Analyse automatique de signaux d'auscultation cervicale à haute résolution : Détection et caractérisation des déglutitions

Automatic analysis of high-resolution cervical auscultation signals : Detection and characterization of swallows

• Auteur / Autrice : Lila Gravellier
• Direction : Julien Pinquier, Jérome Farinas, Maxime Le Coz
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 04/10/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Partenaire(s) de recherche : Etablissement de délivrance conjointe : Université Toulouse 3 Paul Sabatier (1969-2024)
• Jury : Président / Présidente : Corinne Fredouille
• Jury : Rapporteurs / Rapporteuses : Thomas Hueber, Sylvain Morinière

Mots clés

Mots clés contrôlés

Apprentissage profond

Traitement du signal

Diagnostic non invasif

Diagnostic

Troubles de la déglutition

Mots clés libres

Déglutition

Non-invasif

Diagnostic

Détection

Analyse

Auscultation cervicale à haute résolution

Swallowing

Non-invasive

Diagnosis

Detection

Analysis

High-resolution cervical auscultation

Résumé

Les troubles de la déglutition (ou dysphagie) affectent 8% de la population mondiale, représentant un défi majeur pour la santé publique. Non diagnostiqués et non traités, ils peuvent entraîner des infections pulmonaires, une malnutrition, voire être fatals. Les examens cliniques de référence d'évaluation de la déglutition, tels que la vidéofluoroscopie (rayons X) et la nasofibroscopie (endoscope nasal), sont limités par leur caractère invasif, leur coût, leur accessibilité restreinte, et les risques liés à l'irradiation. De plus, le cadre très contrôlé nécessaire pour ces examens peut mener à des comportements non représentatifs de l'état réel du patient, nuisant à l'efficacité du diagnostic et du traitement. La recherche sur la dysphagie vise à développer des méthodes alternatives non-invasives et accessibles pour évaluer la déglutition. L'auscultation cervicale à haute résolution (ACHR), utilisant des capteurs externes tels que des microphones et des accéléromètres et une analyse des signaux résultants, émerge comme une solution prometteuse. Ces signaux ont démontré leur potentiel à travers différentes études: ils permettent ainsi de distinguer sujets sains et sujets dysphagiques, d'évaluer le degré de sévérité de la dysphagie, et de suivre les mécanismes physiologiques. Ces analyses nécessitent l'identification préalable des déglutitions, souvent par leur identification sur des images obtenues simultanément avec un examen de référence. Cette étape d'annotation manuelle s'avère très coûteuse en temps, ce qui la rend difficilement réalisable en contexte clinique. Comment détecter et localiser automatiquement les déglutitions et autres événements pertinents dans les signaux pour faciliter leur utilisation ? Différentes études se sont intéressées à la détection automatique de la déglutition, mais généralement dans des conditions expérimentales très contrôlées. De plus, les métriques utilisées ou le manque de précision dans la description des protocoles ne permettent pas toujours d'interpréter le cas d'utilisation réel de ces algorithmes. Cette thèse CIFRE, conduite en partenariat entre le laboratoire d'informatique de Toulouse et l'entreprise Swallis Medical, qui a développé un dispositif d'ACHR, s'inscrit dans une démarche innovante visant à faciliter le diagnostic de la dysphagie. Nous proposons, d'une part, une méthodologie pour l'enregistrement de signaux ACHR et leur annotation reproductible, soutenue par la création d'un corpus initial de 20 heures d'enregistrements réalisés sur 60 sujets sains. D'autre part, grâce à ces données, nous avons pu mettre en œuvre des techniques d'apprentissage profond pour détecter et localiser automatiquement les événements d'intérêt au sein des signaux, d'abord dans un environnement contrôlé avant de progresser vers des conditions plus naturelles. L'analyse des erreurs, de la variabilité des signaux et de l'apport des deux capteurs (microphone et accéléromètre), nous a guidés vers le développement d'un modèle robuste, composé d'un détecteur d'activité, suivi de l'analyse de spectrogrammes par un réseau CNN+LSTM. Cette méthode nous permet de très bien détecter les déglutitions, les mécanismes de défense des voies aériennes et les phonations, aussi bien en conditions contrôlées qu'en conditions écologiques (F-score supérieur à 85 %). Ce modèle permet également une structuration efficace des données ACHR, simplifiant leur interprétation par les professionnels de santé et pavant la voie à l'élaboration de nouveaux algorithmes diagnostiques. Ainsi, cette thèse constitue une première étape pour mieux comprendre les signaux d'ACHR et pour extraire les événements d'intérêt des signaux, lesquels peuvent servir au calcul d'indicateurs pertinents ou au suivi en temps réel des enregistrements en contexte clinique. Elle ouvre également la voie à de futures recherches sur leur utilisation dans le diagnostic de la dysphagie.

Swallowing disorders, known as dysphagia, affect 8% of the global population, presenting a major public health challenge. If left undiagnosed and untreated, dysphagia can lead to serious complications such as lung infections, malnutrition, and even death. Standard clinical evaluations for swallowing, such as videofluoroscopy (X-rays) and nasofibroscopy (nasal endoscopy), are hampered by their invasiveness, cost, limited accessibility, and radiation risks. Additionally, the controlled environments required for these exams can result in patient behaviors that do not accurately reflect their real-world conditions, reducing the effectiveness of diagnosis and treatment. Current research in dysphagia aims to develop non-invasive and accessible methods for assessing swallowing function. High-resolution cervical auscultation (HRCA), which uses external sensors like microphones and accelerometers to analyze the resulting signals, is emerging as a promising alternative. These signals have shown potential in numerous studies: they can distinguish between healthy individuals and those with dysphagia, assess the severity of the condition, and track physiological mechanisms. However, these analyses often require the manual identification of swallows, typically through images captured simultaneously with a reference exam, which is time- consuming and impractical in clinical settings. Several studies have investigated the automatic detection of swallowing, but these have typically been conducted under highly controlled experimental conditions. Additionally, the metrics used and the lack of precision in protocol descriptions often make it difficult to understand how these algorithms would perform in real-world applications. This industrial thesis (CIFRE), conducted in partnership with the Institut de Recherche en Informatique de Toulouse and Swallis Medical, a start-up company which developed an HRCA device, aims to simplify the diagnosis of dysphagia through innovative approaches. We propose a methodology for recording HRCA signals and their reproducible annotation, supported by an initial dataset of 20 hours of recordings from 60 healthy subjects. Using these data, we have implemented deep learning techniques to automatically detect and locate events of interest within the signals, starting in a controlled environment and moving towards more natural settings. Analysis of errors, signal variability, and the contributions of both sensors (microphone and accelerometer) has led to the development of a robust model. This model consists of an activity detector followed by spectrogram analysis using a CNN+LSTM network, achieving high accuracy in detecting swallows, airway defense mechanisms, and phonation in both controlled and real-world conditions (with an F-score above 85%). This model also facilitates the structuring of HRCA data, making it easier for healthcare professionals to interpret and already enabling the calculation of relevant indicators for dysphagia screening. This thesis represents a significant step towards better understanding HRCA signals and extracting relevant events from them, which can be used to develop pertinent indicators or monitor recordings in real-time in clinical settings. It also paves the way for future research into using HRCA for diagnosing dysphagia.