Modèle génératif probabiliste pour le problème inverse de l’électrocardiographie
Auteur / Autrice : | Tania-Marina Bacoyannis |
Direction : | Maxime Sermesant |
Type : | Thèse de doctorat |
Discipline(s) : | Automatique et Traitement du Signal et des Images |
Date : | Soutenance le 17/12/2021 |
Etablissement(s) : | Université Côte d'Azur |
Ecole(s) doctorale(s) : | École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....) |
Partenaire(s) de recherche : | Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) |
Jury : | Président / Présidente : Vicente Zarzoso |
Examinateurs / Examinatrices : Maxime Sermesant, Vicente Zarzoso, Oscar Camara Rey, Yves Coudière, Hubert Cochet | |
Rapporteur / Rapporteuse : Oscar Camara Rey, Yves Coudière |
Résumé
L'imagerie électrocardiographique (ECGI) est une ressource exceptionnelle dans la pratique et la recherche en cardiologie, en raison de sa manière non invasive d'étudier les anomalies de l'activité électrique cardiaque par l'acquisition d'ECG via des électrodes multiples placées sur le torse. Cette approche fascinante est largement basée sur la résolution du problème inverse de l'ECGI. A ce jour, encore aucune méthode pour résoudre ce problème connu comme étant mal posé n'a su convaincre suffisamment pour rendre l'ECGI la modalité de prédilection en clinique. Ainsi, l'objectif de cette thèse a été de contribuer de manière significative à l'avancement de l'ECGI, afin de l'établir dans un avenir proche comme méthode préférentielle en routine clinique pour le diagnostic des arythmies. Le travail entrepris nous a permis de proposer une nouvelle formulation du problème ECGI basée sur le Deep Learning. Le cœur du modèle développé est un autoencodeur variationnel et conditionnel utilisant des réseaux neuronaux génératifs profonds. Notre modèle unique est capable de générer des cartes d'activation cardiaque en conditionnant l'activité électrique du cœur avec des signaux mesurés à la surface du torse et la géométrie cardiaque. Le manuscrit de la thèse suit l'évolution en trois étapes de notre modèle basé sur le Deep Learning. Premièrement, nous avons traité le problème dans un espace à deux dimensions. Nous avons reformulé l'ensemble du problème de l'ECGI en employant un modèle génératif probabiliste, qui est un autoencodeur variationnel et conditionnel basé sur des réseaux de neurones convolutifs. Le modèle a été entraîné et validé sur une base de données synthétique que nous avons générée à partir des images CT d'un patient, en utilisant le modèle eikonal directement sur une grille cartésienne de 10x10 électrodes. Deuxièmement, le modèle 2D a été généralisé en un modèle 3D, qui a été entraîné sur une base de données simulées à partir des images CT de cinq patients, puis évalué sur une nouvelle géométrie cardiaque. La dernière partie de ce travail de thèse consiste à évaluer la méthode 3D que nous avons proposée sur des données cliniques réelles. A des fins de validation, le traitement des données cliniques comprend : l'acquisition et la segmentation d'images CT, l'analyse de signaux ECG non invasifs sur le torse ainsi que la cartographie invasive par cathéter des temps d'activation et des tensions bipolaires via un système électro-anatomique conventionnel. Dans cette partie, nous avons simulé les cartes d'activation cardiaque et les potentiels à la surface du torse en appliquant le modèle eikonal sur deux grilles cartésiennes de 10x13 électrodes chacune. De plus, ici les cartes d'activation ne sont plus conditionnées par le masque binaire de l'image cardiaque mais par des cartes de conductivité, bien qu'elles soient toujours conditionnées par les potentiels de la surface thoracique. Notre modèle génératif probabiliste est supérieur aux méthodes classiques sur plusieurs aspects. En particulier, grâce aux réseaux de neurones convolutifs, notre modèle est capable d'apprendre les interactions spatio-temporelles entre les signaux, alors que la plupart des méthodes existantes résolvent chaque pas de temps indépendamment ou utilisent un a priori temporel sans corrélations spatiales. De plus, la corrélation entre le substrat d'imagerie et les signaux est également apprise, ce qui nous permet d'intégrer toute information d'image 3D dans le modèle basé sur l'ECGI, ce qui est difficile à réaliser dans la formulation classique. À notre connaissance, notre méthode ECGI est la première méthode capable de reconstruire le modèle d'activation dans l'ensemble du myocarde de manière volumétrique et à haute résolution spatiale. Notre nouveau framework peut être rapidement intégré dans le workflow de routine clinique pour effectuer des tests diagnostiques non invasifs et précis basés sur l'ECGI dans de larges cohortes de patients souffrant d'arythmie.