Skip to Main content Skip to Navigation
Master Thesis

Évaluation d’un outil de Deep-Learning pour la segmentation automatique du tissu adipeux épicardique en tomodensitométrie thoracique basse dose : étude de faisabilité

Résumé : Introduction : l’objectif principal de cette étude est de développer et d’évaluer un logiciel d’apprentissage pro-fond permettant une segmentation entièrement automatisée du volume de graisse épicardique (épicardial adipose tissue EAT) en tomodensitométrie (TDM) thoracique basse dose. Matériel et méthodes : cette étude rétrospective monocentrique menée d’octobre 2020 à janvier 2021 inclut 115 scanners thoraciques. Le volume intra péricardique à été segmenté manuellement sur toute la cohorte à l’aide du logiciel Slicer 3D et servira de référence. L’EAT à été calculé comme le volume de tissus présentant une densité comprise entre -140 UH et -30 UH à l’intérieur des contours péricardiques (Peri). Les segmentations de 95 patients ont été utilisées pour l’entrainement et la validation de l’algorithme. Les segmentations de 20 patients, non inclus dans la phase précédente ont été utilisées pour la phase de test. Les variabilités intra-observateur et inter-observateur ont été évaluées sur la cohorte de test. Les corrélations entre les segmentations manuelles et automatiques et des tests de Bland-Altman ont été calculés pour évaluer les biais de mesure entre segmentations de référence et les segmentations automatiques. Résultats : les volumes d’EAT moyen étaient de 119.17 cm3 dans la cohorte d’entrainement et de 115.47 cm3 pour la base test. Le coefficient de Dice moyen pour la segmentation automatique (Auto) du vo-lume situé à l’intérieur des contours péricardiques était de 0.93 ± 0.03. Le Dice moyen de la seg-mentation Auto de l’EAT était de 0.85 ± 0.05. Le Dice EAT médian réalisé par l’observateur 1 (O1a) était de 0.87, celui pour les segmentations réalisées secondairement par le même observateur (O1b) était de 0.85 et de 0.86 pour les segmentations manuelles réalisées par l’observateur 2 (O2). Concernant la comparaison entre les segmentations manuelles de référence et la segmentation Auto pour le volume d’EAT le biais était de -4 cm3 (± 13.9 ; p : 0.18), l’erreur absolue moyenne (MAE) était de 11.7 cm3 (± 8.1) avec une corrélation de 0.963 (p < 0.01). Pour le volume d’EAT entre O1a et O2 le biais était de -12.8 ± 13.6 cm3 (p < 0, 01), la MAE était de 14.9 ± 11.2 cm3 avec une corrélation de 0.97 (p < 0.01). Concernant la comparaison entre les segmentations manuelles initiales O1a et O1b pour le volume d’EAT le biais était de -6 cm3 (± 14 ; p : 0.06), la MAE était de 12 cm3 (± 9.1) avec une corrélation de 0.962 (p < 0.01). Conclusion : un algorithme d’intelligence artificielle par apprentissage profond a été développé permettant une segmentation précise, rapide et reproductible de la graisse épicardique sur des TDM basse dose.
Complete list of metadata

https://dumas.ccsd.cnrs.fr/dumas-03206791
Contributor : Faculté de Médecine Amu <>
Submitted on : Friday, April 23, 2021 - 3:33:27 PM
Last modification on : Tuesday, April 27, 2021 - 3:21:57 AM

File

THESE AIT-YAHIA 14-04-21 (1).p...
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-03206791, version 1

Collections

Citation

Léa Ait-Yahia. Évaluation d’un outil de Deep-Learning pour la segmentation automatique du tissu adipeux épicardique en tomodensitométrie thoracique basse dose : étude de faisabilité. Sciences du Vivant [q-bio]. 2021. ⟨dumas-03206791⟩

Share

Metrics

Record views

17

Files downloads

3