisant pas les critères de qualités. Un réseau de neurones convolutionnel avec une architecture VGG simplifiée a été entrainé à distinguer ces 8 labels. Les performances ont été évaluées par image et par acquisition avec validation croisée. Résultats : 369 examens issus de 358 patients, représentant 5785 acquisitions, ont été annotés. La classe non-déterminée représentait 49.7% des acquisitions. L’algorithme distingue les 8 classes avec une précision moyenne de 81.75±1.27% par image et 82.97±1.42% par acquisition. Le score F1 est de 79.15±2.50% par image et 81.48±1.91% par acquisition. L’essentiel des erreurs de classifications sont entre les vues de référence et la classe non déterminée puisque seulement 35(0.61%) des vues de référence ont été classées dans la mauvaise vue de référence. Conclusion : l’identification en temps réel de 7 vues de référence de qualité suffisante pour réaliser une échocardiographie focalisée est faisable avec une précision acceptable.
Fichier principal
Vignette du fichier
Med_spe_2019_Dezellus.pdf (942.1 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

dumas-02498256 , version 1 (04-03-2020)

Identifiants

  • HAL Id : dumas-02498256 , version 1

Citer

Alexandre Dezellus. Application de méthodes de « Deep Learning » en intelligence artificielle pour l’identification en temps réel de vues échocardiographiques. Sciences du Vivant [q-bio]. 2019. ⟨dumas-02498256⟩
165 Consultations
41 Téléchargements

Partager

Gmail Facebook X LinkedIn More