Apprentissage profond pour l'identification automatique de l'indice de Risser

Kaddioui, Houda (2019). Apprentissage profond pour l'identification automatique de l'indice de Risser. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (4MB) | Prévisualisation
Prévisualisation	PDF Télécharger (459kB) | Prévisualisation

Résumé

La scoliose idiopathique de l’adolescent (SIA) est une déformation de la colonne vertébrale d’origine inconnue. C’est une pathologie fréquente qui touche 1 à 3% des adolescents, avec une prédominance féminine. Le traitement en SIA dépends essentiellement du type de courbure que le patient présente. Le type de déformation influence la stratégie de prise en charge qui va de la simple observation aux chirurgies réparatrices très invasives dans les cas de deformations plus sévères. Cependant, pour les déformations peu sévères au moment de la consultation, la décision d’opérer dépendra du potentiel de progression de la courbure prévue par le chirurgien. Les meilleurs indicateurs de la progression sont le potentiel de croissance et la vitesse de croissance. Ces derniers dépendent de la maturité osseuse au niveau du bassin, et plus précisément de la croissance de l’apophyse iliaque. La maturité osseuse est déterminée chez les patients grâce à l’indice de Risser. Cette évaluation peut cependant s’avérer difficile et est sujette à une variabilité intra et inter-évaluateur. Cette étude vise à développer une méthode automatique, fiable et reproductible pour l’évaluation de l’indice de Risser grâce à des methods d’apprentissage profond.

Un réseau de neurones convolutif a été développé pour automatiser la lecture de l’indice de Risser sur des radiographies conventionnelles. Le réseau a ensuite été validé en comparant sa précision à la variabilité inter et intra-observateur de six experts.

L’accord global entre les observateurs a été jugé modéré, avec un coefficient kappa de 0,60 pour le groupe d’observateurs expérimentés et un accord de 74,50%. La méthode de classification automatique a montré un coefficient kappa de 0,72, ce qui est un accord fort avec la vérité étalon, et une précision globale de 78,00%.

Ceci est la première étude utilisant l’apprentissage profond pour la détermination automatique de l’indice de Risser. Ce travail apporte une nouvelle méthode pour la normalisation de la classification de Risser, et fournit des informations supplémentaires dans l’évaluation de la maturité osseuse à partir de radiographies.

Titre traduit

Automatic Risser grade assessment using deep learning

Résumé traduit

The Risser grade is a widely used indicator of bone maturity in the management panel of Adolescent Idiopathic Scoliosis (AIS). The best predictors of curve progression are the growth potential and kinetics, which both depend on the bone’s maturity. However, bone maturity assessment from radiographs is challenging and is subject to intra and inter-observer variability. This study aims at developing an automatic, reliable and reproducible method for the assessment of the Risser’s grade using deep learning.

A convolutional neural network was trained to automatically grade conventional radiographs according to the Risser method. A total of 1830 posteroanterior radiographs of AIS patients were retrospectively collected and graded using the American Risser’s definition. Each radiograph was pre-processed and cropped to include the entire pelvis region. The network was then validated by comparing its accuracy against the inter and intra-observer variability of six trained graders from our institution.

Overall agreement between observers was fair, with a kappa coefficient of 0.60 for the experienced graders and an agreement of 74.50%. The automatic grading method obtained a kappa coefficient of 0.72, which is a substantial agreement with the ground truth, and an overall accuracy of 78.00%.

This is the first study using deep learning for automatic assessment of the Risser grade. This work may provide a new method for standardization of Risser grading, and additional insights in the assessment of bone maturity from radiographs.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par article présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en technologie de la santé" Comprend des références bibliographiques (pages 37-40).
Mots-clés libres:	apprentissage profond, scoliose idiopathique de l’adolescent (SIA), rachis, indice de Risser, réseau de neurones convolutif
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duong, Luc
Codirecteur:	Codirecteur Ratté, Sylvie
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	08 mars 2019 17:19
Dernière modification:	26 mars 2019 18:30
URI:	https://espace.etsmtl.ca/id/eprint/2228

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt