Création d’un modele CNN pour la classification par Deep-Learning des lésions de Hill-Sachs de l'épaule

Poster abstract

Objectif

Création et évaluation d’un modèle CNN pour la classification des lésions de Hill-Sachs dans le cadre des luxations antérieures de l’épaule

Création d’une base de données d’images à partir d’une série faite de 96 patients présentant une luxation antérieure de l’épaule, avec acquisition des deux épaules
Formatage des images Dicom et conversion en format PNG et augmentation de la Data Set en 7604 images pathologiques et 3485 image normale qui ont été séparées en deux groupes d’entrainement et de test.
Création d’un modèle de base contenant 7 couches convolutives (toujours suivies de Batchnormalisation et d’activation) et une couche de Max pooling placee apres chaque série de 2 couches convolutives et enfin un global avreage pooling
A la sortie du modèle existe une couche Flatten, une couche Dense, soft Max est la fonction d’activation
Après entrainement du modèle nous avons utilisé un test diagnostic pour évaluer sa performance, le pourcentage de classification R a été estimé avec un intervalle de confiance à 95% et un risque d’erreur alpha de 5%

Ce CNN s’est bien comporté avec des estimations de la sensibilité et de la spécificité mesurées respectivement a1 92,41 (IC à 95%) et 92,41 (IC à 95%) et une AUC de 82,21 (IC à 95%)

Ce modèle parait performant dans la classification des lésions de Hill-Sachs secondaires aux luxations récidivantes de l’épaule

22361

15073_Création_d’un modelé CNN pour la classification par Deep-Lear....pdf