La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Prédiction automatique de la maturité osseuse à partir de radiographies EOS chez les patients atteints de la scoliose idiopathique de l’adolescent

Téléchargements

Téléchargements par mois depuis la dernière année

Djuikoua Wouafo, Hilary Cintia (2023). Prédiction automatique de la maturité osseuse à partir de radiographies EOS chez les patients atteints de la scoliose idiopathique de l’adolescent. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of DJUIKOUA WOUAFO_Hilary Cintia.pdf]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation

Résumé

La scoliose idiopathique chez les adolescents (SIA) est une pathologie caractérisée par la déformation de la colonne vertébrale. On sait aujourd’hui qu’il existe des facteurs génétiques qui influencent l’évolution de la scoliose idiopathique. L’âge osseux s’avère être un bon indicatif du potentiel de croissance et permet aux cliniciens de prescrire le traitement approprié, soit la chirurgie ou le port d’un corset. Traditionnellement, l’acquisition de l’âge osseux se faisait par l’observation d’une radiographie 2D de la main des patients en suivant les échelles de gradations telles que Tanner-Whitehouse-III (TW3) et Greulich and Pyle (GP). L’échelle de Risser est toutefois la plus utilisée pour le suivi des patients atteints de SIA puisqu’elle permet d’avoir en une radiographie, le degré de la courbure scoliotique et le niveau maturité osseuse des patients. Cette méthode d’évaluation démontre toutefois un haut niveau de variabilité de lecture entre les observateurs. De plus, les évidences de corrélation entre l’échelle de Risser et l’évolution de la courbure scoliotique sont plutôt faibles. Un protocole récemment intégré au CHU Sainte-Justine de Montréal permet d’avoir une radiographie des patients scoliotique qui inclut leur main et permet donc d’observer leur âge osseux suivant les méthodes traditionnelles et l’échelle de Risser. Des outils d’automatisation de l’acquisition de l’âge osseux autant pour les méthodes de gradation traditionnelles que pour les méthodes plus modernes comme l’échelle de Risser ou de Sanders ont récemment étaient développés et ces outils se basent sur des modèles d’apprentissage profond et machine pour la classification de l’âge osseux.

Cette étude a comme but de développer un outil qui évaluera automatiquement la maturité osseuse des patients suivis en scoliose idiopathique de l’adolescent. Pour ce faire, trois modèles ont été développés pour prédire l’âge osseux selon les échelles de Sanders et de Risser à l’aide d’un modèle de régression basé sur les machines à vecteur de support. Le premier modèle a permis de prédire de l’échelle de Risser et de Sanders grâce aux caractéristiques de l’image. Le deuxième modèle consistait en la prédiction de l’échelle de Risser et de Sanders basée sur les caractéristiques cliniques. Et finalement, le dernier modèle consistait en une prédiction de l’échelle de Risser et de Sanders basée sur une combinaison des caractéristiques de l’image et des caractéristiques cliniques.

Le premier modèle VGG16-RVS a démontré une meilleure performance pour la prédiction de l’âge osseux basé sur le Risser avec trois bases de données avec un coefficient de corrélation R2 de 0,76, une erreur moyenne absolue de 0,17 et une erreur moyenne au carré de 0,20. Les performances du dernier modèle VGG16-BoneXpert-RVS pour la prédiction de l’indice de Sanders étaient meilleures que celle des deux autres modèles avec un coefficient de corrélation R2 de 0,85, une erreur moyenne absolue de 0,11 et une erreur moyenne au carré de 0,15.

Titre traduit

Automatic prediction bone maturity from EOS radiographs of adolescent idiopathic scoliosis

Résumé traduit

Adolescent idiopathic scoliosis (AIS) is a pathology characterized by spinal deformity. We now know that genetic factors influence the development of idiopathic scoliosis. Bone age is a good indicator of growth potential, enabling clinicians to prescribe the appropriate treatment, either surgery or the use of a corset. Traditionally, bone age was acquired by observing a 2D radiograph of the patient’s hand, using grading scales such as Tanner-Whitehouse-III (TW3) and the Sanders index. The Risser scale, however, is the most widely used for monitoring AIS patients, since it provides a radiograph, the degree of scoliotic curvature and the patient’s bone age. However, this method of assessment shows a high level of variability in reading between observers. Moreover, there is little evidence of correlation between the Risser scale and the evolution of scoliotic curvature. A recently integrated protocol at Montreal’s Sainte-Justine Hospital provides X-rays of scoliotic patients that include their hands, making it possible to observe their bone age using both traditional methods and the Risser scale. Tools for automating bone age acquisition using both traditional grading methods and more modern methods such as the Risser or Sanders scales have recently been developed, based on deep learning and machine learning models for bone age classification.

The aim of this study is to develop a tool that will automatically determine the bone age of patients with adolescent idiopathic scoliosis. To this end, three models were developed to predict bone age according to the Sanders and Risser scales, using a regression model based on support vector machines. The first model was a prediction of the Risser scale based on image characteristics. The second model consisted in the prediction of the Risser and Sanders scales based on clinical characteristics. And finally, the last model consisted of a prediction of the Risser and Sanders scale based on a combination of image features.

The first VGG16-SVR model demonstrated better performance for Risser-based bone age prediction with all the three databases with a maximum R2 correlation coefficient of 0.76, a mean absolute error of 0.17 and a mean squared error of 0.20. The VGG16-BoneXpert-SVR model performance for Sander index prediction was better than that of the other two models, with an R2 correlation coefficient of 0.85, a mean absolute error of 0.11 and a mean squared error of 0.15.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise en technologies de la santé". Comprend des références bibliographiques (pages 62-65).
Mots-clés libres: prédiction de la maturité osseuse, SIA, Rayon-X apprentissage profond, SVR
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Duong, Luc
Programme: Maîtrise en ingénierie > Génie
Date de dépôt: 08 mars 2024 19:51
Dernière modification: 08 mars 2024 19:51
URI: https://espace.etsmtl.ca/id/eprint/3421

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt