Analyse et caractérisation temps réel de vidéos chirurgicales

Le domaine médical génère des données en grande quantité dont l’exploitation peut être un véritable atout pour l’aide à la pratique médicale. La formation médicale se faisant majoritairement par l’apprentissage et l’expérience, ces données ont un réel intérêt de par la quantité d’information qu’elles contiennent : des exemples, des diagnostics posés par des médecins plus expérimentés, des cas similaires, etc… Mais elles ne sont pas toujours facilement consultables par les médecins bien que les ressources informatiques actuelles offrent aujourd’hui les capacités de stockage et de traitement suffisantes pour automatiser l’exploration et le traitement de ces données. Cela ouvre la voie vers une aide à la prise de décision, non seulement en facilitant la consultation des cas similaires, mais également en émettant automatiquement des hypothèses de diagnostics et des recommandations.

Dans ce domaine, le LaTIM a développé des approches originales d’aide à la prise de décision dans le domaine de l’ophtalmologie, en collaboration avec le CHRU de Brest. Les méthodes développées, notamment pour l’aide au dépistage de la rétinopathie diabétique, ont l’originalité de ne pas s’appuyer sur des méthodes de segmentation classiques, pour détecter les lésions typiques de cette pathologie. L’approche adoptée consiste à s’appuyer sur des méthodes de recherche de cas similaires par le contenu, en utilisant à la fois les images et les informations sémantiques contextuelles telles que l’âge, le sexe ou les antécédents du patient. L’aide à la prise de décision ne se limite pas à l’analyse automatique de clichés médicaux (images de fond de l’œil, images IRM, TEP, scanner, etc…). Les chirurgies sous contrôle vidéo, tels que la chirurgie de la cataracte, fournissent également une quantité importante de données médicales encore très peu exploitées. Ces données peuvent être utilisées, tout comme pour l’aide au diagnostic, pour l’aide à la pratique chirurgicale. Les informations contenues dans les cas archivés peuvent s’avérer être une aide précieuse, pour les jeunes chirurgiens en apprentissage ou dans le cadre de la chirurgie robotisée, en permettant le contrôle du déroulement des actes chirurgicaux. En effet, nous pouvons imaginer utiliser les méthodes de recherche de cas similaires par le contenu pour reconnaître automatiquement le geste chirurgical, présenter des exemples ciblés de pratiques de chirurgiens plus expérimentés, détecter des situations anormales ou à risque et générer des alertes et des recommandations adaptées.

Réutilisation des archives médicales numériques

Des premiers ordinateurs qui ne disposaient que de quelques dizaines de kilo-octets de mémoire de masse, aux Data Centers d’aujourd’hui où sont stockés des peta octets de données numériques , l’humanité a franchi un cap historique. A l’usage de l’informatique pour le calcul scientifique, la gestion informatique de processus, les systèmes d’information, s’est rajoutée l’exploitation des données massives (“Big Data”) pour extraire des connaissances, construire de l’expertise, directement à partir des données numériques archivées dans tous les domaines : réseaux sociaux, économie, finance, écologie, cartographie, multimédia, …. La santé est sûrement un des domaines qui va bénéficier le plus de l’exploitation de la quantité de plus en plus grande de données qui sont enregistrées chaque jour dans les services hospitaliers, les cabinets médicaux, chez les professionnels de santé. L’exploitation informatique de données épidémiologiques a déjà permis de nombreuses avancées en termes d’amélioration de la santé des populations. L’exploitation de données personnelles, mais obligatoirement anonymisées, doit permettre d’aller encore plus loin au bénéfice des patients. La gestion et l’utilisation des données massives est donc un véritable enjeu et le domaine médical n’échappe pas à la règle. Outre le problème de gestion et de sécurisation de ces données, elles présentent un réel potentiel pour faciliter le travail des médecins, notamment par la mise en place d’outils d’aide à la décision.

Les archives médicales numériques 

Comme dans de nombreux domaines, une grande quantité de données médicales est maintenant sauvegardée numériquement. En France, par exemple, le Dossier Médical Personnel numérique (DMP) permet à chaque français qui le souhaite d’avoir un dossier médical numérique. Il contient des informations médicales telles que les antécédents médicaux, des images, des résultats d’analyses en provenance de différents professionnels de santé. Au 1 er aout 2015, plus de 549 940 dossiers avaient déjà été créés . Le volume de données archivées au sein des différents services des centres hospitaliers ou des centres de dépistage ne cesse de croitre. Il s’agit de données textuelles, tel que l’âge, le sexe, les antécédents médicaux des patients, des mesures biologiques, des signaux mono-multi-dimensionnels (ECG, EEG, électromyogrammes, …), des images (radiographies, scanners, IRM, fond de l’œil…), ou des données vidéo dans le cas des examens endoscopiques, des échographies ou des chirurgies sous contrôle vidéo par exemple. Ces données sont archivées et peuvent être consultées par des médecins lorsque cela est nécessaire, de la même manière qu’ils consulteraient un ouvrage médical, ou des articles de référence, en cas de difficulté pour poser un diagnostic, ou simplement pour le conforter. Les archives numériques vont pouvoir regrouper un très grand nombre de cas cliniques et être des sources d’information très riches, mais cependant difficilement exploitables directement par les médecins. Il peut être effectivement très long et complexe de parcourir l’ensemble des cas archivés. Or les technologies numériques offrent de nombreux outils pour extraire de l’information des bases de données, en cherchant par exemple des cas similaires. C’est l’approche que nous développons dans notre travail de thèse, appliquée au suivi de procédures chirurgicales.

La fouille de données

La fouille de données ou exploration de données (« Data mining » en anglais) permet d’extraire des connaissances à partir de données. ce domaine est à l’intersection des statistiques, de l’apprentissage automatique et des bases de données. Il regroupe l’ensemble des méthodes permettant le passage des données brutes à la connaissance d’un domaine. Différentes approches sont possibles, la première consiste à décrire automatiquement les données brutes. C’est le cas par exemple des méthodes de regroupement (« clustering » en anglais) qui cherchent à rassembler automatiquement les données dans des groupes distincts. Un deuxième type d’approches consiste à utiliser les données et les connaissances qui leurs sont associées pour prédire ou expliquer un ou plusieurs phénomènes observables et effectivement mesurés (ensemble de tests). Ces méthodes s’appuient le plus souvent sur l’utilisation de méthodes statistiques telles que des arbres de décision, des réseaux bayésiens ou le raisonnement à base de cas.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION
CHAPITRE I. CONTEXTE
I.1 Réutilisation des archives médicales numériques
I.1.1 Les archives médicales numériques
I.1.2 La fouille de données
I.1.2.1 Le raisonnement à partir de cas
I.1.2.2 La Recherche d’images par le contenu (CBIR)
I.1.2.3 La recherche de vidéos par le contenu (CBVR)
I.1.3 Positionnement du travail de thèse dans les recherches du LaTIM
I.1.3.1 La Recherche d’images par le contenu (CBIR)
I.1.3.2 L’analyse automatique de vidéos chirurgicales
I.1.4 Conclusion
I.2 Aide à la chirurgie en temps réel
I.2.1 Travaux principaux en analyse automatique de vidéos
I.2.1.1 Dans le domaine médical
I.2.1.1.1 Résumé automatique d’examens
I.2.1.1.2 Annotation automatique de vidéos
I.2.1.1.3 Recherche de cas similaires
I.2.1.1.4 Evaluation des compétences des chirurgiens
I.2.1.1.5 L’analyse de scènes opératoires
I.2.1.1.6 Conclusion
I.2.1.2 Analyse de séquences vidéos dans d’autres domaines
I.2.1.3 Conclusion
I.2.2 Les travaux du LaTIM dans l’analyse automatique de vidéos chirurgicales
I.2.2.1 Reconnaissance automatique de tâches chirurgicales
Sommaire
Katia CHARRIERE 9
Laboratoire de Traitement de l’Information Médicale (LaTIM – UMR 1101)
Télécom Bretagne – Département ITI
I.2.2.2 Séquençage automatique de vidéos de chirurgies
I.2.3 L’analyse automatique de vidéos en temps réel
I.2.3.1 Algorithmes rapides
I.2.3.2 Algorithmes d’analyse « en direct »
I.2.3.3 Conclusion
I.2.4 Scénario envisagé
I.2.4.1 Reconnaissance du geste chirurgical
I.2.4.2 Détection d’événements anormaux et génération d’alertes
I.3 Discussion – Conclusion
CHAPITRE II. BASES DE DONNEES
II.1 Les bases de données et leurs description dans la littérature
II.1.1 Granularité
II.1.2 Les différentes descriptions des bases de données de vidéos médicales
II.1.2.1 Travaux de l’équipe VisAGeS
II.1.2.2 Autres travaux
II.2 La base de données du LaTIM
II.2.1 Application clinique : la chirurgie de la cataracte
II.2.2 Les données
II.2.2.1 Description de la chirurgie
II.2.2.2 Les bases de données annotées
II.3 Nouvelle description multi-échelles de la chirurgie
II.3.1 Phases
II.3.2 Etapes
II.3.3 Activités
II.4 Diagrammes de transition obtenus
II.4.1 Phases
II.4.2 Tâches
II.4.3 Etapes
II.4.4 Activités
II.5 Discussion – Conclusion
CHAPITRE III. RECONNAISSANCE AUTOMATIQUE DE TACHES CHIRURGICALES
III.1 Indexation et Recherche de vidéos par le contenu (CBVR)
III.1.1 Caractérisation des vidéos
III.1.1.1 Analyse de la structure
III.1.1.1.1 Images
III.1.1.1.2 Sous-séquences
III.1.1.2 Extraction de caractéristiques visuelles
III.1.1.2.1 Caractéristiques statiques : couleurs, textures, formes
III.1.1.2.2 Caractéristiques dynamiques : Objets, Mouvement
III.1.1.3 Construction des signatures visuelles
Sommaire
10 Katia CHARRIERE
Laboratoire de Traitement de l’Information Médicale (LaTIM – UMR 1101)
Télécom Bretagne – Département ITI
III.1.2 Mesure de similitude
III.1.2.1 Alignement dynamique temporel (DTW)
III.1.2.2 Mesure de similitude de Piciarelli et al.
III.1.3 Catégorisation des vidéos
III.1.4 Synthèse
III.2 Caractérisation des vidéos : nos choix
III.2.1.1 Extraction de caractéristiques basées sur le mouvement
III.2.1.1.1 Histogrammes de mots visuels
III.2.1.1.2 Histogrammes de Mouvement
III.2.1.2 Normalisation des vidéos
III.3 Catégorisation des vidéos : nos choix
III.3.1 Mesure de similitude de Piciarelli et al.
III.3.2 Recherche des plus proches voisins
III.4 Evaluation
III.4.1 La base de sous-séquences vidéos
III.4.2 Mesure de la performance : l’aire sous la courbe ROC
III.4.3 Résultats
III.4.3.1 Mesure de similitude de Piciarelli et al.
III.4.3.2 Influence du choix de la caractérisation des vidéos
III.4.3.3 Temps de calcul
III.5 Discussion – Conclusion
CHAPITRE IV. SEQUENÇAGE MULTI-ECHELLES D’UNE VIDEO DE CHIRURGIE
IV.1 Modélisation du processus chirurgical
IV.1.1 Modèles Graphiques
IV.1.1.1 Les graphes quelconques
IV.1.1.2 Les arbres
IV.1.2 Information contextuelle en analyse de vidéos médicales
IV.1.2.1 Construction d’une chirurgie moyenne
IV.1.2.2 Modèles Statistiques utilisés en analyse de vidéos médicales
IV.1.2.2.1 Modèles Markoviens
IV.1.2.2.2 Les Champs Markoviens conditionnels
IV.1.2.2.3 Les Systèmes Linéaires Dynamiques
IV.1.2.3 Modélisation des relations entre les niveaux
IV.1.2.3.1 Arbres de décision
IV.1.2.3.2 Réseaux bayésiens
IV.1.3 Synthèse
IV.2 Construction d’arbres (Piciarelli et al.)
IV.2.1.1 Méthode de Piciarelli et al.
IV.2.2 Construction de l’arbre
IV.2.2.1 Méthode non supervisée
IV.2.2.2 Méthode supervisée
IV.2.3 Inférence de l’arbre
Sommaire
Katia CHARRIERE
Laboratoire de Traitement de l’Information Médicale (LaTIM – UMR 1101)
Télécom Bretagne – Département ITI
IV.2.4 Résultats
IV.2.4.1 Méthode non supervisée
IV.2.4.2 Méthode supervisée
IV.2.5 Synthèse
CHAPITRE V. DISCUSSION GENERALE
V.1 Description du processus chirurgical
V.2 Recherche des cas les plus proches
V.3 Modélisation statistique du processus chirurgical
CONCLUSION

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *