Analyse échocardiographique multivariée intégrant traitement du signal et machine learning
Auteur / Autrice : | Alban Gallard |
Direction : | Erwan Donal, Alfredo Hernández |
Type : | Thèse de doctorat |
Discipline(s) : | Analyse et traitement de l'information et des images médicales |
Date : | Soutenance le 14/12/2021 |
Etablissement(s) : | Rennes 1 |
Ecole(s) doctorale(s) : | École doctorale Biologie-Santé (Nantes) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Traitement du Signal et de l'Image (1969-.... ; Rennes) |
Jury : | Président / Présidente : Anne Bernard |
Examinateurs / Examinatrices : Mathieu Pernot, Elena Galli | |
Rapporteurs / Rapporteuses : Eloi Marijon, Freddy Odille |
Mots clés
Résumé
La thérapie de resynchronisation cardiaque (CRT) permet de soigner des cas spécifiques d’insuffisance cardiaque. Les patients ne présentent malheureusement aucune amélioration dans 30% des cas. Il est par conséquent nécessaire de bien sélectionner les candidats susceptibles de répondre à la CRT. La littérature propose de nouvelles caractéristiques pour la sélection des patients mais aucune n’a réussi à intégrer les directives. Notre équipe a cherché à montrer l’intérêt des caractéristiques issues des courbes de déformations du ventricule gauche. Ainsi, nous avons travaillé sur l’utilisation de l’apprentissage automatique pour sélectionner les caractéristiques les plus significatives pour déterminer la réponse à la CRT. Deux méthodes ont été utilisées pour la sélection des caractéristiques. La première utilise une méthode de regroupement non-supervisée pour associer les patients aux caractéristiques similaires afin de former des groupes et observer les caractéristiques les plus significatives à la séparation entre les répondeurs et non-répondeurs. La deuxième utilise la méthode OOB basée sur les forêts d’arbres pour ordonner les caractéristiques selon leur importance pour estimer la réponse à la CRT. L’objectif final a été la classification des patients pour prédire la réponse à la CRT. Pour cela, un processus d’apprentissage comprenant une phase de sélection des caractéristiques et une phase de classification à l’aide de la méthode de Monte-Carlo appliquée aux forêts d’arbres a permis une meilleure détection des candidats susceptibles de répondre à la CRT.