FR3119537A1 - Dispositif informatique pour analyse en temps réel d’électrogrammes - Google Patents
Dispositif informatique pour analyse en temps réel d’électrogrammes Download PDFInfo
- Publication number
- FR3119537A1 FR3119537A1 FR2101234A FR2101234A FR3119537A1 FR 3119537 A1 FR3119537 A1 FR 3119537A1 FR 2101234 A FR2101234 A FR 2101234A FR 2101234 A FR2101234 A FR 2101234A FR 3119537 A1 FR3119537 A1 FR 3119537A1
- Authority
- FR
- France
- Prior art keywords
- electrogram
- real
- time
- probability table
- electrogram signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 20
- 239000013598 vector Substances 0.000 description 14
- 239000000284 extract Substances 0.000 description 8
- 238000002679 ablation Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002837 heart atrium Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013153 catheter ablation Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 210000003492 pulmonary vein Anatomy 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
- A61B5/283—Invasive
- A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Complex Calculations (AREA)
- Debugging And Monitoring (AREA)
Abstract
Dispositif informatique pour analyse en temps réel d’électrogrammes. Un dispositif informatique pour une analyse en temps réel d’électrogrammes comprend une mémoire (4) agencée pour recevoir des signaux d’électrogrammes en temps réel provenant chacun d’une électrode, un premier évaluateur (6) comprenant un extracteur (8) et un module d’apprentissage automatique basé sur renforcement du gradient (10), ledit extracteur étant agencé pour extraire un jeu de caractéristiques comprenant au moins une caractéristique d’analyse dans le temps et au moins une caractéristique morphologique depuis chaque signal d’électrogramme, et pour fournir les jeux résultants de caractéristiques audit module (10) entraîné sur des données comprenant des jeux de caractéristiques labellisées avec une valeur indiquant si le signal d’électrogramme associé présente une dispersion et agencé pour délivrer, pour chaque jeu de signaux d’électrogramme, un premier tableau de probabilités indiquant chacune si un signal d’électrogramme respectif présente une dispersion, et un second évaluateur (12) comprenant un réseau de neurones convolutifs qui délivre un deuxième tableau de probabilités. Figure 1
Description
L’invention concerne un dispositif informatique pour analyse en temps réel d’électrogrammes.
Le domaine de la fibrillation atriale a été en développement rapide au cours de ces 5 dernières années.
La détection de zones cardiaques qui promeuvent une fibrillation atriale inclut des dispositifs informatiques hors ligne utilisant des logiciels comme Topera et CardioInsight, et des dispositifs informatiques en temps réel utilisant des logiciels comme CARTO.
Le logiciel Topera vise à reconstruire l’activation électrique des oreillettes du cœur. Une acquisition de signal est réalisée en utilisant un « cathéter de type panier » (un cathéter qui est déployé sur toute l’oreillette). L’analyse est effectuée en temps différé, plus de 2 minutes après le début de l’acquisition. Cette solution est peu pratique parce que ce type de cathéter est difficile à insérer et parce que le contact des électrodes n’est pas garanti. La durée d’analyse est très longue, et la reconstruction ne permet pas d’obtenir des cartes haute définition, et elle échoue dans le cas d’une activation électrique complexe (qui représente 70 % des cas de fibrillation atriale) en raison d’une reconstruction trop simpliste.
Le logiciel CardioInsight vise à reconstruire l’activité électrique du cœur en utilisant un gilet de mesure d’électrocardiogramme à plusieurs électrodes sur la peau du patient. Le patient porte le gilet avant l’opération, les données sont analysées et accessibles pendant l’opération. L’analyse est effectuée en temps différé (plus de 15 minutes) après le début de l’acquisition. Cette solution présente l’inconvénient d’un temps de calcul très long, ce qui impose un temps différé engendrant une préparation difficile (le patient est tenu de venir quelques jours à l’avance et de porter le gilet pour que les données puissent être extraites avant l’opération) et un coût très élevé. De plus, la reconstruction ne permet pas des cartes haute définition parce que les mesures sont trop espacées, et elle échoue dans le cas d’une activation électrique complexe en raison d’une reconstruction trop simpliste.
Le logiciel CARTO publié par Biosense & Webster permet la mise en œuvre d’algorithmes de détection d’arythmies cardiaques.
L’algorithme CFAE (Complex Fractionated Atrial Electrograms) calcule le nombre de points d’inflexion (variation du signe de la dérivée) dans les signaux et produit des cartes en couleur en temps réel. Le praticien interprète ensuite ces cartes complexes pour déterminer des sites d’intérêt. Cet algorithme n’est pas très spécifique et est relativement simple.
Le logiciel Ensite publié par Abbott Laboratories permet la mise en œuvre d’algorithmes pour détecter des arythmies cardiaques.
L’algorithme Ripple (Ripple Mapping) est un module du logiciel CARTO qui permet de reproduire l’activité électrique des oreillettes après un premier passage de cathéter. L’amplitude et la propagation d’ondes électriques sont rendues visibles grâce à ce module. Cela engendre des cartes qui sont extrêmement complexes à comprendre pour le praticien. Bien que cela puisse fonctionner dans des cas simples, l’analyse échoue dans le cas d’une activation électrique complexe en raison de la grande difficulté d’interprétation des cartes.
Le demandeur a inventé un système amélioré et a déposé une demande de brevet français FR1852850 qui divulgue l’utilisation de deux procédés interdépendants afin de réaliser une détection en temps réel de zones cardiaques promouvant une fibrillation atriale. Plus spécifiquement, cette invention divulgue l’utilisation d’un classificateur agencé pour appliquer deux modèles de classification à des données d’électrogrammes. Un modèle est plus rapide à appliquer et moins précis que l’autre, de sorte qu’il est utilisé pour alerter le praticien de l’intérêt potentiel d’une région cardiaque.
Les travaux approfondis du demandeur ont permis de déterminer un dispositif informatique amélioré pour une détection en temps réel de zones cardiaques promouvant des fibrillations atriales, comprenant une mémoire agencée pour recevoir des signaux d’électrogrammes en temps réel provenant de l’une parmi une pluralité d’électrodes, un premier évaluateur comprenant un extracteur et un module d’apprentissage automatique basé sur renforcement du gradient, ledit extracteur étant agencé pour extraire un jeu de caractéristiques comprenant au moins une caractéristique d’analyse dans le temps et au moins une caractéristique morphologique depuis chaque signal d’électrogramme à l’intérieur d’un jeu de signaux d’électrogramme, et pour fournir les jeux résultants de caractéristiques audit module d’apprentissage automatique basé sur renforcement du gradient entraîné sur des données comprenant des jeux de caractéristiques labellisées avec une valeur indiquant si le signal d’électrogramme associé présente une dispersion et agencé pour délivrer, pour chaque jeu de signaux d’électrogramme, un premier tableau de probabilités indiquant chacune si un signal d’électrogramme respectif parmi le jeu de signaux d’électrogrammes présente une dispersion, un second évaluateur comprenant un réseau de neurones convolutifs qui reçoit un jeu de signaux d’électrogrammes en temps réel et délivre un deuxième tableau de probabilités que les signaux d’électrogrammes en temps réel entrés présentent une dispersion, ledit réseau de neurones convolutifs ayant été entraîné avec une base de données de signaux d’électrogrammes labellisés chacun avec une valeur indiquant si le signal d’électrogramme respectif présente une dispersion, et un prédicteur qui, sur la base du premier tableau de probabilités et du deuxième tableau de probabilités déterminés pour un jeu donné de signaux d’électrogramme, retourne un troisième tableau de probabilités, sur la base au moins en partie d’une moyenne pondérée des valeurs du premier tableau de probabilités et du deuxième tableau de probabilités.
Ce dispositif informatique est particulièrement intéressant parce qu’il a permis au demandeur de construire des cartes de dispersion de patients en temps réel et d’utiliser ces cartes pour atteindre un taux de terminaison de fibrillation atriale de 88 % chez ces patients. Cela signifie que l’invention du demandeur peut être utilisée en toute fiabilité pour aider les praticiens en temps réel à construire des cartes de dispersion et guérir une fibrillation atriale.
Dans divers modes de réalisation, le dispositif informatique peut comporter une ou plusieurs des caractéristiques suivantes :
- l’extracteur est agencé pour extraire au moins une caractéristique d’analyse dans le temps dans le groupe comprenant une première estimation de longueur de cycle, une seconde estimation de longueur de cycle et la fréquence de la transformée rapide de Fourier du signal d’électrogramme qui a la plus grande amplitude,
- l’extracteur est agencé pour extraire au moins une caractéristique morphologique dans le groupe comprenant la norme euclidienne du signal d’électrogramme et la dérivée absolue intégrée du signal d’électrogramme,
- le dispositif est en outre agencé pour diviser un signal d’électrogramme en temps réel en une série de signaux d’électrogrammes partageant une durée choisie,
- le dispositif est en outre agencé pour fournir un jeu de signaux d’électrogrammes ayant la même durée choisie,
- le dispositif est en outre agencé pour diviser un signal d’électrogramme en temps réel en une série de signaux d’électrogrammes ayant une durée choisie,
- le prédicteur est en outre agencé, lorsque la valeur absolue de la différence entre une probabilité dans le premier tableau de probabilités et une probabilité dans le deuxième tableau de probabilités correspondant au même signal d’électrogramme dépasse un seuil, pour utiliser la probabilité du premier tableau de probabilités dans le troisième tableau de probabilités, et
- le dispositif est en outre agencé pour déterminer une couleur associée aux valeurs à l’intérieur du troisième tableau, le dispositif informatique comprenant en outre un affichage agencé pour délivrer, pour chaque électrode, la couleur associée à la probabilité déterminée pour le signal d’électrogramme correspondant dans le troisième tableau de probabilités.
L’invention concerne également un programme informatique comprenant des instructions pour mettre en œuvre le premier évaluateur, le second évaluateur et le prédicteur, un support de stockage de données sur lequel est stocké ce programme informatique et un procédé informatique de réception de signaux d’électrogrammes en temps réel, exécutant le premier évaluateur, le second évaluateur et le prédicteur selon l’invention, et retournant ledit troisième tableau de probabilités.
D’autres caractéristiques et avantages de l’invention vont apparaître immédiatement dans la description ci-après des dessins qui représentent des modes de réalisation exemplaires de l’invention et sur lesquels
- la représente un schéma générique d’un mode de réalisation du dispositif informatique selon l’invention,
- la représente une vue générique d’un réseau de neurones convolutifs utilisé dans le mode de réalisation de la .
Les dessins et la description ci-après se composent pour l’essentiel de caractéristiques positives bien définies. Par conséquent, ils sont non seulement utiles pour comprendre l’invention, mais ils peuvent également être utilisés pour contribuer à sa définition, le cas échéant.
Une fibrillation atriale persistante reste un défi thérapeutique. Bien qu’un nombre croissant de patients puissent bénéficier d’une ablation par cathéter, la stratégie d’ablation optimale pour une fibrillation atriale persistante reste difficile à cerner. STAR-AF2 (Verma A, Jiang C-y, Betts TR et al. «Approaches to catheter ablation for persistent atrial fibrillation», New England Journal of Medicine 2015;372:1812-1822) a conclu que la réalisation de lésions d’ablation supplémentaires au-delà de l’isolation de veines pulmonaires (PVI) n’engendre pas des résultats à long terme améliorés.
Par contraste, certaines études observationnelles (cf. Jadidi AS, Lehrmann H, Keyl C et al «Ablation of persistent atrial fibrillation targeting low -voltage areas with selective activation characteristics», Circulation: Arrhythmia and Electrophysiology 2016;9:e002962 et Seitz J, Bars C, Théodore G et al. «AF ablation guided by spatio-temporal electrogram dispersion without pulmonary vein isolation: a wholly patient- tailored approach», Journal of the Américan College of Cardiology 2017;69:303-321) ont suggéré que des lésions non-PVI ciblant des régions présentant des anomalies d’électrogramme sont bénéfiques pour des patients avec une fibrillation atriale persistante.
En particulier, cette dernière étude a donné des résultats confirmant l’intérêt de l’application d’énergie par radiofréquence dans des régions atriales présentant la dispersion d’électrogrammes multipolaires. D’autres études (Narayan SM, Krummen DE, Shivkumar K, Clopton P, Rappel W-J, Miller JM. «Treatment of atrial fibrillation by the ablation of localized sources: CONFIRM ( Conventional Ablation for Atrial Fibrillation With or Without Focal Impulse and Rotor Modulation) trial», Journal of the American College of Cardiology 2012;60:628-636) ont réalisé une analyse de signal poussée et fourni un affichage de type mécanique pour guider les opérateurs vers des facteurs de fibrillation atriale.
Indépendamment des anomalies ou des analyses d’électrogramme, il existe de grandes différences d’expérience et de stade sur la courbe d’apprentissage entre les divers centres essayant de mettre en œuvre des approches similaires de mappage basé sur électrogramme.
La représente un schéma général d’un mode de réalisation du dispositif informatique selon l’invention.
Le dispositif informatique 2 comprend une mémoire 4, un premier évaluateur 6 comprenant un extracteur 8 et un module d’apprentissage automatique basé sur renforcement du gradient 10, un second évaluateur 12 et un prédicteur 14.
D’un point de vue utilisation, un opérateur emploie des électrodes insérées dans le cœur d’un patient, qui sont représentées sur un affichage du dispositif informatique 2, comme cela est exemplifié par le numéro de référence 16. Comme cela est apparent sur la , il peut y avoir 16 électrodes de divers types.
Le résultat de la détection par les électrodes est un jeu de signaux d’électrogrammes en temps réel 18 qui sont fournis à la mémoire 4. Ces signaux d’électrogrammes sont analysés et le prédicteur 14 retourne une vue modifiée 20 des électrodes permettant au praticien d’identifier les électrodes qui ont détecté une zone pouvant être associée à une dispersion. En retour, le praticien peut marquer (ou autrement voir la position associée être renvoyée d’une manière automatique) les emplacements correspondants sur le cœur d’un patient, en engendrant ainsi une carte 22 d’un cœur avec des zones à traiter compte tenu d’une fibrillation atriale représentée par des points.
La mémoire 4 stocke les signaux d’électrogrammes en temps réel (par exemple, après leur numérisation et leur répartition à des intervalles de temps réguliers, de sorte que tous les signaux d’électrogrammes aient la même durée, par exemple 3 secondes), ainsi qu’une base de données de plus de 275 000 signaux d’électrogrammes labellisés avec une valeur indiquant s’ils présentent une dispersion, c’est-à-dire s’ils sont ou non associés à une fibrillation atriale. Les électrogrammes ayant une durée identique peuvent être consécutifs ou peuvent se chevaucher. La mémoire 4 peut également stocker des données transitoires pouvant être générées au cours de l’exécution de l’invention. La mémoire 4 peut également stocker les cartes découlant du fonctionnement du prédicteur 14, éventuellement combinées à des annotations faites par le praticien et une géométrie de cathéter.
Dans l’exemple décrit dans les présentes, la mémoire 4 peut être réalisée de n’importe quelle manière appropriée, c’est-à-dire au moyen d’un disque dur, d’un disque à mémoire flash (SSD), d’une mémoire flash, d’une mémoire intégrée à un processeur, d’un stockage distant accessible dans le cloud, etc.
Dans l’exemple décrit dans les présentes, le premier évaluateur 6 comprenant l’extracteur 8 et le module d’apprentissage automatique basé sur renforcement du gradient 10, le second évaluateur 12 et le prédicteur 14 sont des programmes informatiques qui sont exécutés sur un ou plusieurs processeurs. De tels processeurs incluent tout moyen connu pour réaliser des calculs automatisés, comme des CPU, GPU, réseaux de CPU et/ou de GPU, réseaux de calcul à distance, FPGA spécifiquement configurés, ASIC spécifiquement configurés, puces spécialisées comme des SOC ou NOC, puces spécialisées AI, etc.
Dans l’exemple décrit dans les présentes, le premier évaluateur 6 est un module d’apprentissage automatique qui est agencé pour extraire des caractéristiques de signaux d’électrogrammes et pour les soumettre à un procédé de renforcement du gradient afin de déterminer une probabilité de dispersion.
L’extracteur 8 est agencé pour déterminer un jeu de caractéristiques de chaque signal d’électrogramme en temps réel, que le demandeur a identifié comme permettant de réaliser une excellente détection de dispersion en appliquant le procédé d’apprentissage automatique. Ces caractéristiques peuvent être classées dans deux catégories principales de caractéristiques.
La première catégorie concerne l’analyse dans le temps des signaux d’électrogramme, c’est-à-dire des caractéristiques qui sont intrinsèquement liées à l’analyse dans le domaine temporel ou dans le domaine fréquentiel des signaux d’électrogramme. Dans l’exemple décrit dans les présentes, l’extracteur 8 peut extraire une première estimation de longueur de cycle, une seconde estimation de longueur de cycle, et/ou la fréquence de la transformée rapide de Fourier du signal d’électrogramme qui a la plus grande amplitude. Dans ce dernier cas, l’amplitude peut également être retenue en tant que caractéristique.
La première estimation de longueur de cycle et la seconde estimation de longueur de cycle peuvent être déterminées comme suit.
Les données de signal d’électrogramme en temps réel sont stockées dans un vecteur, dont chaque élément correspond à un échantillon de celles-ci. Ensuite, un paramètre d’autocorrélation T est utilisé pour définir deux vecteurs de taille T : un premier vecteur comprenant les T premiers échantillons du vecteur, et un second vecteur comprend les T derniers échantillons du vecteur.
Dans l’exemple décrit dans les présentes, le premier estimateur est calculé en mesurant une autocorrélation normalisée en prenant le produit scalaire du premier vecteur et du second vecteur, divisé par le produit des normes euclidiennes du premier vecteur et du second vecteur. En faisant varier T, une valeur maximale et une valeur minimale du premier estimateur sont déterminées, puis la valeur sélectionnée pour le premier estimateur est choisie comme celle pour laquelle la valeur de T fournit le premier extremum local pour lequel le premier estimateur calculé avec cette valeur de T est supérieur à la différence entre la valeur maximale du premier estimateur moins 0,3 fois la différence entre la valeur maximale et la valeur minimale du premier estimateur. En variante, le premier estimateur peut être déterminé différemment, par exemple en changeant le coefficient de 0,3, ou en recherchant une valeur de T qui optimise l’estimateur de manière empirique, exhaustive ou autre.
Dans l’exemple décrit dans les présentes, le second estimateur est calculé en calculant, pour chaque valeur de T, la norme euclidienne au carré par la différence entre le premier vecteur et le second vecteur, divisée par le produit de l’échantillon avec la plus grande valeur absolue dans le premier vecteur par l’échantillon avec la plus grande valeur absolue dans le second vecteur. Comme avec le premier estimateur, une valeur maximale et une valeur minimale du second estimateur sont déterminées, puis la valeur sélectionnée pour le second estimateur est choisie comme celle pour laquelle la valeur de T fournit le premier extremum local pour lequel le second estimateur calculé avec cette valeur de T est inférieur à la différence entre la valeur minimale du second estimateur plus 0,2 fois la différence entre la valeur maximale et la valeur minimale du second estimateur. En variante, le premier estimateur peut être déterminé différemment, par exemple en changeant le coefficient de 0,2, ou en recherchant une valeur de T qui optimise l’estimateur de manière empirique, exhaustive ou autre.
La seconde catégorie concerne une analyse morphologique du signal, c’est-à-dire une analyse basée sur ou liée à la morphologie mathématique. Dans l’exemple décrit dans les présentes, l’extracteur 8 peut extraire la norme euclidienne du signal d’électrogramme et l’intégrale de la valeur absolue de la dérivée du signal d’électrogramme.
En utilisant toutes les caractéristiques susmentionnées, le module d’apprentissage automatique basé sur renforcement du gradient 10 peut utiliser jusqu’à 6 caractéristiques distinctes pour chaque signal d’électrogramme en temps réel. Bien entendu, dans d’autres modes de réalisation, l’extracteur 8 peut extraire plus de caractéristiques, et ces caractéristiques peuvent être liées à la combinaison ou à la comparaison de signaux d’électrogrammes liés à différentes électrodes en partageant un code de temps identique. Dans certaines réalisations, le demandeur a utilisé jusqu’à 70 caractéristiques dans le module d’apprentissage automatique basé sur renforcement du gradient 10.
L’entraînement du module d’apprentissage automatique basé sur renforcement du gradient 10 est réalisée par l’utilisation des 275 000 signaux d’électrogrammes labellisés avec une valeur indiquant s’ils présentent une dispersion. Tout d’abord, les caractéristiques sont extraites pour chacun de ces signaux d’électrogramme, puis le module d’apprentissage automatique basé sur renforcement du gradient 10 est entraîné dans l’exemple décrit dans les présentes en utilisant une fonction de perte logistique. Après l’entraînement, le module d’apprentissage automatique basé sur renforcement du gradient 10 peut être utilisé pour recevoir un jeu de caractéristiques extraites d’un jeu d’électrogrammes en tant qu’entrées et pour retourner un tableau de valeurs indiquant chacune la probabilité que l’un correspondant des signaux d’électrogrammes dans le jeu de signaux d’électrogrammes présente une dispersion. De manière optionnelle, les données d’entraînement peuvent également inclure des informations de géométrie de cathéter et/ou des informations 3D relatives à celles-ci.
Dans l’exemple décrit dans les présentes, le second évaluateur 12 est un réseau de neurones convolutifs qui reçoit des jeux de signaux d’électrogrammes et délivre un tableau de valeurs indiquant chacune la probabilité que l’un correspondant des signaux d’électrogrammes dans le jeu de signaux d’électrogrammes présente une dispersion.
La représente une structure exemplaire du réseau de neurones convolutifs du second évaluateur 12.
Dans l’exemple décrit dans les présentes, le réseau de neurones est un réseau de neurones convolutifs avec 5 couches de convolution. Ainsi, un jeu de signaux d’électrogrammes 100 (comprenant 16 électrogrammes par exemple) est traité par une première couche de convolution 110 qui extrait 200 caractéristiques, suivie d’une deuxième couche de convolution 120 qui extrait 3000 caractéristiques de la couche 110, d’une troisième couche de convolution 130 qui extrait 20 000 caractéristiques de la couche 120, d’une quatrième couche de convolution 140 qui extrait 8000 caractéristiques d’un max-pooling de la couche 130, et d’une cinquième couche de convolution 150 qui extrait 1000 caractéristiques de la couche 140.
La cinquième couche de convolution 150 est reliée à une couche entièrement connectée 160 du réseau de neurones qui comprend une chaîne de 2 couches de neurones comprenant respectivement 50 neurones et 10 neurones. La couche entièrement connectée 160 retourne le tableau de probabilités 170 dans la couche de sortie.
L’entraînement de ce réseau de neurones convolutifs est réalisée en utilisant les 275 000 signaux d’électrogrammes labellisés avec une valeur indiquant s’ils présentent une dispersion. Les signaux d’électrogrammes sont utilisés par groupes de 16, chaque signal d’électrogramme ayant sa valeur correspondante de 0 ou 1 indiquant la présence ou l’absence de dispersion. L’entraînement est réalisé dans l’exemple décrit dans les présentes en utilisant un optimiseur Adam et une fonction de perte d’entropie croisée binaire. Un autre optimiseur et une autre fonction de perte peuvent être utilisés, et l’optimiseur peut être évité.
Le prédicteur 14 est utilisé pour rapprocher les prédictions du premier évaluateur 6 et celles du second évaluateur 12. Plus précisément, dans de nombreux cas, le second évaluateur 12 est plus robuste contre le sur-ajustement que le premier évaluateur 6, qui est généralement plus précis. C’est pourquoi le prédicteur 14 peut réaliser une moyenne pondérée des valeurs du tableau de probabilités retournées respectivement par le premier évaluateur 6 et le second évaluateur 12. Dans un mode de réalisation, les poids peuvent être 0,7 pour le premier évaluateur 6 et 0,3 pour le second évaluateur 12. De manière optionnelle, puisque les réseaux de neurones convolutifs ont plus tendance à dériver que les procédés d’apprentissage automatique basés sur renforcement du gradient, si la différence entre la prédiction du premier évaluateur 6 et la prédiction du second évaluateur 12 est trop grande, le prédicteur 14 peut décider de conserver uniquement la valeur du premier évaluateur 6. La sortie du prédicteur 14 est ainsi un autre tableau de probabilités qu’un signal d’électrogramme en temps réel donné présente une dispersion.
L’ordinateur 14 peut en outre déterminer des couleurs sur la base du tableau de prédictions. Plus précisément, cette détermination peut être basée sur l’utilisation de tableaux de prédictions associés à des marqueurs de temps consécutifs. S’il est déterminé que la fibrillation atriale du patient est lente, deux tableaux de prédictions correspondant à des marqueurs de temps consécutifs peuvent être moyennés, et les valeurs de ce tableau peuvent être associées comme suit : bleu si la valeur est inférieure à 0,35, orange si la valeur est comprise entre 0,35 et 0,65, sinon rouge. S’il est déterminé que la fibrillation atriale du patient est rapide, quatre tableaux de prédictions correspondant à des marqueurs de temps consécutifs peuvent être moyennés, et les valeurs de ce tableau peuvent être associées comme suit : bleu si la valeur est inférieure à 0,5, orange si la valeur est comprise entre 0,5 et 0,8, sinon rouge. La détermination si la fibrillation atriale est rapide ou lente est une décision du praticien qu’il saisit dans le dispositif. Cela permet de fournir un retour visuel sur un affichage (comme cela est indiqué par le numéro de référence 20 sur la ), qui peut être utilisé par le praticien pour labelliser automatiquement, manuellement ou semi-manuellement la région du cœur, avec pour conséquence que les zones de dispersion sont identifiées par des points au numéro de référence 22 de la .
Bien qu’il ait été décrit ci-dessus l’utilisation de deux évaluateurs, tout dispositif ou procédé utilisant plus de deux évaluateurs comprenant le premier évaluateur et le second évaluateur selon l’invention doit entrer dans le périmètre des revendications annexées.
Claims (10)
- Dispositif informatique pour une analyse en temps réel d’électrogrammes, comprenant une mémoire (4) agencée pour recevoir des signaux d’électrogrammes en temps réel provenant chacun de l’une parmi une pluralité d’électrodes, un premier évaluateur (6) comprenant un extracteur (8) et un module d’apprentissage automatique basé sur renforcement du gradient (10), ledit extracteur (8) étant agencé pour extraire un jeu de caractéristiques comprenant au moins une caractéristique d’analyse dans le temps et au moins une caractéristique morphologique de chaque signal d’électrogramme au sein d’un jeu de signaux d’électrogrammes, et pour fournir les jeux résultants de caractéristiques audit module d’apprentissage automatique basé sur renforcement du gradient (10) entraîné sur des données comprenant des jeux de caractéristiques labellisées avec une valeur indiquant si le signal d’électrogramme associé présente une dispersion et agencé pour délivrer, pour chaque jeu de signaux d’électrogramme, un premier tableau de probabilités indiquant chacune si un signal d’électrogramme respectif parmi le jeu de signaux d’électrogrammes présente une dispersion, un second évaluateur (12) comprenant un réseau de neurones convolutifs qui reçoit un jeu de signaux d’électrogrammes en temps réel et délivre un deuxième tableau de probabilités que les signaux d’électrogrammes en temps réel entrés présentent une dispersion, ledit réseau de neurones convolutifs ayant été entraîné avec une base de données de signaux d’électrogrammes labellisés chacun avec une valeur indiquant si le signal d’électrogramme respectif présente une dispersion, et un prédicteur (14) qui, sur la base du premier tableau de probabilités et du deuxième tableau de probabilités déterminés pour un jeu donné de signaux d’électrogramme, retourne un troisième tableau de probabilités, sur la base au moins en partie d’une moyenne pondérée des valeurs du premier tableau de probabilités et du deuxième tableau de probabilités.
- Dispositif informatique selon la revendication 1, dans lequel l’extracteur (8) est agencé pour extraire au moins une caractéristique d’analyse dans le temps dans le groupe comprenant une première estimation de longueur de cycle, une seconde estimation de longueur de cycle et la fréquence de la transformée rapide de Fourier du signal d’électrogramme qui a la plus grande amplitude.
- Dispositif informatique selon la revendication 1 ou 2, dans lequel l’extracteur (8) est agencé pour extraire au moins une caractéristique morphologique dans le groupe comprenant la norme euclidienne du signal d’électrogramme et la dérivée absolue intégrée du signal d’électrogramme.
- Dispositif informatique selon l’une des revendications précédentes, agencé en outre pour diviser un signal d’électrogramme en temps réel en une série de signaux d’électrogrammes ayant une durée choisie.
- Dispositif informatique selon la revendication 4, agencé en outre pour fournir un jeu de signaux d’électrogrammes ayant la même durée choisie.
- Dispositif informatique selon l’une des revendications précédentes, dans lequel le prédicteur (14) est en outre agencé, lorsque la valeur absolue de la différence entre une probabilité dans le premier tableau de probabilités et une probabilité dans le deuxième tableau de probabilités correspondant au même signal d’électrogramme dépasse un seuil, pour utiliser la probabilité du premier tableau de probabilités dans le troisième tableau de probabilités.
- Dispositif informatique selon l’une des revendications précédentes, agencé en outre pour déterminer une couleur associée aux valeurs à l’intérieur du troisième tableau, le dispositif informatique comprenant en outre un affichage agencé pour délivrer, pour chaque électrode, la couleur associée à la probabilité déterminée pour le signal d’électrogramme correspondant dans le troisième tableau de probabilités.
- Procédé de réception de signaux d’électrogrammes en temps réel mis en œuvre par ordinateur, d’exécution du dispositif selon l’une des revendications 1 à 7, et de retour dudit troisième tableau de probabilités.
- Programme informatique comprenant des instructions pour mettre en œuvre le procédé selon la revendication 8 lorsque ledit programme est exécuté sur un ordinateur.
- Support de stockage de données sur lequel est stocké le programme informatique selon la revendication 9.
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2101234A FR3119537B1 (fr) | 2021-02-09 | 2021-02-09 | Dispositif informatique pour analyse en temps réel d’électrogrammes |
| JP2023548220A JP2024506633A (ja) | 2021-02-09 | 2022-02-08 | 電位図をリアルタイム解析するコンピュータ装置 |
| PCT/EP2022/053048 WO2022171638A1 (fr) | 2021-02-09 | 2022-02-08 | Dispositif informatique d'analyse en temps réel d'électrogrammes |
| EP22704908.7A EP4291094A1 (fr) | 2021-02-09 | 2022-02-08 | Dispositif informatique d'analyse en temps réel d'électrogrammes |
| CN202280014252.2A CN116981405A (zh) | 2021-02-09 | 2022-02-08 | 用于实时分析电描记图的计算机设备 |
| US18/264,564 US20240041379A1 (en) | 2021-02-09 | 2022-02-08 | Computer device for real-time analysis of electrograms |
| IL304609A IL304609A (en) | 2021-02-09 | 2023-07-20 | A computer device for real-time electrogram analysis |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2101234A FR3119537B1 (fr) | 2021-02-09 | 2021-02-09 | Dispositif informatique pour analyse en temps réel d’électrogrammes |
| FR2101234 | 2021-02-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3119537A1 true FR3119537A1 (fr) | 2022-08-12 |
| FR3119537B1 FR3119537B1 (fr) | 2023-04-07 |
Family
ID=77710778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2101234A Active FR3119537B1 (fr) | 2021-02-09 | 2021-02-09 | Dispositif informatique pour analyse en temps réel d’électrogrammes |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20240041379A1 (fr) |
| EP (1) | EP4291094A1 (fr) |
| JP (1) | JP2024506633A (fr) |
| CN (1) | CN116981405A (fr) |
| FR (1) | FR3119537B1 (fr) |
| IL (1) | IL304609A (fr) |
| WO (1) | WO2022171638A1 (fr) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018119316A1 (fr) * | 2016-12-21 | 2018-06-28 | Emory University | Procédés et systèmes pour déterminer une activité cardiaque anormale |
| EP3513710A1 (fr) * | 2018-01-19 | 2019-07-24 | Biosense Webster (Israel) Ltd. | Appareil et procédé de classification de battements cardiaques sur la base d'une séquence temporelle et de la morphologie de signaux d'électrocardiogramme (ecg) de surface corporelle intracardiaque |
| FR3079405A1 (fr) * | 2018-03-30 | 2019-10-04 | Substrate Hd | Dispositif informatique de detection de troubles du rythme cardiaque |
| EP3616605A1 (fr) * | 2018-08-30 | 2020-03-04 | Tata Consultancy Services Limited | Détection non invasive de maladie cardiaque coronaire à partir d'un ecg à dérivation unique |
| EP3744282A2 (fr) * | 2019-05-06 | 2020-12-02 | Biosense Webster (Israel) Ltd | Systèmes pour améliorer les procédures d'ablation cardiaque |
-
2021
- 2021-02-09 FR FR2101234A patent/FR3119537B1/fr active Active
-
2022
- 2022-02-08 WO PCT/EP2022/053048 patent/WO2022171638A1/fr active Application Filing
- 2022-02-08 JP JP2023548220A patent/JP2024506633A/ja active Pending
- 2022-02-08 EP EP22704908.7A patent/EP4291094A1/fr active Pending
- 2022-02-08 CN CN202280014252.2A patent/CN116981405A/zh active Pending
- 2022-02-08 US US18/264,564 patent/US20240041379A1/en active Pending
-
2023
- 2023-07-20 IL IL304609A patent/IL304609A/en unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018119316A1 (fr) * | 2016-12-21 | 2018-06-28 | Emory University | Procédés et systèmes pour déterminer une activité cardiaque anormale |
| EP3513710A1 (fr) * | 2018-01-19 | 2019-07-24 | Biosense Webster (Israel) Ltd. | Appareil et procédé de classification de battements cardiaques sur la base d'une séquence temporelle et de la morphologie de signaux d'électrocardiogramme (ecg) de surface corporelle intracardiaque |
| FR3079405A1 (fr) * | 2018-03-30 | 2019-10-04 | Substrate Hd | Dispositif informatique de detection de troubles du rythme cardiaque |
| EP3616605A1 (fr) * | 2018-08-30 | 2020-03-04 | Tata Consultancy Services Limited | Détection non invasive de maladie cardiaque coronaire à partir d'un ecg à dérivation unique |
| EP3744282A2 (fr) * | 2019-05-06 | 2020-12-02 | Biosense Webster (Israel) Ltd | Systèmes pour améliorer les procédures d'ablation cardiaque |
Non-Patent Citations (5)
| Title |
|---|
| CAI WENJUAN ET AL: "Accurate detection of atrial fibrillation from 12-lead ECG using deep neural network", COMPUTERS IN BIOLOGY AND MEDICINE, NEW YORK, NY, US, vol. 116, 2 August 2019 (2019-08-02), XP086008913, ISSN: 0010-4825, [retrieved on 20190802], DOI: 10.1016/J.COMPBIOMED.2019.103378 * |
| JADIDI ASLEHRMANN HKEYL C ET AL.: "Ablation of persistent atrial fibrillation targeting low-voltage areas with selective activation characteristics", CIRCULATION: ARRHYTHMIA AND ELECTROPHYSIOLOGY, vol. 9, 2016, pages e002962 |
| NARAYAN SMKRUMMEN DESHIVKUMAR KCLOPTON PRAPPEL W-JMILLER JM: "Treatment of atrial fibrillation by the ablation of localized sources: CONFIRM (Conventional Ablation for Atrial Fibrillation With or Without Focal Impulse and Rotor Modulation) trial", JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY, vol. 60, 2012, pages 628 - 636 |
| SEITZ JBARS CTHÉODORE G ET AL.: "AF ablation guided by spatio-temporal electrogram dispersion without pulmonary vein isolation: a wholly patient-tailored approach", JOURNAL OF THE AMÉRICAN COLLEGE OF CARDIOLOGY, vol. 69, 2017, pages 303 - 321 |
| VERMA AJIANG C-YBETTS TR ET AL.: "Approaches to catheter ablation for persistent atrial fibrillation", NEW ENGLAND JOURNAL OF MEDICINE, vol. 372, 2015, pages 1812 - 1822 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116981405A (zh) | 2023-10-31 |
| EP4291094A1 (fr) | 2023-12-20 |
| US20240041379A1 (en) | 2024-02-08 |
| FR3119537B1 (fr) | 2023-04-07 |
| IL304609A (en) | 2023-09-01 |
| JP2024506633A (ja) | 2024-02-14 |
| WO2022171638A1 (fr) | 2022-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adebayo et al. | Debugging tests for model explanations | |
| Ahmad et al. | Plant disease detection in imbalanced datasets using efficient convolutional neural networks with stepwise transfer learning | |
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| Galshetwar et al. | Edgy salient local binary patterns in inter-plane relationship for image retrieval in diabetic retinopathy | |
| FR2831698A1 (fr) | Station d'imagerie medicale a fonction d'extraction de trajectoire au sein d'un objet ramifie | |
| CN110974211A (zh) | 高阶多项式激活函数的st段分类神经网络及其应用 | |
| CA3092784A1 (fr) | Dispositif informatique de detection de troubles du rythme cardiaque | |
| EP3236843B1 (fr) | Cartographie régionale haute densité du substrat de la fibrillation atriale | |
| FR3119537A1 (fr) | Dispositif informatique pour analyse en temps réel d’électrogrammes | |
| Radha et al. | Modified Depthwise Parallel Attention UNet for Retinal Vessel Segmentation | |
| Hakim et al. | U-Net with graph based smoothing regularizer for small vessel segmentation on fundus image | |
| CN113069115B (zh) | 一种情绪识别方法、电子设备及存储介质 | |
| Daoud et al. | Generative adversarial network based semi-supervised learning for epileptic focus localization | |
| WO2010081998A1 (fr) | Procédé et dispositif de supervision de traitement d'une culture | |
| WO2021259958A1 (fr) | Procede de determination de la pression arterielle a partir d'un signal ppg et dispositif correspondant | |
| Escorcia-Gutierrez et al. | A feature selection strategy to optimize retinal vasculature segmentation | |
| EP3622478B1 (fr) | Methode de segmentation d'une image tridimensionnelle pour la generation d'un modele de paroi du myocarde pour la detection d'au moins une zone de circulation electrique singuliere | |
| WO2024047307A1 (fr) | Dispositif de traitement de signaux cardiaques | |
| Toptaş et al. | Separation of arteries and veins in retinal fundus images with a new CNN architecture | |
| WO2024003509A1 (fr) | Dispositif de détermination d'une longueur de cycle d'activation cardiaque | |
| CA2321144A1 (fr) | Un systeme et une methode pour inferer les representations mentales des individus par comparaisons successives d'une liste d'items | |
| Wang et al. | MEM-GAN: A Pseudo Membrane Generator for Single-cell Imaging in Fluorescent Microscopy | |
| Surukutla et al. | Cardiac Arrhythmia Detection Using CNN | |
| WO2023139328A1 (fr) | Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu | |
| FR3113155A1 (fr) | Procédé d’identification d’un implant dentaire visible sur une image d’entrée au moyen d’au moins un réseau de neurones à convolution. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20220812 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |