Weakly-supervised learning for emboli characterization with Transcranial Doppler (TCD) monitoring

Apprentissage faiblement supervisé pour la caractérisation des emboles cérébraux à l'aide d'un dispositif de Doppler transcrânien (TCD) Cette thèse porte sur la classification et la caractérisation des signaux transitoires de haute intensité (HITS) provenant d'appareils portables de Doppler transcrânien (TCD). L'objectif principal est d'aider les cliniciens à différencier les emboles solides (ES) et gazeux (EG) des artefacts (Art.) générés pendant les sessions de surveillance TCD. Les emboles sont des particules qui peuvent circuler dans les artères cérébrales, parfois les obstruer et provoquer un accident vasculaire cérébral. L'identification et la classification des HITS entre ES, EG et Art. ne sont pas évidentes et requièrent d'importantes connaissances spécialisées. De ce fait, même les cliniciens peuvent avoir des difficultés à différencier les HITS, ce qui difficulte le traitement des patients. Par conséquent, sa détection, sa classification et sa caractérisation sont des facteurs clés pour améliorer la prise en charge des patients dans les centres de santé. Dans ce travail, nous proposons des modèles d'apprentissage profond capables d'effectuer une classification précise entre les ES, EG et Art., avec une mémoire et une consommation d'énergie limitées. Notre approche combine l'annotation semi-automatique des données, l'apprentissage multi-représentation et des techniques de compression de modèles. Nous évaluons nos différentes contributions en utilisant plusieurs ensembles de données médicales in vivo, en plus de la classification des HITS. Notre méthode s'est avérée efficace, avec d'excellents résultats de classification et une faible consommation de mémoire et d'énergie pour plusieurs tâches de classification de signaux médicaux. En particulier, pour la classification des HITS, à notre connaissance, notre travail est le seul à proposer une classification in vivo des HITS issus de TCD portables entre ES, EG et Art. Nos principales contributions sont les suivantes. Premièrement, nous avons proposé une méthode d'annotation semi-automatique des données basée sur des mesures de qualité locales avec une erreur d'annotation contrôlée, permettant d'étiqueter rapidement un grand ensemble de données en utilisant un petit nombre d'échantillons étiquetés [1]. Deuxièmement, nous proposons un modèle de classification multi-représentation guidé et régularisé permettant de classifier avec précision les HITS, en tirant simultanément parti du signal Doppler et de sa représentation temps-fréquence [2]. Enfin, nous avons proposé de nouvelles techniques de compression de modèles basées sur l'élagage et la quantification extrême, permettant de réduire les besoins en mémoire et énergie des modèles entraînés. Enfin, en travaillant en collaboration avec Atys Medical, nous avons pu incorporer nos modèles dans leur logiciel de gestion des données. Nous espérons que les méthodes développées dans ce travail pourront aider les cliniciens dans la prise en charge de leurs patients. [1] Vindas et al., Medical Image Analysis (2022).[2] Vindas et al., Pattern Recognition (2023).