Université de Rennes 1 Classification Des Flux Doppler Artériels Classification Of Arterial Doppler Flow Waveforms ClassificationAOMIcourbes Dopplerartèreréseau de neuronesapprentissage par transfert Classificationperipheral artery diseaseDoppler waveform analysisneural networktransfer learning Obstruction des artères Membre inférieur Échographie Doppler Classification Courbes L'analyse des courbes de flux artériel est un outil essentiel dans la prise en charge de l’artérite oblitérante des membres inférieurs (AOMI), pouvant être cependant source de confusion. Pour standardiser cette analyse, des classifications ont été proposées mais leur efficacité en pratique clinique reste peu documentée. Les réseaux de neurones ont montré leur capacité à classer des données et grâce à l'apprentissage par transfert, des réseaux existants peuvent être utilisés pour de nouvelles tâches de classification. Les objectifs de cette thèse étaient : 1. de comparer le taux de catégorisation des classifications de Descotes et Cathignol, Spronk et al. et Saint-Bonnet simplifiée. 2. d’évaluer la faisabilité d’une catégorisation automatique des courbes de flux artériel par un réseau de neurones existant après apprentissage par transfert. Des courbes de flux artériels ont été acquises auprès de patients consultant pour des symptômes évocateurs d’AOMI. Ces courbes ont ensuite été classées par des médecins vasculaires selon les trois classifications ou par un réseau de neurones existant, après apprentissage par transfert, selon la classification de Saint-Bonnet simplifiée. La classification de Saint-Bonnet simplifiée a obtenu le meilleur taux de catégorisation. Après un apprentissage par transfert, le réseau de neurones a pu classer les courbes de flux artériel avec une bonne précision. Les résultats des travaux menés pour cette thèse suggèrent que la classification de Saint-Bonnet simplifiée a le meilleur taux de catégorisation des trois classifications étudiées et que l'utilisation de l'apprentissage par transfert est possible pour entraîner un réseau de neurones existant à classer automatiquement des courbes de flux artériel. Arterial Doppler waveform analysis is a fundamental tool in peripheral artery disease (PAD) evaluation however a potential source of confusion. To standardise the waveform analysis, classifications have been proposed but their efficacy in clinical practice is unknown. Neural networks have shown great ability to categorise data. With transfer learning, an existing network can be retrained to perform a new classification task. The purpose of this thesis was: 1. to compare the categorisation rate of Descotes and Cathignol, Spronk et al. and the simplified Saint-Bonnet classifications. 2. to evaluate the potential for categorisation of arterial Doppler flow waveforms using an existing neural network via transfer learning. Doppler flow waveforms were acquired from patients attending a vascular arterial ultrasound clinic. The waveforms were categorized by vascular specialists according to the three classifications, or by a retrained neural network according to the simplified Saint-Bonnet Classification. The simplified Saint-Bonnet classification had the highest classification rate. After retraining, the neural network was able to categorize waveforms with good accuracy. The results of the work conducted for this thesis suggest that the simplified Saint-Bonnet classification provides a superior categorisation rate when compared with other classifications and that the use of transfer learning on a pre-trained neural network is feasible for the automatic classification of images of arterial Doppler flow waveforms. Electronic Thesis or DissertationText en application/pdf1 : 1453 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/d1d35fd4-e634-47ee-af2d-77be8c448d49 Guilcher Antoine 1982-09-01 FR 255080786 antoine.guilcher@gmail.com 2020REN1M194 http://www.theses.fr/2020REN1M194 2020-10-20 Médecine Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat (thèse d'exercice) non ouiMahéGuillaumeintervenant_1159723434 ddc:610 MahéGuillaumeUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophie ASCII PDF 1488145 confidentialité 2020-10-20 2021-06-30 restriction 2020-10-20 2021-06-30