Thèse soutenue

Personnalisation non-invasive de modèles électrophysiologiques cardiaques à partir d'électrogrammes surfaciques
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Sophie Giffard-Roisin
Direction : Maxime SermesantNicholas AyacheHervé Delingette
Type : Thèse de doctorat
Discipline(s) : Automatique, traitement du signal et de l'image
Date : Soutenance le 11/12/2017
Etablissement(s) : Université Côte d'Azur (ComUE)
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes)
Partenaire(s) de recherche : établissement de préparation : Université de Nice (1965-2019)
Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - Analysis and Simulation of Biomedical Images
Jury : Président / Présidente : Seyed Reza Razavi Ebrahimi
Examinateurs / Examinatrices : Maxime Sermesant, Nicholas Ayache, Hervé Delingette, Seyed Reza Razavi Ebrahimi, Olaf Doessel, Rémi Dubois
Rapporteurs / Rapporteuses : Olaf Doessel, Rémi Dubois

Résumé

FR  |  
EN

L'objectif de cette thèse est d'utiliser des données non-invasives (électrocardiogrammes, ECG) pour personnaliser les principaux paramètres d'un modèle électrophysiologique (EP) cardiaque pour prédire la réponse à la thérapie de resynchronisation cardiaque. La TRC est un traitement utilisé en routine clinique pour certaines insuffisances cardiaques mais reste inefficace chez 30% des patients traités impliquant une morbidité et un coût importants. Une compréhension précise de la fonction cardiaque propre au patient peut aider à prédire la réponse à la thérapie. Les méthodes actuelles se basent sur un examen invasif au moyen d’un cathéter qui peut être dangereux pour le patient. Nous avons développé une personnalisation non-invasive du modèle EP fondée sur une base de données simulée et un apprentissage automatique. Nous avons estimé l'emplacement de l'activation initiale et un paramètre de conduction global. Nous avons étendu cette approche à plusieurs activations initiales et aux ischémies au moyen d'une régression bayésienne parcimonieuse. De plus, nous avons développé une anatomie de référence afin d'effectuer une régression hors ligne unique et nous avons prédit la réponse à différentes stimulations à partir du modèle personnalisé. Dans une seconde partie, nous avons étudié l'adaptation aux données ECG à 12 dérivations et l'intégration dans un modèle électromécanique à usage clinique. L'évaluation de notre travail a été réalisée sur un ensemble de données important (25 patients, 150 cycles cardiaques). En plus d'avoir des résultats comparables avec les dernières méthodes d'imagerie ECG, les signaux ECG prédits présentent une bonne corrélation avec les signaux réels.