Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule
endoscopique chez les patients atteints de maladie de Crohn - CISMeF
Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule
endoscopique chez les patients atteints de maladie de CrohnDocument
Titre : Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule
endoscopique chez les patients atteints de maladie de Crohn;
Description : Objectif : La détection de lésions de maladie de Crohn (MC) en vidéo-capsule endoscopique
(VCE) nécessite du temps et de l'expertise. Depuis 2015, le deep learning a de plus
en plus d'applications. Aucune étude n'a porté sur son utilisation dans la détection
automatique de lésions de MC. L'objectif de notre étude était de développer un outil
de reconnaissance automatique de lésions de MC en VCE basé sur le deep-learning. Matériels
et méthodes : Nous avons entraîné un réseau neuronal récurrent à attention sur deux
bases de données : CrohnIPI et CAD-CAP. CrohnIPI, était constituée d'images extraites
de vidéos issues de VCE de type PillCam SB3 , réalisées entre 2014 et 2018 chez des
patients suivis pour une MC. Les lésions étaient annotées comme suit : ulcérations
aphtoïdes, ulcérations entre 3 et 10mm, ulcérations de plus de 10mm, œdème, érythème
et sténose. La présence de bulles ou résidus alimentaires n'interférait pas dans la
sélection des images. La base de données CAD-CAP était une base de données publique,
qui contenait des images normales, inflammatoires et vasculaires. Résultats CrohnIPI
était composée de 1628 images normales et 1590 images de lésions de MC, acquises à
partir de 66 vidéos réalisées chez les 63 patients de l'étude. L'exactitude de notre
réseau sur CrohnIPI était de 89.26%, la sensibilité de 87.76% et la spécificité de
90.71%. CAD-CAP contenait 1800 images dont 600 images normales, vasculaires et inflammatoires.
Sur cette base de données, l'exactitude était de 99.67%, la sensibilité était de 98.97
et la spécificité de 100%. Le réseau entraîné sur CrohnIPI et testé sur CAD-CAP montrait
de meilleures performances que dans la situation inverse avec des exactitudes de 77.89
et 48.85% respectivement. Conclusion : Nous avons démontré la faisabilité d'un outil
de reconnaissance automatique de lésions de MC en VCE, basé sur le deep learning.
Les performances du réseau étaient meilleures sur une base de données d'images sélectionnées.
Notre travail ouvre la voie du diagnostic assisté par ordinateur dans ce domaine.
Des travaux complémentaires prospectifs sont nécessaires sur une base de données de
plus grande taille et sur des vidéos complètes.;