| Titre : |
Automatisation de la segmentation tridimensionnelle des structures cardiaques chez les patients pédiatriques atteints de cardiopathies congénitales |
| Type de document : |
Travail de fin d'études |
| Auteurs : |
Therese NTABUHASHE BIBENTYO, Auteur ; Luc DUONG, ; Quentin Lurkin, |
| Editeur : |
ECAM |
| Année de publication : |
2024 |
| Langues : |
Français (fre) |
| Mots-clés : |
Intelligence artificielle |
| Index. décimale : |
TFE - Ingénierie de la Santé |
| Résumé : |
Contexte : Les cardiopathies congénitales sont des malformations cardiaques qui touchent plus de 1 % des nouveau-nés chaque année (Gundelwein et al., 2018), posant ainsi un défi significatif en termes de diagnostic et de traitement. La visualisation des structures impliquées dans cette maladie est complexe. En pratique, la segmentation manuelle des images de tomodensitométrie n'est pas systématiquement effectuée en raison d'un manque de temps, ce qui limite la capacité des patients à recevoir un traitement personnalisé. Objectif : Ce travail propose une approche basée sur les réseaux de neurones convolutifs, notamment le modèle U-Net, pour automatiser la segmentation tridimensionnelle de six structures cardiaques (les ventricules, les oreillettes, l’aorte et l’artère pulmonaire). L'objectif est de fournir une méthode efficace pour visualiser ces structures en trois dimensions, facilitant ainsi la planification préopératoire et le traitement personnalisé des patients atteints de cardiopathies congénitales. Méthodes : Des images volumétriques de tomodensitométrie thoracique pédiatrique de patients atteints de cardiopathies congénitales sont utilisées pour entraîner et évaluer un modèle de type U-Net. Ces images proviennent de la base de données ImageCHD. Les performances du modèle sont évaluées à l'aide de mesures classiques telles que le coefficient de Dice, la spécificité, la sensibilité et la distance de Hausdorff. De plus, la comparaison entre les lignes centrales des masques prédits et des étiquettes de référence permet d'évaluer la similitude anatomique. Résultats : Les résultats préliminaires montrent que l'approche basée sur le modèle U-Net permet une segmentation automatique efficace, réduisant considérablement le temps nécessaire par rapport à la segmentation manuelle. De plus, la méthode présente une bonne concordance avec les données de référence, validant ainsi sa fiabilité pour la visualisation des structures cardiaques. Conclusion : Cette méthode automatise efficacement la segmentation tridimensionnelle des structures cardiaques chez les patients pédiatriques atteints de cardiopathies congénitales, facilitant ainsi la planification préopératoire et améliorant les perspectives de traitement. Teaser vidéo: https://drive.google.com/file/d/1Bp6FQoQuB2JoWLo_b13cEPQ8HUq_QUJ8/view?usp=sharing |
Automatisation de la segmentation tridimensionnelle des structures cardiaques chez les patients pédiatriques atteints de cardiopathies congénitales [Travail de fin d'études] / Therese NTABUHASHE BIBENTYO, Auteur ; Luc DUONG, ; Quentin Lurkin, . - ECAM, 2024. Langues : Français ( fre)
| Mots-clés : |
Intelligence artificielle |
| Index. décimale : |
TFE - Ingénierie de la Santé |
| Résumé : |
Contexte : Les cardiopathies congénitales sont des malformations cardiaques qui touchent plus de 1 % des nouveau-nés chaque année (Gundelwein et al., 2018), posant ainsi un défi significatif en termes de diagnostic et de traitement. La visualisation des structures impliquées dans cette maladie est complexe. En pratique, la segmentation manuelle des images de tomodensitométrie n'est pas systématiquement effectuée en raison d'un manque de temps, ce qui limite la capacité des patients à recevoir un traitement personnalisé. Objectif : Ce travail propose une approche basée sur les réseaux de neurones convolutifs, notamment le modèle U-Net, pour automatiser la segmentation tridimensionnelle de six structures cardiaques (les ventricules, les oreillettes, l’aorte et l’artère pulmonaire). L'objectif est de fournir une méthode efficace pour visualiser ces structures en trois dimensions, facilitant ainsi la planification préopératoire et le traitement personnalisé des patients atteints de cardiopathies congénitales. Méthodes : Des images volumétriques de tomodensitométrie thoracique pédiatrique de patients atteints de cardiopathies congénitales sont utilisées pour entraîner et évaluer un modèle de type U-Net. Ces images proviennent de la base de données ImageCHD. Les performances du modèle sont évaluées à l'aide de mesures classiques telles que le coefficient de Dice, la spécificité, la sensibilité et la distance de Hausdorff. De plus, la comparaison entre les lignes centrales des masques prédits et des étiquettes de référence permet d'évaluer la similitude anatomique. Résultats : Les résultats préliminaires montrent que l'approche basée sur le modèle U-Net permet une segmentation automatique efficace, réduisant considérablement le temps nécessaire par rapport à la segmentation manuelle. De plus, la méthode présente une bonne concordance avec les données de référence, validant ainsi sa fiabilité pour la visualisation des structures cardiaques. Conclusion : Cette méthode automatise efficacement la segmentation tridimensionnelle des structures cardiaques chez les patients pédiatriques atteints de cardiopathies congénitales, facilitant ainsi la planification préopératoire et améliorant les perspectives de traitement. Teaser vidéo: https://drive.google.com/file/d/1Bp6FQoQuB2JoWLo_b13cEPQ8HUq_QUJ8/view?usp=sharing |
|
Visionner les documents numériques
Affiner la rechercheAutomatisation de la segmentation tridimensionnelle des structures cardiaques chez les patients pédiatriques atteints de cardiopathies congénitales / Therese NTABUHASHE BIBENTYO
Ce document n'est visible qu'après identification
