L’Hypertrophie Ventriculaire Gauche (HVG) est actuellement mise en évidence par échographie. Cet examen fournit des informations anatomo-fonctionnelles mais ne permet pas de déterminer l’étiologie des HVG, ce qui engendre de graves erreurs de diagnostic et de prise en charge thérapeutique. Les HVG sont classiquement séparées en 2 catégories :1. pathologies hypertrophiques induites par la modification structurelle et fonctionnelle des cardiomyocites qui tend à compenser des insuffisances cardiaques liées par exemple à des problèmes d’hypertension artérielle, de rétrécissement aortique ou de CardioMyopathies Hypertrophiques sarcomériques ;2. pathologies infiltratives correspondant au dépôt de protéines dans la matriceextracellulaire principalement dues à différentes formes d’amyloses cardiaquesNotre hypothèse est que les différents mécanismes physiopathologiques (hypertrophique ou infiltratif) pourraient se traduire dans l’image par des propriétés spécifiques du speckle échographique. Nous avons donc développé un travail d’analyse de la texture de ces images afin de discriminer les différentes HVG.Dans cette étude, la base de données de 4795 images est divisée en une base d’apprentissage de 3770 images et une base de test de 1025 images. L’analyse de texture des images est faite par les ondelettes de Gabor avec 8 orientations, 7 tailles et 5 niveaux de décomposition. Ensuite, les caractéristiques statistiques de premier et deuxième ordre sont extraites des images. Le nombre des caractéristiques est réduit pour la base d’apprentissage en appliquant l’Analyse en Composantes Principales (ACP) suivie par l’analyse discriminante linéaire (ADL) pour une séparation supervisée des classes. Les caractéristiques extraites pour la base de test sont projetées sur les vecteurs propres sélectionnés au cours de l’apprentissage. L’ADL est appliquée à ce niveau pour la classification des données du test et la qualité de cette classification est évaluée. Les résultats obtenus sont bons (qualité totale de classification de 95,51%) et sont suivis d’une étape de cross-validation afin de vérifier la robustesse de notre méthode. A cette étape, les bases de données de l’apprentissage et du test sont mélangées et 50 combinaisons différentes sont évaluées. La même méthode décrite précédemment est appliquée. La cross-validation montre une variation de la qualité de classification (entre 30% et 99.96%) probablement due à l’hétérogénéité des caractéristiques texturelles pour les patients d’une même classe que l’on peut expliquer par des degrés différents d’avancement dans la pathologie.Ces travaux montrent qu’une analyse de texture des images échocardiographiques peut permettre de déterminer des bio-marqueurs aptes à discriminer différentes cardiopathies qui s’expriment par une HVG. Ce résultat peut avoir des retombées très importantes dans la détection précoce des amyloses cardiaques, maladies engendrant un fort taux de mortalité souvent dû à un retard de diagnostic et prise en charge des patients par un centre expert / Left-Ventricular Hypertrophy (LVH) is currently detected through echocardiography. The latter imaging modality provides anatomical and functional information. However, it does not allow the determination of the HVG etiology. This can, in turn, lead to dangerous errors in the diagnosis and treatment planning of the disease. LVH pathologies are separated into two categories:- Hypertrophic pathology caused by the structural and functional modification of cardiomyocytes that lead to cardiac failure related, for example, to arterial hypertension problems, aortic narrowing or sarcomeric hypertrophic cardiomyopathies.- Infiltrative pathologies corresponding to protein deposits on the extracellular matrix, mainly due to different forms of cardiac amyloidosisOur hypothesis is that different physiopathological mechanisms (hypertrophic or infiltrative) can be translated in the image through properties specific to echographic speckle. We have therefore developed the work of texture analysis of such images in order to discriminate the different types of LVH.In this study, the database of 4795 images is divided into a learning database of 3770 images and another testing database of 1025 images. The textural analysis of these images is done using Gabor wavelets with 8 orientations, 7 sizes and 5 decomposition levels. Next, the statistical characteristics of first and second orders are extracted from the filtered images. The number of characteristics is reduced for the learning database by applying Principal Component Analysis (PCA) followed by Linear Discriminant Analysis (LDA) for a supervised separation of the classes. The extracted characteristics for the test database are projected on the eigenvectors selected in the learning step. LDA is applied at this level for the test data classification, and the quality of this classification is evaluated. The obtained results are good (total classification quality of 95.51%). A step of cross-validation follows in order to verify the robustness of our method. At this stage, the learning and testing databases are mixed, and 50 different combinations are evaluated. The same method described previously is then applied. The cross-validation shows a variation in the classification quality (between 30% and 99.96%) probably due to the heterogeneity of the texture characteristics for the patients of the same class explained by different disease advancement stages.This work shows that the textural analysis of echocardiographic images can permit the determination of bio-markers suitable to discriminate different LVH cardiopathies. Our results can have a very important impact on the early detection of cardiac amyloidosis, a pathology causing a considerable rate of mortality often due to a belated diagnosis and support by the centers of expertise