Back to search

École de technologie supérieure

Apprentissage profond pour le calcul automatique de l’âge osseux à partir de radiographies postéro antérieures pour le suivi de la scoliose idiopathique de l’adolescent

Abstract

dc:description

L’estimation de la maturité squelettique est importante pour le suivi des patients atteints de la maladie de la scoliose, car elle permet de mieux définir un plan de traitement approprié à leur condition. Toutefois, pour son évaluation en milieu clinique, les professionnels utilisent une méthode d’analyse visuelle de la radiographie, laquelle se révèle assez couteuse en termes de temps, car les cliniciens se voient obliger d’abandonner d’autres tâches probablement plus importantes afin d’effectuer la lecture visuelle de la radiographie. Aussi l’analyse visuelle a-t-elle des implications en termes de précision, étant donné que les estimations risquent d’être subjectives et varier d’un clinicien à l’autre, ou même entre deux lectures d’une même radiographie opérées par le même clinicien. Dans ce mémoire, nous proposons une approche pour le calcul automatique de l’âge osseux à partir de radiographie EOS obtenues pour 467 patients atteints de scoliose idiopathique. Après un découpage des régions d’intérêt de la radiographie, nous avons utilisé les caractéristiques de texture extraites à l’aide de la technique de Gray-Level Co-ocurrence Matrix (GLCM), combinée à un modèle de Support Vector Machine (SVM), afin de prédire des indicateurs d’âge osseux sélectionnés (dont : la classification de Sanders, l’indice de Risser, le statut du cartilage triradié et l’échelle ABC). Par la suite, nous avons évalué la performance d’un réseau d’apprentissage profond (VGG16) appliqué directement sur les régions d’intérêt de la radiographie. Les résultats suggèrent que les caractéristiques de texture extraites avec GLCM aident à bien prédire des indicateurs de maturité osseuse comportant peu de catégories comme le statut du cartilage triradié (plus de 94% de précision) ou l’échelle ABC (environ 82% de précision), tandis que le réseau de neurones VGG16 a affiché de meilleures performances, en comparaison à l’approche GLCM-SVM, sur les indicateurs comportant un nombre plus important de catégories comme la classification de Sanders (74% vs 64.1% à partir de la main droite et 71% vs. 65,4% sur la main gauche) ou l’indice de Risser (84% contre 64.3%) à partir de la crête iliaque droite et 90.1% contre 66,2% dans la région pelvienne. Nous avons utilisé BoneXpert, un outil commercial d’évaluation d’âge osseux, pour extraire des caractéristiques de la région de la main dans 80 radiographies. Ces caractéristiques ont montré une forte corrélation avec l’âge chronologique du patient (coefficient de 0.98) et ont permis d’arriver à un taux de précision de 77.5% lorsqu’utilisées pour prédire la valeur de la classification de Sanders associée à la radiographie. Ces résultats suggèrent que le réseau d’apprentissage profond a effectué une exploration satisfaisante de la structure osseuse de la main, à la suite de l’extraction des régions d’intérêt des radiographies EOS analysées, et en dépit des contraintes rencontrées en termes de qualité et de volume des radiographies.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2024

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Charles, Amlin

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE4123

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Charles, Amlin. Apprentissage profond pour le calcul automatique de l’âge osseux à partir de radiographies postéro antérieures pour le suivi de la scoliose idiopathique de l’adolescent. masters thesis, École de technologie supérieure, 2024.