Analyse avancée de signaux ECG acquis en IRM

L'électrocardiogramme (ECG) est utilisé en imagerie par résonnance magnétique (IRM) pour monitorer les patients et pour synchroniser l'acquisition d'images avec l'activité électrique du cœur. Les signaux ECG sont altérés dans l'environnement IRM par : (i) un fort champ magnétique statique dans le scanner (artéfact MHD) ; (ii) l'utilisation de gradients de champs magnétiques variables dans le temps. Les électrodes d'ECG sont également positionnées différemment qu'hors IRM pour limiter les risques de brûlure. L'analyse automatique de l'ECG est donc extrêment compliqué dans l'environnement IRM, et il n'existe pas de techniques fiables pour la classification des battements pathologiques. La visualisation en IRM de la contraction cardiaque pathologique n'est de ce ne fait jusqu'ici pas possible. Nous avons donc proposé des outils d'analyse automatique de l'ECG robustes à l'environnement IRM. Dans un premier temps, nous avons étudié l'usage d'un nombre réduit et l'influence des dérivations sur l'analyse automatique d'ECG. Un classifieur par apprentissage profond (DL) a été implémenté pour le challenge PhysioNet/CinC 2021 pour détecter des maladies cardiaques. Ce modèle fournissait une prédiction sur différents sous-ensembles de dérivations ECG par un vote des prédictions individuelles de chaque dérivation. L'apport d'une pondération automatique de ce vote et de l'utilisation d'un modèle hybride a été considéré. Pour évaluer l'effet de l'environnement IRM sur la classification automatique de battements cardiaques, un classifieur utilisant des caractéristiques de rythme et morphologie a été proposé pour détecter des contractions prématures ventriculaires. Cette approche n'a pas permis d'obtenir des résultats probants. L'apport d'un prétraitement avec un débruitage par filtrage par moindres carrés n'a pas amélioré les performances de classification. Nous avons donc développé des techniques d'apprentissage de représentations de l'ECG qui sont robustes aux perturbations de l'environnement IRM. La conception de telles représentations peut se faire par DL mais nécessite beaucoup de données. Pour compenser le manque de données ECG annotées en IRM, nous avons proposé un réseau siamois pour apprendre à partir d'une grande base de données non annotés une représentation de ce signal ECG. Un modèle d'augmentation de données simulant l'artéfact MHD avec une fonction paramétrique à base de polynômes d'Hermite et échantillonnage d'un mélange de gaussiennes de ces paramètres a été proposé. Plusieurs techniques d'apprentissage auto-supervisé et augmentations de données ont été ensuite comparées, et ont permis de proposer un modèle de classification des battements à partir d'ECG acquis en IRM.