Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence
|
|
- Stéphane Dubois
- il y a 8 ans
- Total affichages :
Transcription
1 Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence E. NIAF *ab, O. ROUVIERE ac, F. BRATAN c, AL. CHESNAIS c, F. MEGE-LECHEVALLIER c et C. LARTIZIEN b a LabTAU, INSERM U1032, Lyon b CREATIS; UMR CNRS 5220; INSERM U1044-INSA-Lyon; UCBL; Villeurbanne c Hospices Civils de Lyon, Service de Radiologie Urinaire et Vasculaire, Hôpital Edouard Herriot, Lyon Novembre 2011 *emilie.niaf@creatis.insa-lyon.fr
2 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 2
3 Contexte clinique Besoin clinique : détecter et localiser les foyers tumoraux dans la prostate Enjeu majeur : Adénocarcinome prostatique = 1 er cancer de l homme de plus de 50 ans [1] Aucune modalité d imagerie ne donne une information fiable et reproductible sur la position des foyers tumoraux dans la glande et leur agressivité. Méthode de référence : biopsies Progrès de l IRM : Développement de séquences diverses T2, T2-pondéré, T1, DCE, DWI (cartes ADC multi-b, mesures d anisotropie), spectroscopie Sensibilité et/ou spécificité de détection de chaque séquence prise individuellement insuffisante : développement de l imagerie multi-séquence Gros volume de données à analyser et fusionner à l œil => forte inter et intra-variabilité dans l interprétation des images IRM Nécessité de développer des méthodes de fusion de l information multi-séquence pour l aide à la détection des foyers cancéreux Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 3
4 Contexte clinique Exemple de données : Illustration du problème Coupe histologique «gold standard» Patient de 53 ans, IRM 1,5T, hôpital Edouard Herriot T2-W T2-w ADC Faux positif : adénome de la zone périphérique a) Hyposignal T2 significatif? b) DCE DCE Restriction de la diffusion? Lecteur 1 : pas de cible décrite Lecteur 2 : une cible en zone périphérique c) Hyper-vascularité visible en dynamique? Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 4
5 Objectif Construire un système d aide au diagnostic??? ADC b0-b600 vox = 3.34x2.34x3 mm vox =.78x.78x3 mm T2w?? DCE Utilisant toutes les séquences IRM à disposition Par apprentissage (classification supervisée) sur une base de données cliniques annotées Approche CADx (Computer Assisted Diagnosis) Renvoie un degré de suspicion de lésions tumorales sur une région d intérêt (ROI) CADx 2. Le radiologue interroge le système vox =.78x.78x3 mm T2w 3 min vox = 0.47x0.47x3 mm 1. Les ROI suspectes sont coutourées sur les séquences d IRM Le CAD retourne un degré de suspicion de malignité de la ROI Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 5
6 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 6
7 Description générale CLARA-P* comme : CorréLations Anatomo-RAdiologiques En IRM de Prostate IRM, avant ou après biopsie, chez tous les patients avec suspicion clinico-biologique de cancer Sélection des patients prostatectomisés Relecture en aveugle des IRM par deux radiologues Processing strict de la pièce histologique CORRELATION ANATOMO-RADIOLOGIQUE Relecture en consensus des IRM par les radiologues et l anatomopathologiste *CLARA-P: approuvée par le CPP Sud-Est IV, décision N L Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 7
8 Protocole IRM IRM multiparamétrique standardisée Siemens Magnetom Symphony IRM 1,5T 2004A (Siemens, Allemagne) : Antenne pelvienne de surface T2 TSE plans axial, coronal, sagittal TR 7750ms ; TE 109 ms ; FOV mm ; matrice ) DIFFUSION DWI (Diffusion Weighted Imagery) TR 4800 ms ; TE 90 ms ; FOV 300x 300 mm ; matrice 128x88 ; angle de bascule 90 ; b = 0 et 600 s/mm² T1 EG Fat Sat dynamique avant et après injection de gadolinium (bolus de 0.1 mmol/kg à 3cc/s) TR 5,38 ms ; TE 2,73 ms ; angle de bascule 10 ; FOV mm ; matrice 448x512 ; acquisition toutes les 15 s, repétée 12 fois 3 min vox =.78x.78x3 mm T2w (T2 weighted) vox = 0.47x0.47x3 mm DCE (Dynamic Contrast Enhanced) avec injection d agent de contraste vox = 3.34x2.34x3 mm Carte ADC construite à partir des b-values = 0 and 600 sec/mm 2. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 8
9 Protocole IRM Deux points majeurs pour la corrélation anatomo-radiologique : Epaisseur des coupes : 3mm, jointives, pour une comparaison coupe à coupe des différentes séquences entre elles 24 coupes 3mm Positionnement des coupes axiales : Plan perpendiculaire à la surface rectale prostatique (repérage en sagittal), pour la corrélation avec les coupes histologiques Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/2011 9
10 Protocole IRM Annotations a priori en pré-opératoire Lecture en aveugle (sans connaître le statut carcinologique des patients) des images par deux radiologues de façon indépendante Contourage des cibles sous Osirix Attribution d un score de degré de suspicion de malignité : 0 : bénignité certaine 1 : probablement bénin 2 : intermédiaire 3 : probablement malin 4 : malignité certaine Cette analyse a priori permettra de comparer les performances des experts à celles du système CAD proposé. Outil d analyse : le logiciel OSIRIX Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
11 Analyse de la pièce de prostatectomie Préparation de la pièce de prostatectomie Plan de coupe perpendiculaire à la paroi du rectum Correspondance directe avec les images IRM axiales. Obtention de grandes coupes tous les 3 mm grâce à une machine dédiée Epaisseur identique aux coupes IRM coupes de 3mm Analyse stricte de la pièce de Prostatectomie : «vérité terrain» Analyse au microscope de l ensemble de la pièce par un anatomopathologiste senior Marquage de tous les foyers carcinomateux ou zones d intérêt sur chaque coupe dénomination par une lettre (A,B,C ) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
12 Corrélation anatomo-radiologique Annotations a posteriori en post-opératoire : banque de corrélations IRM-Histologie??? 1) Confrontation des résultats b1 B A Ici: 2 VP, 1 FP, 0 FN Détermination du nombre de : Vrais positifs (VP) Faux positifs (FP) Faux négatifs (FN) 2 radiologues + 2 anatomopathologistes + 1 chercheur Toutes les zones suspectes en IRM sont classées en : Vrai positif (VP) : - Corrélation de la position ET de la taille Faux positif (FP) : - Pas de cancer dans la même zone / forte discordance de taille - Recherche d une explication (prostatite, PIN, ) Tous les cancers non vus en IRM sont classés en faux négatifs (FN) et contourés en consensus sur la console Osirix. 2) Contourage en consensus Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
13 Corrélation anatomo-radiologique Les régions d intérêt (ROI) ainsi contourées sur les images IRM peuvent être classifiées en 3 groupes: Tissus Malins {M} Vrais positifs ou Faux négatifs visibles a posteriori Tissus Normaux mais Suspects {NS} Principalement des faux positifs dans le diagnostic a priori des experts Mais aussi des cibles choisies par les radiologues parce qu elles présentent visuellement les caractéristiques du cancer (fort réhaussement en dynamique, hyposignal significatif en T2 ou ADC ) Tissus Normaux {N} ROI choisies aléatoirement sur toute la surface restante de la prostate. L étude se focalise sur la zone périphérique. En effet, il est généralement admis que le développement du cancer de la prostate se fait à partir de la glande périphérique dans près de 70 % des cas. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
14 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
15 Schéma de principe Construction du CAD supervisé Acquisitions des données Correction des artefacts d IRM Normalisation des séquences non quantitatives Recalage des différentes séquences Annotations (ROI) Extraction des caractéristiques descriptives Statistiques Structurelles Fonctionnelles Sélection de caractéristiques discriminantes Approche «Filtre» Test statistique (t-test) Information mutuelle mrmr(d) mrmr(q) Classification SVM LDA NB KNN Optimisation des paramètres H1 H0 H1 Images d apprentissage Caractéristiques V(x,y,z) = [c 1, c 2,...c n ] Caractéristiques V(x,y,z) = [c 1, c 2,...c n ]? Caractéristiques V(x,y,z) = [c 1, c 2,...c n ] Sélection des 0.01 caractéristiques Classifieur discriminantes H1 H1 H0 H H1 Posttraitements Image de test Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
16 Les étapes majeures de construction Extraction de caractéristiques (1/3) Extraction de 140 caractéristiques de différents types décrivant les images IRM Niveaux de gris des images Caractéristiques statistiques Statistiques du 1 er ordre, calculées, pour chaque pixel, sur une fenêtre locale Moyenne locale, médiane, écart type Caractéristiques structurelles Gradients Sobel, Kirsch, évalués selon différentes directions, normes Textures et caractéristiques d Haralick Energie, entropie, contraste, corrélation, dissimilarité, cluster shade Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
17 Les étapes majeures de construction Extraction de caractéristiques (2/3) Caractéristiques fonctionnelles calculées sur la séquence dynamique (DCE) Semi-quantitatives, issue de la courbe de réhaussement - Pentes : wash-in/wash-out - Valeurs de signal remarquables : - Maximum absolu (SIpic), - Valeur à 95% du réhaussement maximal (SImax) - Valeur à 5% (SIonset), - Amplitude (SImax SIonset) - Temps remarquables : - Temps d arrivée au pic (Tpic) - Temps à 95% du réhaussement maximal (Tmax), - Temps à 5% (Tonset), - Aire sous la courbe (AUGC) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
18 Les étapes majeures de construction Extraction de caractéristiques (3/3) Caractéristiques fonctionnelles calculées sur la séquence dynamique (DCE) Quantitatives issues de la modélisation pharmacocinétique de la courbe de réhaussement utilisant une fonction d entrée artérielle (AIF) mesurée et un modèle mono-exponentiel. - K trans (Forward volume transfer constant) - ve (fractional volume of extracellular space per unit volume of tissue) - Kep ( = K trans /ve, rate constant) modélisation Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
19 Les étapes majeures de construction Exemples de caractéristiques a) T2w avec les cancers A et B contourées b) Carte de Wash-In (u.a.) c) Coupe histologique d) Carte des Tmax (u.a.) e) Carte du Ktrans (u.a.) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
20 Les étapes majeures de construction Classification des données (1/2) Séparateurs à Vaste Marge (SVM) On projette, par une fonction dite noyau, les données dans un espace de grande dimension dans lequel elles deviennent peut être séparables. On cherche alors un séparateur maximisant l écart entre les données des classes saines et malines. Projection des données Calcul de la séparatrice optimale Espaces des caractéristiques ( ex. en 2D) Projection des données par une fonction noyau Φ On cherche l hyperplan séparateur maximisant la marge entre les données des deux classes. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
21 Les étapes majeures de construction Classification des données (2/2) Séparateurs à Vaste Marge (SVM) On projette, par une fonction dite noyau, les données dans un espace de grande dimension dans lequel elles deviennent peut être séparables. On cherche alors un séparateur maximisant l écart entre les données des classes saines et malines. K-plus proches voisins (KNN) On place la nouvelle donnée ( ) dans l espace des caractéristiques On détermine, parmi les points de la base d apprentissage, ses K plus proche voisins La classe du point est fonction de celles ses voisins (proportion) Analyse Discriminante Linéaire (LDA) On cherche un hyperplan séparateur des deux classes de données qui s exprime comme une combinaison linéaire des caractéristiques descriptives. Classifieur bayésien Naïf (NBC) Classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Les K-NN: Exemple 2D avec K =3 Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
22 Les étapes majeures de construction Sélection des caractéristiques Tests statistiques : t-test. On sélectionne les caractéristiques selon le niveau de significativité souhaité (p-valeur) Information mutuelle : Sélection des caractéristiques maximisant l information mutuelle avec les variables de classe mrmr (minimum-redundancy maximum-relevancy) : sélection des caractéristiques maximisant l association avec les variables de classe tout en minimisant la redondance d information avec les autres caractéristiques Ces méthodes de sélection par filtres permettent d ordonner les caractéristiques descriptives selon un critère (p-valeur, information mutuelle, mrmr). On choisit, pour chaque classifieur, le seuil à appliquer qui maximise les performances de tous les classifieurs (en moyenne) Exemple : Performances du classifieur en fonction du seuil appliqué sur la p-valeur en sortie du t-test. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
23 Mesures de performances Evaluation des performances de discrimination des tissus Comparaison des classifieurs ET des méthodes de sélection de caractéristiques Identifier le classifieur le plus performant Identifier les caractéristiques image les plus discriminantes Validation croisée : Leave-One-Patient-Out (LOPO) : On itère N fois - On exclut les données du patient X de la base d apprentissage - On réalise l apprentissage sur la base de données de N-1 patients - On teste le modèle de classification ainsi conçu sur le patient X Performances mesurées en terme d aire (AUC) sous la courbe ROC (Receiver Operating Characteristic)* Exemple de courbes ROC Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
24 Mesures de performances 2 Problèmes de discrimination considérés Problème 1: Discriminer les tissus normaux (sains {N} + suspects {NS} ) des tissus malins {M} Problème 2: Discriminer les tissus suspects {NS} des tissus malins {M} Les tissus qualifiés de «suspects» sont majoritairement des faux positifs sélectionnés par les deux radiologues lors du contourage a priori. Il peut également s agir de zones saines qui présentent visuellement les caractéristiques du cancer (fort réhaussement en dynamique, hyposignal significatif en T2 ou ADC ) et qui ont été contourées a posteriori par les radiologues pour tester / piéger le système CAD. Comparaison directe du système avec les performances humaines Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
25 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
26 Courbes ROC, sensibilités, spécificités Données globales Population étudiée : 30 patients, inclus entre septembre 2008 et mai 2010 Âge moyen: 60,6 and (45-70 ans) Contourage en consensus de : 40 cibles de tissus Malins {M} 50 cibles de tissus Normaux mais Suspects {NS} 122 cibles de tissus Normaux {N} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
27 Se Se Introduction Matériel: Base CLARA-P Méthode: construction du CAD Résultats: Evaluation du CAD Cas cliniques Conclusion Courbes ROC, sensibilités, spécificités Comparaison des performances (1/2) Sélection par t-test Sélection par Information mutuelle a) b) 1 - Spe 1 - Spe Classifieurs SVM LDA KNN NBC #caractéristiques AUC Classifieurs SVM LDA KNN NBC #caractéristiques AUC Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection a) par t-test et b) par information mutuelle. Les performances de discrimination sont mesurées sur le Problème 1: {M} versus {N, NS} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
28 Courbes ROC, sensibilités, spécificités Comparaison des performances (2/2) Sélection par mrmr(d) Sélection par mrmr(q) a) b) Classifieurs SVM LDA KNN NBC #caractéristiques AUC Classifieurs SVM LDA KNN NBC #caractéristiques AUC Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection a) par t-test et b) par information mutuelle. Les performances de discrimination sont mesurées sur le Problème 1: {M} versus {N, NS} Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
29 Courbes ROC, sensibilités, spécificités On observe que les caractéristiques sélectionnées en utilisant les p-valeurs du t-test comme critère de discrimination permettent d obtenir de meilleures performances (mesurées en terme d AUC) que celles sélectionnées par les autres méthodes. De même, on observe que le classifieur SVM obtient de meilleurs résultats que les autres classifieurs. Néanmoins, quel que soit le test considéré, la différence de performance en termes d AUC entre les classifieurs SVM, LDA et NBC n a pas pu être montrée statistiquement significative*. En revanche, les performances du KNN sont, elles, statistiquement significativement inférieures à celles des autres classifieurs (p<0.05) Les caractéristiques sélectionnées simultanément par la majorité des algorithmes de sélection sont issues des trois modalités validant l approche multi-séquences et concernent les trois types de caractéristiques (structurelle, statistique et fonctionnels) *La significativité statistique a été testé en utilisant le logiciel ROCKIT (Kurt Rossman Laboratories for Radiologic Image Research, Chicago) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
30 Se Introduction Matériel: Base CLARA-P Méthode: construction du CAD Résultats: Evaluation du CAD Cas cliniques Conclusion Courbes ROC, sensibilités, spécificités Performances experts Courbes ROC experts Construites à partir des scores attribués à chaque ROI contourée indépendamment par les radiologues dans l étude a priori des images IRM 1- Spe Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
31 Courbes ROC, sensibilités, spécificités Comparaison aux performances experts On compare les performances du CAD à celles de nos deux radiologues experts en terme de spécificité et sensibilité. On se place dans le contexte du problème 2: discrimination tissus malins {M} versus nonmalins mais suspects {NS} CAD Expert 1 Expert 2 Sensibilité 0.8 0,7 0,8 Spécificité 0.6 0,6 0,6 A spécificités égales, la sensibilité du CAD est supérieure à celle de l expert 1 et équivalente à celle de l expert 2. (0.4, 0.8) seuil=0.8 Courbes ROC correspondants aux performances des 4 classifieurs couplés à la méthode de sélection par t-test. Les performances de discrimination sont mesurés sur le Problème 2: {M} versus {NS} Ainsi, dans cette population, c est le seuil de 0.8 qui est retenu. Le CAD classifie les données de la façon suivante : score > 0.8 cancer, score < 0.8 bénin Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
32 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
33 Quiz de cas typiques et pièges en IRM Exemple n 1 1.Quelle(s) anomalie(s) remarquez-vous? 2.Quel score de malignité lui donneriez-vous? Faux positifs [cible 1: foyer d inflammation, cible 2: zone fibreuse] Cible 1 Lecteur 1 : score 2/4 Lecteur 2: score 2/4 CAD : score 0.5/1 (seuil 0.8) Cible 2 Lecteur 1: score 0/4 Lecteur 2: score 0/4 CAD: score 0.4/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
34 Quiz de cas typiques et pièges en IRM Exemple n vrai positif [cible 3: gleason 7 (3+4)] 2 Faux positifs [cibles 1 et 2: foyers d inflammation] 2 Cible 1 Lecteur 1 : score 2/4 Lecteur 2: score 2/4 CAD : score 0.5/1 (seuil 0.8) Cible 2 Lecteur 1: score 0/4 Lecteur 2: score 0/4 CAD: score 0.4/1 (seuil 0.8) Cible 3 Lecteur 1: score 4/4 Lecteur 2: score 4/4 CAD: score 0.93/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
35 Quiz de cas typiques et pièges en IRM Exemple n faux positif [foyer adénomyomateux] Cible 1 Lecteur 1 : score 1/4 Lecteur 2: score 0/4 CAD : score 0/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
36 Quiz de cas typiques et pièges en IRM Exemple n vrai positif [Gleason 8] Cible 1 Lecteur 1 : score 3/4 Lecteur 2: score 3/4 CAD : score 0.98/1 (seuil 0.8) Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
37 Plan du poster Introduction Place de l IRM dans la prise en charge des cancers de prostate Intérêt et objectif d un système d aide au diagnostic (CAD) Matériel : Base de données CLARA-P Protocole IRM Analyse de la pièce de prostatectomie Corrélation anatomo-radiologique Méthode : construction du système CAD Schéma de principe Les étapes majeures de construction Mesures de performances Résultats : Evaluation du système Courbes ROC, sensibilités, spécificités Comparaison aux performances des experts Cas cliniques Quiz de cas typiques et pièges en IRM Conclusion et perspectives Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
38 Conclusion et perspectives Points forts La base de données : La construction du système CAD repose sur une base de données entièrement annotée grâce à la vérité histologique. Elle utilise les données de 30 patients La méthode : Le CAD exploite conjointement les données de 3 séquences IRM différentes On extrait un nombre important de caractéristiques descriptives des images (statistiques, structurelles, fonctionnelles) L étude propose de tester et comparer 4 méthodes de sélection de caractéristiques associées à 4 méthodes de classification de données fonctionnant par apprentissage. sans précédent à notre connaissance Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
39 Conclusion et perspectives Points forts Résultats: Les performances de notre système CAD sont favorablement comparables aux résultats de la littérature. La valeur AUC = 0.90 (approche combinée t-test / SVM) est positivement comparable à Artan [1] (AUC = 0.79), Viswanath [2] (AUC = 0.82), Ozer [3] (AUC = 0.82); en revanche, les résultats de Vos [4,5] (AUC = 0.92) surpassent notre système. Résultats équivalents voire meilleurs que ceux obtenus par inspection visuelle humaine Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
40 Conclusion et Perspectives Perspectives Amélioration des performances Augmentation de la base de données Evaluation d autres méthodes de sélection de caractéristiques (approches wrapper ) Extraction d autres types de caractéristiques (ondelettes, Gabor ). Combinaison des sorties des classifieurs (vote à la majorité,fusion de Dempster- Shafer) Evaluation clinique Approche cartographie Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
41 N hésitez pas à nous contacter par mail pour plus de détails
42 Bibliographie 1. Haas, G., Delongchamps, N., Brawley, O., Wang, C., de la Roza, G. "The worldwide Epidemiology of prostate cancer: perspectives from autopsy studies". Can. J. Urol., Vol. 15, 1, pp (2008). 2. Artan, Y., Haider, M., Langer, D., van der Kwast, T., Evans, A., Yang, Y., Wernick, M., Trachtenberg, J., Yetik, I. "Prostate cancer localization with multispectral MRI using Cost- Senstive Support Vector Machines and Conditional Random Fields". IEEE Trans. Image processing, Vol. 19, 9 (2010). 3. Viswanath, S., Bloch, B., Rosen, M., Chappelow, J., Toth, R., Rofsky, N., Lenkinski, R., Genega, E., Kalyanpur, A., Madabushi, A. "Integrating structural and functional imaging for computer assisted detection of prostate cancer on multi-protocol In vivo 3 Tesla MRI". Proc. of SPIE Medical Imaging, Vol (2009). 4. Ozer, S., Langer, D., Liu, X., Haider, M., van der Kwast, T., Evans, A., Yang, Y., Wernick, M., Yetik, I. "Supervised and unsupervised methods for prostate cancer segmentation with multispectral MRI". Med. Phys., Vol. 37, 4, pp (2010). 5. Vos, P., Hambrock, T., Hulsbergen, C., Fütterer, J., Barentsz, J., Huisman, H. "Computerized analysis of prostate lesions in the peripheral zone using dynamic contrast enhanced MRI". Med Phys., Vol. 35, 3, pp (2008). 6. Vos, P., Hambrock, T., Hulsbergen, C., Fütterer, J., Barentsz, J., Huisman, H. "Computerized analysis of prostate lesions in the peripheral zone using dynamic contrast enhanced MRI". Med Phys., Vol. 35, 3, pp (2008). Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
43 Résumé Objectif : Construire un système d aide au diagnostic du cancer de la prostate par IRM multiséquences utilisant une approche par classification supervisée. Matériel : Données cliniques de 30 patients : images IRM (T2-w, DCE, ADC) et coupes histologiques obtenues après prostatectomie radicale Les images IRM sont entièrement annotées en consensus par 2 radiologues et 2 anatomopathologistes. On distinguera 3 types de ROI : tissus malins, tissus sains mais suspects, tissus bénins Méthode : On extrait plus de 140 caractéristiques descriptives des images IRM (statistiques, structurelles, fonctionnelles) On teste et compare les performances, sur la base de données annotées, de 4 méthodes de sélection des caractéristiques discriminantes combinées à 4 méthodes de classification. Résultats : Le classifieur SVM combiné à la méthode de sélection des caractéristiques par test statistique permet d atteindre des performances, en termes d aire sous la courbe ROC, de Les résultats sont montrés favorablement comparables aux performances humaines et à la littérature. Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
44 QCM A) Les performances de discrimination sont meilleures si l aire mesurée sous la courbe ROC est : 1- Proche de 1 2- Proche de Proche de 0 B) Sur la DCE, le cancer de prostate aura, théoriquement, un réhaussement en produit de contraste : 1- Plus tardif qu un tissu sain 2- Plus précoce qu un tissu sain 3- Plus important qu un tissu sain C) Le siège de prédilection du développement d un cancer de la prostate est: 1- La zone périphérique 2- La zone centrale 3- La zone fibro-musculaire 4- La zone de transition 5- La zone péri-urétrale Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
45 QCM - réponses A 1 : Les performances de discrimination sont meilleures si l aire mesurée sous la courbe ROC est proche de 1 B 2 et 3 : Théoriquement, un tissu malin aura un réhaussement plus précoce et plus important qu un tissu bénin. C 1: Le siège de prédilection du développement d un cancer de la prostate est La zone périphérique Diagnostic assisté par ordinateur appliqué à la détection du cancer de la prostate dans la zone périphérique par IRM multi-séquence 04/11/
Foscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique
S A l (1) G H (2) S S Aptel (1), G Hossu (2), S Foscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique innovation
Plus en détailIRM du Cancer du Rectum
IRM du Cancer du Rectum quels CHOIX TECHNIQUES pour quels OBJECTIFS THERAPEUTIQUES? Frank Boudghène, T. Andre, A. Stivalet, I. Frey, L. Paslaru, V. Ganthier, M. Tassart Hopital Tenon - Université Paris
Plus en détailSujets présentés par le Professeur Olivier CUSSENOT
ANAMACaP Association Nationale des Malades du Cancer de la Prostate 17, bis Avenue Poincaré. 57400 SARREBOURG Sujets présentés par le Professeur Olivier CUSSENOT Place des nouvelles techniques d imagerie
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailApport de l IRM dans la
Apport de l IRM dans la caractérisation tissulaire préopératoire des tumeurs rectales Y MORMECHE, S SEHILI, J MORMECHE, CH CHAMMEKHI, S KHELIFI, A BACCAR, MH DAGHFOUS, A CHERIF TUNIS - TUNISIE PLAN Introduction
Plus en détailCORRELATION RADIO-ANATOMIQUE DANS LE CARCINOME HEPATOCELLULAIRE TRAITE PAR TRANSPLANTATION HEPATIQUE : IMPACT SUR LA RECIDIVE
CORRELATION RADIO-ANATOMIQUE DANS LE CARCINOME HEPATOCELLULAIRE TRAITE PAR TRANSPLANTATION HEPATIQUE : IMPACT SUR LA RECIDIVE L. Lecoq, J. Gendre, N. Sturm, C. Letoublon, MN. Hilleret, JP. Zarski, V. Leroy
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailExtraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic
Extraction de caractéristiques visuelles d'images médicales pour la recherche par similitude et l'aide au diagnostic Jérôme Palayret 1,2, Auréline Quatrehomme 1,2, Denis Hoa 1, William Puech 2 IMAIOS,
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailIRM hépatique: ce que le manipulateur doit savoir
CHU Henri Mondor IRM hépatique: ce que le manipulateur doit savoir P.Zerbib, A.Luciani, F.Pigneur, R.Raymond, A.Rahmouni CHU Henri Mondor Créteil Service Imagerie Médicale Pr.A.RAHMOUNI Objectifs Comprendre
Plus en détailTUMEURS DU BAS APPAREIL URINAIRE
1 Plan de cours I - TUMEURS PRIMITIVES DE LA VESSIE c1 - Tumeurs papillaires non infiltrantes c2 - Tumeurs papillaires infiltrantes c3 - Carcinome in-situ en muqueuse plane D - Pronostic : II - TUMEURS
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailActualités IRM dans la SEP Thomas Tourdias 1, 2
Actualités IRM dans la SEP Thomas Tourdias 1, 2 (1) Service de NeuroImagerie Diagnostique et Thérapeutique, CHU Bordeaux, Université de Bordeaux (2) Neurocentre Magendie, INSERM U 862, Université de Bordeaux
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailPierre OLIVIER - Médecine Nucléaire
Diplôme Universitaire Corrélations anatomo-physio-pathologiques en imagerie thoracique 25 mai 2011 Imagerie TEP et pathologie tumorale bronchique Pierre OLIVIER - Médecine Nucléaire Détection en coincidence
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLes sciences de l ingénieur appliquées à la prise en charge du
Les sciences de l ingénieur appliquées à la prise en charge du cancer : enjeux et opportunités Début de cartographie des enjeux cliniques et technologiques gq Jean-François MENUDET, Cluster I-Care Cartographie
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailPLACE DE L IRM DANS LE BILAN D EXTENSION DU CANCER DU RECTUM. Professeur Paul LEGMANN Radiologie A - Cochin Paris
PLACE DE L IRM DANS LE BILAN D EXTENSION DU CANCER DU RECTUM Professeur Paul LEGMANN Radiologie A - Cochin Paris Cancer du rectum France : 15000 décès/an : 1ère cause. Pronostic souvent réservé Métastases
Plus en détailPeut-on reconnaître une tumeur de bas-grade en imagerie conventionnelle? S. Foscolo, L. Taillandier, E. Schmitt, A.S. Rivierre, S. Bracard, CHU NANCY
Peut-on reconnaître une tumeur de bas-grade en imagerie conventionnelle? S. Foscolo, L. Taillandier, E. Schmitt, A.S. Rivierre, S. Bracard, CHU NANCY A quoi sert l imagerie conventionnelle dans le diagnostic
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailDocument d information dans le cadre de l installation d un cyclotron. à Saint-Louis
Document d information dans le cadre de l installation d un cyclotron à Saint-Louis Cancers & imagerie médicale Un progrès majeur pour une meilleure prise en charge des patients. Accroitre les possibilités
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailANALYSE DU RISQUE DE CRÉDIT
ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque
Plus en détailApport de l IRM dans le bilan préthérapeutique du cancer du rectum
Apport de l IRM dans le bilan préthérapeutique du cancer du rectum Y MORMECHE, S SEHILI, J MORMECHE, CH CHAMMEKHI, S KHELIFI, A BACCAR, MH DAGHFOUS, A CHERIF TUNIS - TUNISIE PLAN Introduction Matériel
Plus en détailDENSITOMÉTRIE OSSEUSE : CE QUE LE RADIOLOGUE DOIT SAVOIR
DENSITOMÉTRIE OSSEUSE : CE QUE LE RADIOLOGUE DOIT SAVOIR C Andreux et F L Huillier H Guerini, A Feydy, X Poittevin, F Thevenin, R Campagna, JL Drapé, A Chevrot Hôpital COCHIN, Paris, France OBJECTIF Proposer
Plus en détailQuel apport de l imagerie dans les traitements anti-angiogéniques?
Quel apport de l imagerie dans les traitements anti-angiogéniques? L Fournier, D Balvay, CA Cuénod Service de radiologie, Hôpital Européen Georges Pompidou Laboratoire de Recherche en Imagerie, Equipe
Plus en détailRecommandations régionales Prise en charge des carcinomes cutanés
Recommandations régionales Prise en charge des carcinomes cutanés - décembre 2009 - CARCINOMES BASOCELLULAIRES La chirurgie : traitement de référence et de 1 ère intention Classification clinique et histologique
Plus en détailLe dépistage du cancer de la prostate. une décision qui VOUS appartient!
Le dépistage du cancer de la prostate une décision qui VOUS appartient! Il existe un test de dépistage du cancer de la prostate depuis plusieurs années. Ce test, appelé dosage de l antigène prostatique
Plus en détailQu est-ce qu un sarcome?
Qu est-ce qu un sarcome? Qu est-ce qu une tumeur? Une tumeur est une prolifération anormale de cellules. Les tumeurs ne devraient donc pas automatiquement être associées à un cancer. Certaines tumeurs
Plus en détailChapitre 1 Evaluation des caractéristiques d un test diagnostique. José LABARERE
UE4 : Biostatistiques Chapitre 1 Evaluation des caractéristiques d un test diagnostique José LABARERE Année universitaire 2011/2012 Université Joseph Fourier de Grenoble - Tous droits réservés. lan I.
Plus en détailF-FLUORODÉOXYGLUCOSE EN ONCOLOGIE Expérience en Ile de France
18F-fluorodéoxyglucose en oncologie. Expérience en Ile de France. 18 F-FLUORODÉOXYGLUCOSE EN ONCOLOGIE Expérience en Ile de France H. FOEHRENBACH 1, J. LUMBROSO 2 1 Service Médecine Nucléaire, Hôpital
Plus en détailIRM APRES TRAITEMENT RADICAL OU FOCAL du cancer de prostate. Raphaële Renard Penna Emmanuel Banayan Hôpital Pitié Salpétrière
IRM APRES TRAITEMENT RADICAL OU FOCAL du cancer de prostate Raphaële Renard Penna Emmanuel Banayan Hôpital Pitié Salpétrière Prise en charge du cancer de prostate 120000 patients 7% active surveillance
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailFigure 1 Différents éléments influençant les mesures de seuil réalisées en champ visuel
LE CHAMP VISUEL DU SUJET NORMAL INFLUENCE DES METHODES D'EVALUATION Jacques CHARLIER U279 INSERM, LILLE INTRODUCTION La connaissance du champ visuel du sujet normal, de ses variations intra et interindividuelles
Plus en détailCancer du sein in situ
traitements et soins octobre 2009 recommandations professionnelles Cancer du sein COLLECTION recommandations & référentiels Recommandations de prise en charge spécialisée Carcinome canalaire et carcinome
Plus en détailEssais cliniques de phase 0 : état de la littérature 2006-2009
17 èmes Journées des Statisticiens des Centres de Lutte contre le Cancer 4 ème Conférence Francophone d Epidémiologie Clinique Essais cliniques de phase 0 : état de la littérature 2006-2009 Q Picat, N
Plus en détailEssais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire
Essais précoces non comparatifs : principes et calcul du nombre de sujets nécessaire Sylvie CHABAUD Direction de la Recherche Clinique et de l Innovation : Centre Léon Bérard - Lyon Unité de Biostatistique
Plus en détailArtéfact en queue de comète à l échographie hépatique: un signe de maladie des voies biliaires intra-hépatiques
Artéfact en queue de comète à l échographie hépatique: un signe de maladie des voies biliaires intra-hépatiques T Smayra, L Menassa-Moussa, S Slaba, M Ghossain, N Aoun Hôtel-Dieu de France, Université
Plus en détailOSSIFICATION DU LIGAMENT VERTEBRAL COMMUN POSTERIEUR ET DU LIGT JAUNE: MYELOPATHIE CERVICALE SUBAIGUE
OSSIFICATION DU LIGAMENT VERTEBRAL COMMUN POSTERIEUR ET DU LIGT JAUNE: MYELOPATHIE CERVICALE SUBAIGUE Jurgita Bruzaite,, Monique Boukobza,, Guillaume Lot* Services de Neuroradiologie et de Neurochirurgie
Plus en détailSélection de Caractéristiques pour le Filtrage de Spams
Sélection de Caractéristiques pour le Filtrage de Spams Kamilia MENGHOUR, Labiba SOUICI-MESLATI Laboratoire LRI, Université Badji Mokhtar, BP 12, 23000, Annaba, Algérie. k_menghour@yahoo.fr, souici_labiba@yahoo.fr
Plus en détailIntérêt de la TEP-FDG dans les cancers de l ovaire
Intérêt de la TEP-FDG dans les cancers de l ovaire T. Mognetti et F. Giammarile Introduction La TEP-FDG (Tomographie par Émission de Positons après injection de 18 F- Fluoro-2-Déoxy-Glucose) est un des
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailG U I D E - A F F E C T I O N D E L O N G U E D U R É E. La prise en charge de votre mélanome cutané
G U I D E - A F F E C T I O N D E L O N G U E D U R É E La prise en charge de votre mélanome cutané Mars 2010 Pourquoi ce guide? Votre médecin traitant vous a remis ce guide pour vous informer sur le mélanome
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailPeut-on ne pas reprendre des marges «insuffisantes» en cas de Carcinome canalaire infiltrant
Peut-on ne pas reprendre des marges «insuffisantes» en cas de Carcinome canalaire infiltrant Institut Cancérologie de l Ouest CHIRURGIE Dr. Isabelle Jaffré CAS CLINIQUE 1 36 ans 90B sans CI radiothérapie
Plus en détailThierry DELZESCAUX. «biopicsel» group, URA CNRS-CEA 2210 Service MIRCen, I²BM, CEA Fontenay-aux-Roses, France. Thierry.Delzescaux@cea.
Thierry DELZESCAUX «biopicsel» group, URA CNRS-CEA 2210 Service MIRCen, I²BM, CEA Fontenay-aux-Roses, France Thierry.Delzescaux@cea.fr Thierry DELZESCAUX Ingénieur chercheur CEA Experience Since 2008:
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailGUIDE PATIENT - AFFECTION DE LONGUE DURÉE. La prise en charge du cancer du rein
GUIDE PATIENT - AFFECTION DE LONGUE DURÉE La prise en charge du cancer du rein Novembre 2010 Pourquoi ce guide? Votre médecin traitant vous a remis ce guide pour vous informer sur le cancer du rein, son
Plus en détailEvalua&on tests diagnos&ques. Arnaud Fontanet
Evalua&on tests diagnos&ques Arnaud Fontanet Résultats d un test diagnos&que Maladie «Gold standard» Test expérimental + a b a+b - c d c+d a+c b+d Evaluation tests diagnostiques. Arnaud Fontanet 2 Résultats
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailDéveloppement d'une nouvelle interface utilisateur multi-modalité en scanner interventionnel
Développement d'une nouvelle interface utilisateur multi-modalité en scanner interventionnel E. de Kerviler, C. de Bazelaire, P. Coulon*, S. Gotman**, J Yanof***, C. Bauer***J. Sapir**. Service de Radiologie,
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailTransplantation hépatique à donneur vivant apparenté. Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin
Transplantation hépatique à donneur vivant apparenté Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin Introduction Le prélèvement d une partie du foie chez une personne «vivante» et apparentée
Plus en détailG U I D E P A T I E N T - A F F E C T I O N D E L O N G U E D U R É E. La prise en charge du cancer du foie
G U I D E P A T I E N T - A F F E C T I O N D E L O N G U E D U R É E La prise en charge du cancer du foie Décembre 2010 Pourquoi ce guide? Votre médecin traitant vous a remis ce guide pour vous informer
Plus en détailPathologies tumorales thoraciques : intérêt de l IRM de perfusion et de diffusion avant biopsie
Pathologies tumorales thoraciques : intérêt de l IRM de perfusion et de diffusion avant biopsie Szwarc D.(1), Bour L.(1), Chapron J.(2), Gibault L.(3), Gouya H.(1), Abdelli O.(1), Fregeville A.(1), Silvera
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailINFORMATION À DESTINATION DES PROFESSIONNELS DE SANTÉ LE DON DU VIVANT
INFORMATION À DESTINATION DES PROFESSIONNELS DE SANTÉ LE DON DU VIVANT QUELS RÉSULTATS POUR LE RECEVEUR? QUELS RISQUES POUR LE DONNEUR? DONNER UN REIN DE SON VIVANT PEUT CONCERNER CHACUN /////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailL IRM pas à pas Un module d enseignement interactif des bases physiques de l Imagerie par Résonance Magnétique. http://www.e-mri.
L IRM pas à pas Un module d enseignement interactif des bases physiques de l Imagerie par Résonance Magnétique http://www.e-mri.org D HOA, A MICHEAU, G GAHIDE, E LE BARS, C CYTEVAL, M ZANCA, P DUJOLS,
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailF JABNOUN, H BERMENT, R KHAYAT, M MOHALLEM, Y BARUKH, P CHEREL Institut Curie Hôpital René Huguenin, Saint Cloud JFR 2010
F JABNOUN, H BERMENT, R KHAYAT, M MOHALLEM, Y BARUKH, P CHEREL Institut Curie Hôpital René Huguenin, Saint Cloud JFR 2010 Une anomalie ACR5 n est pas synonyme de malignité (VPP>95%) Quelle CAT après un
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailL ATROPHIE DU SPHINCTER ANAL EXTERNE en ENDOSONOGRAPHIE TRIDIMENSIONNELLE. Vincent de PARADES PARIS
L ATROPHIE DU SPHINCTER ANAL EXTERNE en ENDOSONOGRAPHIE TRIDIMENSIONNELLE Vincent de PARADES PARIS INTRODUCTION L incontinence anale du post-partum partum relève de deux mécanismes : la déchirure de l
Plus en détailHospital Anxiety and Depression Scale (HADS)
dmt Risques psychosociaux : out ils d é va lua t ion FRPS 13 CATÉGORIE ATTEINTE À LA SANTÉ PHYSIQUE ET MENTALE Hospital Anxiety and Depression Scale (HADS) LANGEVIN V.*, FRANÇOIS M.**, BOINI S.***, RIOU
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailLes atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
Plus en détailUE2 CANCEROLOGIE Place de la Médecine Nucléaire
UE2 CANCEROLOGIE Place de la Médecine Nucléaire Imagerie Imagerie de Gamma Caméra Tomographie d émission monophotoniqueou TEMP: radiopharmaceutiqueémetteurs de rayonnement Gamma Imagerie de Caméra TEP
Plus en détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailCE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT
CE QU IL FAUT SAVOIR PARTICIPATION À UN ESSAI CLINIQUE SUR UN MÉDICAMENT Sommaire Comment se fait la recherche sur un nouveau médicament? (page 1) A quoi sert la recherche sur un nouveau médicament? (page
Plus en détailImagerie TDM et IRM des obstacles du bas cholédoque
Imagerie TDM et IRM des obstacles du bas cholédoque O Bruot, V Laurent, P.A Ganne, C Barbary, S Corby, E Kermarrec, S Béot, D Régent Service de Radiologie Brabois Adultes JFR Octobre 2006 CHU NANCY Préface
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLa lutte contre la tuberculose est régie par l arrêté royal du 17 octobre 2002.
Le diagnostic de la tuberculose bovine La lutte contre la tuberculose est régie par l arrêté royal du 17 octobre 2002. 1. Tuberculination Dans la première phase d une infection de tuberculose bovine (Mycobacterium
Plus en détailProgramme «maladie» - Partie II «Objectifs / Résultats» Objectif n 2 : développer la prévention
Programme «maladie» - Partie II «Objectifs / Résultats» Objectif n 2 : développer la prévention Indicateur n 2-3 : Indicateurs sur le dépistage du cancer 1 er sous-indicateur : taux de participation au
Plus en détailCONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs!
CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE Information importante : Ces conseils ne sont pas exhaustifs! Conseils généraux : Entre 25 et 60 pages (hormis références, annexes, résumé) Format d un
Plus en détailTableaux de bord de gestion du risque Rapport d audit permanent
www.coopami.org Tableaux de bord de gestion du risque Rapport d audit permanent TUNIS 17 décembre 2013 Michel Vigneul Conseiller Actuaire La bonne gestion financière d un système d assurance de soins de
Plus en détailRééducation de la rééducation de l Incontinence Urinaire de l homme : Résultats. Guy Valancogne
Rééducation de la rééducation de l Incontinence Urinaire de l homme : Résultats Guy Valancogne Depuis la fin des années 90 : études pour le cas spécifique de l incontinence masculine, - certaines d entre
Plus en détail