ENGLISH
La vitrine de diffusion des publications et contributions des chercheurs de l'ÉTS
RECHERCHER

Automatiser le dépistage des maladies cardiaques

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Afshin, Mariam, Ben Ayed, Ismail, Punithakumar, Kumaradevan, Law, Max, Islam, Ali, Goela, Aashish, Peters, Terry et Li, Shuo. 29 août 2017. « Automatiser le dépistage des maladies cardiaques ». [Article de recherche]. Substance ÉTS.

[thumbnail of Substance 2017 17183 Automatiser le depistage des maladies cardiaques.pdf]
Prévisualisation
PDF
Substance 2017 17183 Automatiser le depistage des maladies cardiaques.pdf - Version publiée
Licence d'utilisation : Creative Commons CC BY-NC.

Télécharger (813kB) | Prévisualisation

Résumé

Automatiser le dépistage et la localisation d’anomalies segmentaires (régionales) du ventricule gauche (VG) s’avère difficile en imagerie par résonance magnétique (IRM), car la précision laisse beaucoup à désirer. L’étude vise à examiner une méthode d’apprentissage automatique en temps réel qui se sert de certaines caractéristiques de l’image dont le calcul s’effectue facilement, mais qui dénote une corrélation claire avec la fonction segmentaire cardiaque. À partir d’une entrée minimale de l’utilisateur dans une seule image faisant partie d’un ensemble de données d’un sujet, nous établissons, pour tous les segments régionaux et pour toutes les images ultérieures, un ensemble d’éléments statistiques IRM basés sur une mesure de similarité entre les distributions. Nous démontrons que, durant un cycle cardiaque, les caractéristiques statistiques sont liées à la proportion de sang contenu dans chaque segment. Par conséquent, elles sont représentatives de la contraction segmentaire et rendent la délimitation des contours du VG dans toutes les images non nécessaires. Comparé aux évaluations vérifiées en pratique par des radiologues d’expérience, l’algorithme proposé a atteint une performance inégalée en raison d’une précision de classification finale de 86,09 % et une mesure kappa de 0,73. Mots clés : statistiques d’image, machines à vecteurs de support linéaire, LSVM, imagerie par résonance magnétique, IRM

Type de document: Article de revue ou de magazine, non révisé par les pairs
Validation par les pairs: Non
Professeur:
Professeur
Ben Ayed, Ismail
Affiliation: Génie de la production automatisée
Date de dépôt: 07 août 2018 14:33
Dernière modification: 28 janv. 2020 16:12
URI: https://espace2.etsmtl.ca/id/eprint/17183

Actions (Authentification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt