Analyse échocardiographique multivariée intégrant traitement du signal et machine learning (Multivariate echocardiographic analysis integrating signal processing and machine learning)

Gallard, Alban - (2021-12-14) / Universite de Rennes 1 - Analyse échocardiographique multivariée intégrant traitement du signal et machine learning Langue : Français Directeur de thèse:  Donal, Erwan; Hernández, Alfredo Laboratoire :  Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : Biologie-Santé Thématique : Médecine et santé

Accès à la ressource :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion... Mots-clés : Apprentissage automatique, CRT, forêt d'arbres, clustering, Apprentissage automatique, Resynchronisation cardiaque, Forêts d'arbres de décision, Analyse multivariée 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. Résumé (anglais) : Cardiac resynchronization therapy (CRT) is used to treat specific cases of heart failure. Unfortunately, patients do not show any improvement in 30% of cases. It is therefore necessary to carefully select the candidates who can respond to CRT. The literature suggests new characteristics for patient selection, but none have successfully incorporated the guidelines. Our team have tried to show the interest of the features obtained from strain curves of the left ventricle. Thus, we used machine learning methods to select the most significant features to estimate response to CRT. Two methods were used for the selection of features. The first uses an unsupervised clustering method to associate patients with similar features in order to create groups and observe the most significant features to separate responders and non-responders. The second uses the OOB method based on random forests to rank the features according to their importance to estimate the response to CRT. The final goal was to classify patients to predict response to CRT. For this, a learning process including a feature selection phase and a classification phase using the Monte-Carlo method applied to random forests allowed better detection of candidates who can respond to CRT. Identifiant : rennes1-ori-wf-1-15999

Exporter au format XML