Skip to Main content Skip to Navigation
Master Thesis

Évaluation d'un algorithme de reconstruction d'image développé par Deep Learning (DLIR) sur scanners abdomino-pelviens sans injection basse dose réalisés dans le cadre du bilan ou du suivi de maladie lithiasique urinaire

Résumé : L'objectif de cette étude est d'évaluer un nouvel algorithme de reconstruction d'image développé par Deep Learning (DLIR) sur scanners abdomino-pelviens sans injection avec protocole basse dose, réalisés dans le cadre du bilan ou du suivi de maladie lithiasique urinaire. Étude rétrospective monocentrique du 22 novembre au 10 avril 2020 réalisée au CHU d'Amiens. Les scanners abdomino-pelviens sans injection basse dose réalisés pour bilan ou suivi de maladie lithiasique urinaire ont été recensés. Chaque examen comportait 3 reconstructions : DLIR, FBP et ASIR-V 70%. La qualité d'image a été évaluée de façon subjective avec un score visuel et de façon objective en plaçant 6 ROI sur les 3 reconstructions pour mesurer la densité et le bruit et calculer le rapport signal sur bruit, le contraste absolu et le rapport contraste sur bruit. Le volume et la densité des calculs les plus volumineux sur chaque reconstruction ont également été comparés. La détectabilité des calculs urinaires a été évaluée par 4 observateurs. Le bruit de l'image était significativement diminué avec les reconstructions DLIR, 7,2 contre 17 pour ASIR-V 70% et 22 pour FBP. De la même façon le RSB, et le RCB était plus élevé avec les reconstructions DLIR par rapport aux deux autres reconstructions. Le contraste était moins bon avec le DLIR par rapport à l'ASIR-V quand les structures étaient de densité proche. Le volume et la densité des calculs sont plus faibles sur les reconstructions DLIR. La qualité d'image subjective des reconstructions DLIR était significativement supérieur aux reconstructions (2,36 vs 1,7 vs 1,8). La détectabilité de tous les calculs et des calculs de plus de 3 mm était équivalente avec les reconstructions DLIR vs ASIR-V, et supérieurs par rapport au FBP (ICC= 0,99 ; 0,98 ; 0,96). Pour la détectabilité des calculs de moins de 3 mm, les résultats n'étaient pas significatifs. Pour des scanners abdomino-pelviens en basse dose, les reconstructions DLIR permettent une qualité d'image supérieure aux reconstructions ASIR-V et FBP et une détection des calculs urinaires équivalente aux reconstructions ASIR-V.
Document type :
Master Thesis
Complete list of metadatas

Cited literature [68 references]  Display  Hide  Download

https://dumas.ccsd.cnrs.fr/dumas-02933236
Contributor : Bu Santé Upjv <>
Submitted on : Tuesday, September 8, 2020 - 11:42:27 AM
Last modification on : Friday, October 23, 2020 - 4:33:53 PM

File

Delabie Aurélien. Thèse d'ex...
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-02933236, version 1

Collections

Citation

Aurélien Delabie. Évaluation d'un algorithme de reconstruction d'image développé par Deep Learning (DLIR) sur scanners abdomino-pelviens sans injection basse dose réalisés dans le cadre du bilan ou du suivi de maladie lithiasique urinaire. Médecine humaine et pathologie. 2020. ⟨dumas-02933236⟩

Share

Metrics

Record views

15

Files downloads

14