Marqueurs multiples de la fonction cardiaque: analyse statistique et apprentissage
  • Participants

Nicolas Duchateau, Kenny Rumindo , Patrick Clarysse

  • Collaborations nationales et internationales

Universitat Pompeu Fabra, Barcelone, ES (Sergio Sanchez, Gemma Piella, Bart Bijnens)

  • Question

Comment intégrer un grand nombre de données, souvent hétérogènes et complexes ? Quel impact pour la compréhension des pathologies ?

  • Objectif

Approfondir des méthodes d’apprentissage sur des données hétérogènes en haute dimension, et les utiliser pour (i) mieux représenter la distribution d’une population, et (ii) évaluer l’importance relative des descripteurs utilisés, et mettre en évidence de nouvelles interactions entre ces descripteurs.

  • Méthode

La méthodologie se base sur une version non-supervisée de l’algorithme d’apprentissage à noyaux multiples (Multiple Kernel Learning [Lin:2011]). Une matrice d’affinité est construite pour chaque descripteur à l’aide d’un noyau adéquat, et l’algorithme optimise de façon conjointe le poids relatif accordé à ces descripteurs et une matrice de changement de base vers un espace de moindre dimension plus approprié. La variabilité des données s’étudie dans l’espace de moindre dimension ou après reconstruction dans l’espace d’entrée, selon les besoins de l’application.

  • Résultats et illustrations

Nous avons testé la méthodologie sur différents descripteurs des vitesses myocardiques issus d’acquisitions tissue Doppler pendant un protocole d’effort, afin de mieux caractériser le syndrome d’insuffisance cardiaque à fraction d’éjection préservée [Sanchez:2017].

Nous souhaitons notamment étendre ces études à l’étude de l’infarctus du myocarde via différents descripteurs de la déformation myocardique, pour le moment issus de données synthétiques [Rumindo:2017].

Figure 1: méthodologie employée pour mieux représenter les données issues de plusieurs descripteurs hétérogènes. Illustration sur des vitesses myocardiques de sujets normaux et avec insuffisance cardiaque à fraction d’éjection préservée, avant et pendant un protocole d’effort. Adapté de [Sanchez:2017]

  • Soutiens financiers

PALSE-IMPULSION-2017 (Programme d’Avenir Lyon Saint-Etienne).

VP2HF (FP7-ICT-2013-611823).

  • Références bibliographiques

Lin YY, Liu TL, Fuh CS. Multiple kernel learning for dimensionality reduction. IEEE Trans Pattern Anal Mach Intell. 2011;33:1147-60.

Sanchez-Martinez S, Duchateau N, Erdei T, Fraser A, Bijnens B, Piella G. Characterization of myocardial motion patterns by unsupervised multiple kernel learning. Med Image Anal. 2017;35:70-82.

Rumindo GK, Duchateau N, Croisille P, Ohayon J, Clarysse P. Strain-based parameters for infarct localization: evaluation via a learning algorithm on a synthetic database of pathological hearts. Proc. FIMH, LNCS, 2017. In press.

 


Retour OBJECTIFS