Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
26 personnes membres du GdR ISIS, et 12 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 120 personnes.
Lien Zoom (25/01 à 9h30) : https://us02web.zoom.us/j/89600197543?pwd=bUJiVS80b0lUeDBoRHZpL0ljMHRidz09
ID de réunion : 896 0019 7543
Code secret : 7ERgPF
L'objectif de cette réunion est de faire le bilan des avancées pour la mise au point de méthodes de diagnostic et de pronostic pour faire face à la pandémie de la COVID-19. Les membres du GDR ISIS impliqués dans les thèmes B "Image et vision" et T "Apprentissage pour l'analyse du signal et des images" réunissent des compétences fortes en analyse d'images et/ou de données cliniques associées pour développer des modèles de diagnostic mais surtout prédictifs de la trajectoire des patients afin d'adapter au mieux leur prise en charge (Prédiction d'admission en soins intensifs, etc.)
Le GdR ISIS a coordonné les initiatives de la communauté nationale pour faire face à la COVID-19 autour d'un groupe de travail structuré autour de 4 actions : http://www.gdr-isis.fr/news/7135/121/Action-Covid-19-du-GdR-ISIS.html
Cette journée fait suite à deux réunions s'étant déroulées en avril et mai 2020 sur le sujet.
Nous lançons un appel à contributions sur les thèmes :
La COVID-19 continue de se propager dans le monde. Elle est causée par un nouveau coronavirus appelé coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2). Certaines preuves suggèrent que plutôt que d'être limité au système respiratoire, les coronavirus envahissent également le système nerveux central (SNC), ce qui pourrait être associé à certains types d'atteintes cérébrales. Dans cet exposé, nous dresserons un bilan des principales atteintes du SNC décrites en IRM et discuterons les enjeux de l'analyse de ces données d'imagerie pour mieux caractériser les mécanismes de cette pathologie.
Il maintenant bien établi que la Covid-19, au-delà des atteintes pulmonaires pouvant nécessiter une assistance ventilatoire artificielle, peut causer des altérations neurologiques. NeuroCOV regroupe des Neuroradiologues et des Statisticiens-traiteurs d'images avec comme objectif la mise en évidence, dans les images cérébrales disponibles (structurelles et de perfusion), d'altérations corticales ou sous-corticales possiblement subtiles. Il s'agira de repérer des motifs génériques pouvant permettre une meilleure compréhension physiopathologique de la Covid et une détection au plus tôt des patients susceptibles de développer une forme sévère. Durant cet exposé, nous ferons le bilan des premières réflexions et actions mises en place.
Objectif. Nous cherchons à évaluer l'intérêt des images de ventilation, dites CTVI (Computed Tomography Ventilation Image), quantifiant la répartition spatiale de la ventilation dans le poumon. Les CTVI sont calculées à partir de deux images tomodensitométriques (CT) acquises en blocage respiratoire en fin d'expiration et fin d'inspiration. Dans ces images, une estimation quantitative de la capacité de ventilation est disponible par voxel, permettant d'effectuer des analyses régionales. Cette répartition spatiale de la ventilation dans le poumon pourrait servir de biomarqueur (sévérité, pronostic, etc). De manière plus générale, les méthodes développées ne sont pas spécifiques au COVID et peuvent être utiles également pour d'autres pathologies, telles que le syndrome de détresse respiratoire aiguë (SDRA) et bronchopathie chronique obstructive (BPCO).
Résultats préliminaires. Une base de données de 99 patients a été constituée (CHU de Saint Etienne). La création d'une image CTVI débute par une étape recalage déformable entre les deux examens scanners. Cette étape nécessite la création d'un masque de mouvement ("motion mask" en anglais), c'est à dire délimiter la frontière où les poumons bougent par rapport à la cage thoracique lorsque l'on respire. Le résultat de la segmentation des images scanner est donc la délimitation d'une zone "fixe" et une zone "mobile" (due à la respiration). Une méthode originale, basée IA, a été développée et validée pour cette étape de segmentation. Le premiers résultats montrent que cette méthode est plus robuste que la méthode de référence, ce qui permettra de produire des images CTVI même dans les cas où des opacités présentent dans les poumons rendent la segmentation et le recalage plus difficiles.
CREATIS laboratory in collaboration with the French University Hospital of St-Etienne (CHUSE) have created a complete database for risk prediction, named COVID-CTPRED (ClinicalTrials.gov Identifier: NCT04377685) which contains chest CT, clinical, biological and lab data with 1 month follow-up for 800 patients admitted to the emergency room of the CHUSE, for suspicion of COVID-19 with respiratory signs and with RT-PCR diagnosis. In addition to conventional chest CT that enables detection of parenchymal abnormalities, both CT-angiography (IV iodinated contrast injection) for pulmonary vessels study, and breath-hold end-expiration and end-inspiration CTs for ventilation index (CTVI) estimation are acquired. Those up to 4 CT images are available depending on the patient's compliance. Patient data contains an electronic clinical report form (e-CRF) of more than 400 variables including, past and current clinical history, biological and lab results, and clinical outcome.
In parallel to the setup of theses data, an engineer has been hired for one year and a half to deploy a fully online service (storage, dedicated computing resources at CREATIS, and private online dashboards for users) to enable the application of algorithms in a secure and identified way on remote medical data by the French research community for open-science purposes. This solution is necessary to ensure compliance with the RGPD legislation (MR004 form) and to prevent patient's privacy as highly sensitive anonymized data will be shared. This work is done in connection with the French research group GDR-ISIS. The goal of this presentation is therefore to communicate on the current state of this project, and to initiate first actions around the database.
The common feature in all clinical conditions, both local to the lungs (e.g. pneumonia, chronic obstructive pulmonary disease) and those manifesting themselves in the lungs (e.g. kidney disease, COVID-19) is the presence in lung ultrasound (LUS) images of a variety of artefacts. This work presents a novel method for line artefact quantification in LUS images of COVID-19 patients by using a non-convex regularization method. We employ a simple local maxima detection technique in the Radon transform domain, associated with known clinical definitions of line artefacts. Notwithstanding its non-convex characteristics, the proposed technique is guaranteed to converge through our proposed Cauchy proximal splitting (CPS) method and accurately identifies both horizontal (pleural, sub-pleural, A-) and vertical (B- and Z-) line artefacts in LUS images. The proposed method includes a two-stage validation mechanism, which is performed in both Radon and image domains to reduce the number of false and missed detections.
Since the appearance of Covid-19 disease in city of Wuhan, China at the end of 2019, a lot of efforts has been made to recognize this disease. Reverse transcription polymerase chain reaction (RT-PCR) is the definitive test for the recognition of COVID-19 disease, however, chest X-ray scans is a fast, effective, and affordable test to identify the COVID-19 infection. Despite the availability of chest X-ray scans, an expert radiologist is needed to identify the Covid-19 infection. In our work, two scenarios are investigated to distinguish the Covid-19 infection from the other Lung diseases. In the first scenario, we defined three classes (Healthy, Covid-19, The other Pneumonia disease).
To train our models, we collected the 504 X-ray scans for each class. Our proposed model is based on an ensemble of deep learning models (Densnet-151, Inception-v3 and ResneXt-50). In the training phase, we divided the 504 X-ray scans of each class into training-validation splits (80%-20%). To train the deep learning models, we used data-augmentation techniques for the training split to have 6048 augmented X-ray scans for each class. In the testing phase, we used 207 X-ray scans for each class where the X-ray scans of Covid-19 are obtained from the Hospitals of Biskra, Algeria and the other classes scans are from public databases.
In the second scenario, we identified four Lung diseases plus Healthy. The classes of the second scenario are healthy, Covid-19, Viral Pneumonia, Bacterial Pneumonia, Lung Opacity No Pneumonia. Similar to the first scenario, we used 504 X-ray scans as training-validation splits (80%-20%), then data augmentation techniques are used for the training split. In the testing phase, we used 207 X-ray scans for each class where the X-ray scans of Covid-19 are obtained from the Hospitals of Biskra, Algeria and the other classes scans are from public databases.
We obtained great results in both scenarios; 99.17% and 86.5% for the first and second scenario, respectively.
Date : 2021-01-25
Lieu : Visio-conférence, de 9h30 à 12h30
Thèmes scientifiques :
B - Image et Vision
T - Apprentissage pour l'analyse du signal et des images
Inscriptions closes à cette réunion.
(c) GdR IASIS - CNRS - 2024.