FRANÇAIS
A showcase of ÉTS researchers’ publications and other contributions
SEARCH

Automatiser le dépistage des maladies cardiaques

Afshin, Mariam, Ben Ayed, Ismail, Punithakumar, Kumaradevan, Law, Max, Islam, Ali, Goela, Aashish, Peters, Terry and Li, Shuo. 29 August 2017. « Automatiser le dépistage des maladies cardiaques ». [Research article]. Substance ÉTS.

[thumbnail of Substance 2017 17183 Automatiser le depistage des maladies cardiaques.pdf]
Preview
PDF
Substance 2017 17183 Automatiser le depistage des maladies cardiaques.pdf - Published Version
Use licence: Creative Commons CC BY-NC.

Download (813kB) | Preview

Abstract

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

Item Type: Non-peer reviewed article published in a journal or magazine
Refereed: No
Professor:
Professor
Ben Ayed, Ismail
Affiliation: Génie de la production automatisée
Date Deposited: 07 Aug 2018 14:33
Last Modified: 28 Jan 2020 16:12
URI: https://espace2.etsmtl.ca/id/eprint/17183

Actions (login required)

View Item View Item