Classification d’emboles basées sur l’analyse des images de Doppler transcrânien Chen ZENG Département Génie Électrique Ingénieur tuteur: Blaise-Kevin.

Présentation au sujet: "Classification d’emboles basées sur l’analyse des images de Doppler transcrânien Chen ZENG Département Génie Électrique Ingénieur tuteur: Blaise-Kevin."— Transcription de la présentation:

1 Classification d’emboles basées sur l’analyse des images de Doppler transcrânien Chen ZENG Département Génie Électrique Ingénieur tuteur: Blaise-Kevin Guepie Enseignant tuteur: Philippe Delachartre 1/29

2 Plan  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation 2/29

3  Laboratoire Creatis Cadre du projet Une Unité de recherche en imagerie médicale à tavers l’acquisition et traitement d’images du vivant, études du vivant. 6 équipes. Équipe Imagerie Ultrasonore  Atys Médical Une société fabrique et commercialise des produits dédiés au diagnostic non-invasif. Produits: l’échographe haute résolution, le Doppler transcrânien, le moniteur de débit cardiaque etc. Doppler transcrânien 3/29

4 Les emboles cérébrales sont des corps étrangers dans le flux sanguin pouvant provoquer un AVC. Monitorage Doppler (LOOKI, WAKI, TCD-X) permettent de détecter les HITS (High Intensity Transient Signal) et de les classifier comme étant des emboles ou des artefacts. Mais jusqu’alors, l’analyse et la classification des emboles à partir d’aspects de traitement d’image/signaux n’ont pas encore été abordées. Motivation: procédure TAVI (remplacement valvulaire aortique per-cutané) Objectif: Recherche de caractéristiques et discriminer des emboles solides et gazeux Contexte Interface logiciel Atys 4/29

5 Cahier des charges Prendre en main le logiciel existant fourni par la société Atys. Faire des expérimentations in vitro pour but d’étudier la caractérisation des emboles. Identifier et discriminer le type des signaux emboliques in vivo, soit solide soit gazeux si possible trouver d’où vient ces HITS. Caractériser les emboles détectés à partir du traitement images/signaux pour en extraire un vecteur de paramètres. Analyser des paramètres des emboles à visée statistique, chercher les paramètres significatifs. Évaluer les performances de plusieurs méthodes de classification pour en trouver une fiable et pertinente. Vérifier le résultat sur des données des patients extraits par Atys Médical. 5/29

6  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation Plan 6/29

7 En collaboration avec l’hôpital cardiologique Lyon(S. Sidi) Objectif: Acquérir des ‘emboles’ solides in vitro Expérimentation [David Russel, Ranier Brucher. Online automatic discrimination between solid and gaseous cerebral microemboli with first multifrequency trancranial doppler. Stroke. 2002;33:1975-1980] 7/29

8 Résultat: Reste encore des signaux saturés Échouer à acquérir des signaux des ‘emboles’ (microbilles) purs à cause du grand nombre de bulles restantes Signaux peu saturé Bulles sur paroi 8/29

9  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation Plan 9/29

10 Prétraitement Étiquetage: Étiquetter les HITS dans le logiciel Atys en écoutant l’enregistrement afin d’avoir une référence sur le temps d’apparition des emboles Embole pris en compte: non saturé Détection d’embole: Détecter les HITS sous Matlab avec la référence de temps Dans le plan temps- fréquence, sous format de matrice 128*190. 2 parties: flux et reflux HITS détectés entourés par la ‘boîte englobante’ FLux Reflux 10/29

11  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation Plan 11/29

12 Caractérisation [Georges A.Darbellay et al. Solid or gaseous circulating brain emboli: Are they seperable by transcranial ultrasound. Journal of Cerebral Blood Flow & Metabolism. 24: 860–868] Nom du patientType d’embolesCommentaire médicalNombre d’embole Patient_s1SolideSténose carotide24 Patient _s2SolideSténose carotide37 Patient_valid_s3SolideSténose carotide26 Patient _g1Gazeux Opération avec circulation extracorporelle 59 Patient _g2Gazeux Un test de FOP (Foramen Ovale Perméable) 8 Patient_valid_g3Gazeux Flux ACM (Artère Cérébrale Moyenne) droit très amorti 126 Essai_gazGazeuxIn vitro56 Obsevation: ‘Dictionnaire’ des figures contenant emboles dans le plan temps-fréquence 12/29

13 Paramètres proposés Durée: Le début et fin des emboles dans la boîte englobante Différence de vitesse (noté DdV): Vitesse max – Vitesse min pour chaque embole dans la boîte englobante > < Durée ^ ^ Différence de vitesse Mise en oeuvre: chercher les indices temporels (entre 1 et 190) et fréquenciels (entre 1 et 128) de la boîte englobante, trouver le temps (la vitesse) absolue et faire la soustraction 13/29

14 L’estimation par noyau Méthode non-paramétrique d’estimation de la densité de la probabilité d’une variable aléatoire. (Histogramme lissé) Avantage: continuité Comparaison entre l’estimation par histogramme (à gauche) et l’estimation par noyau (à droite) Si x 1, x 2,..., x N ~ f est un échantillon iid d'une variable aléatoire, la densité est : où K est un noyau et h un paramètre nommé fenêtre, qui régit le degré de lissage de l'estimation, N le nombre d’échantillon 14/29

15 Distribution de la durée (à droite) et la DdV (à gauche) des données in vivo, solide en bleu, gazeux en rouge 15/29

16 Comparer sur les emboles gazeux in vivo et bulles in vitro: Distribution de la durée (à gauche) et la DdV (à droite) des emboles in vivo (en bleu) et des bulles in vitro (en rouge) 16/29

17 EBR: Ratio des puissances embole/flux Idée: Utiliser 2 fenêtres glissantes pour calculer la puissance d’embole (Apeak) et la puissance de flux (Bavg) [Nizamettin Adyin, Hugh S. Markus. Optimization of processing parameters for the analysis and detection of embolic signals. European Journal of Ultrasound 12 (2000) 69–79 ] où Apeak est la puissance embolique et Bavg est la puissance du flux, l’unité du EBR est dB. 17/29

18 Equivalence entre le résultat de EBR à partir du plan temps-fréquence et du signal en utilisant la fenêtre ‘Rectangulaire’ pour le calcul de TFCT. 18/29

19 Résultat des données in vivo Comparaison entre emboles in vivo et bulles in vitro Résultat 19/29

20 Ratio de l’intensité (noté RdI) Intensité d’embole dans le flux/ dans le reflux Suite à la définition utilisé dans la détection d’embole où F est la TFCT (transformée de fourier à court terme) du signal. Distribution de RdI des données in vivo Distribution de RdI des gazeux in vivo et des bulles in vitro 20/29

21  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation Plan 21/29

22 Choix des paramètres [Jin-Jie H, Ning L, Shuang-Quan L, Yun-Ze C (2008) Feature selection for classificatory analysis based on information-theoretic criteria. Acta Autom Sinica 34(3):383–392] Approche: Mutual information based constructive criterion (MICC) Fonctionnalité: choisir les caractéristiques qui sont peu redondantes avec les autres. 22/29

23 Information mutuelle: Quantité qui mesure la dépendance statistique des variables avec p(x,y) la probabilité conjointe, p(x) et p(y) la prababilité marginale de X et Y respectivement. chain rule: 23/29

24 Résultat: Noter les caractéristiques A = Durée, B = DdV (différence de vitesse), C = EBR, D = RdI (Ratio de intensité) Paramètres choisis: A(Durée) et D(RdI) 24/29

25  Cadre du projet  Contexte du projet  Cahier des charges  Expérimentation  Prétraitement  Caractérisation  Choix des paramètres  Classifieur  Validation Plan 25/29

26 Classifieur Analyse discriminante quadratique basée sur la règle bayesienne D’après la règle de Bayes, la probabilité a posteriori : Le classifieur est pris lorsque l’équation égale à 0. 26/29

27 Validation Résultat après apprentissage: 3 emboles solides mal classés (soit 4,9%), 17 gazeux mal classés (soit 25,4%). Paramètres choisis: Durée et RdI solide en vert, gazeux en rouge Apprentissage 27/29

28 solide en bleu, gazeux en noir Résultat de validation: 20 emboles gazeux correctement classés (soit 15,9%), 3 emboles solides mal classés (soit 11,5%) Données pour valider: ‘Patient_valid_g3’ (126 emboles gazeux) et ‘Patient_valid_s3’ (26 emboles solides) 28/29

29 Conclusion Travails réalisés Difficultées rencontrées Actions à suivre Projet professionnel Gantt 29/29