{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:4123"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:4123","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"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":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Charles, Amlin"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024-07-08","date_published":"2024-07-08","updated_at":"2026-11-18T22:11:27Z","subjects":["âge osseux, maturité squelettique, scoliose idiopathique de l’adolescent, apprentisage profond, GLCM, SVM, VGG16, BoneXpert, indice de Risser, classification de Sanders, SIA"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE4123"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE4123","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/4123/1/CHARLES_Amlin.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A4123","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Charles, Amlin"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024-07-08"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["âge osseux, maturité squelettique, scoliose idiopathique de l’adolescent, apprentisage profond, GLCM, SVM, VGG16, BoneXpert, indice de Risser, classification de Sanders, SIA"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE4123","https://espace.etsmtl.ca/id/eprint/4123/1/CHARLES_Amlin.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["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"]}]}],"canonical_facts":{"dc:creator":["Charles, Amlin"],"dc:date":["2024-07-08"],"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."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE4123","https://espace.etsmtl.ca/id/eprint/4123/1/CHARLES_Amlin.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["âge osseux, maturité squelettique, scoliose idiopathique de l’adolescent, apprentisage profond, GLCM, SVM, VGG16, BoneXpert, indice de Risser, classification de Sanders, SIA"],"dc:title":["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"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:11:27Z"}