Libellé préféré : muqueuse, sai;

Synonyme SNOMED : muqueux; tunica mucosa;

Détails


Consulter ci-dessous une sélection des principales ressources :

Vous pouvez consulter :


N3-AUTOINDEXEE
Reconnaissance automatique des lésions muqueuses du grêle visibles en vidéo-capsule endoscopique chez les patients atteints de maladie de Crohn
http://www.sudoc.fr/241818850
Objectif : La détection de lésions de maladie de Crohn (MC) en vidéo-capsule endoscopique (VCE) nécessite du temps et de l'expertise. Depuis 2015, le deep learning a de plus en plus d'applications. Aucune étude n'a porté sur son utilisation dans la détection automatique de lésions de MC. L'objectif de notre étude était de développer un outil de reconnaissance automatique de lésions de MC en VCE basé sur le deep-learning. Matériels et méthodes : Nous avons entraîné un réseau neuronal récurrent à attention sur deux bases de données : CrohnIPI et CAD-CAP. CrohnIPI, était constituée d'images extraites de vidéos issues de VCE de type PillCam SB3 , réalisées entre 2014 et 2018 chez des patients suivis pour une MC. Les lésions étaient annotées comme suit : ulcérations aphtoïdes, ulcérations entre 3 et 10mm, ulcérations de plus de 10mm, œdème, érythème et sténose. La présence de bulles ou résidus alimentaires n'interférait pas dans la sélection des images. La base de données CAD-CAP était une base de données publique, qui contenait des images normales, inflammatoires et vasculaires. Résultats CrohnIPI était composée de 1628 images normales et 1590 images de lésions de MC, acquises à partir de 66 vidéos réalisées chez les 63 patients de l'étude. L'exactitude de notre réseau sur CrohnIPI était de 89.26%, la sensibilité de 87.76% et la spécificité de 90.71%. CAD-CAP contenait 1800 images dont 600 images normales, vasculaires et inflammatoires. Sur cette base de données, l'exactitude était de 99.67%, la sensibilité était de 98.97 et la spécificité de 100%. Le réseau entraîné sur CrohnIPI et testé sur CAD-CAP montrait de meilleures performances que dans la situation inverse avec des exactitudes de 77.89 et 48.85% respectivement. Conclusion : Nous avons démontré la faisabilité d'un outil de reconnaissance automatique de lésions de MC en VCE, basé sur le deep learning. Les performances du réseau étaient meilleures sur une base de données d'images sélectionnées. Notre travail ouvre la voie du diagnostic assisté par ordinateur dans ce domaine. Des travaux complémentaires prospectifs sont nécessaires sur une base de données de plus grande taille et sur des vidéos complètes.
2020
SUDOC - Catalogue du Système Universitaire de Documentation
France
thèse ou mémoire
Endoscopie
Maladies
maladie de Crohn
endoscopie
muqueuse
automatisme
capsules vidéo-endoscopiques
maladie de crohn
Automatisme
a comme patient
muqueuse, sai
endoscope
lésion
crohn (maladie de)
robot
patients
plaies et blessures
Maladie
automatisme

---
N3-AUTOINDEXEE
Pathologies des muqueuses chez l'enfant et chez l'adolescent
https://ecm.univ-rennes1.fr/nuxeo/site/esupversions/baab5ecb-1a77-46ab-9824-fe691048ae99
Ce cours est destiné pour la formation des étudiants d'odontologie (D1) en odontologie pédiatrique. Il présente les bases de la prévention bucco-dentaire en présentant son histoire et son évolution actuelle en tenant compte du rôle des acte...
2009
false
false
false
false
Université de Rennes, Faculté d'Odontologie
France
matériel enseignement
adolescence
enfant
muqueuse, sai
diarrhée virale bovine-maladie des muqueuses
pathologique
adolescent
Muqueuse
enfant
muqueuse

---
Courriel (Nous ne répondons pas aux questions de santé personnelles.)
29/05/2020


[Accueil] [Haut de page]

© CHU de Rouen. Toute utilisation partielle ou totale de ce document doit mentionner la source.