Dans ce chapitre, nous avons présenté une preuve de concept montrant la capacité des méthodes d’apprentissage automatique à résoudre le problème inverse ECGI. Nous avons présenté trois approches différentes. La première est basée sur un réseau neuronal à retard temporel. Les deuxième et troisième
méthodes sont des variantes d’une adaptation spatiale du TDNN prenant en compte l’influence des points adjacents sur le potentiel. Les résultats numériques montrent que SATDNN-AT est plus précis en termes d’erreurs relatives et que les trois méthodes sont presque équivalentes en termes de coefficients de corrélation. Nous avons également testé la robustesse des méthodes en ajoutant du bruit sur les données. Nous avons observé que le modèle SATDNN-LL est plus sensible au bruit et semble instable pour de faibles valeurs de SNR. Par rapport aux méthodes numériques classiques, les méthodes basées sur les réseaux neuronaux montrent une amélioration en termes de RE et CC évaluées dans [Kar+18b].
Cela confirme l’utilité de l’approche d’apprentissage automatique pour résoudre le problème inverse de l’ECGI. D’une part, cette approche permet une meilleure généralisation du problème car elle ne dépend pas d’une matrice de transfert et de ses erreurs induites. D’autre part, les méthodes d’apprentissage automatique prennent moins de temps que les méthodes traditionnelles puisqu’elles sont entraînées une fois et peuvent ensuite être utilisées infiniment. Cependant, nous devons préciser que l’introduction de cette méthode dans des applications cliniques réelles serait un défi. Tout d’abord, nous aurons besoin d’un ensemble de données d’apprentissage collecté sur des patients contenant les BSPs et leurs HSPs correspondants. Nous devons également normaliser les géométries entre les patients et cartographier les informations électriques sur une géométrie modèle. C’est l’un des défis de l’utilisation de l’apprentissage automatique dans cette application ECGI. En outre, pour être efficace, la base de données doit également être suffisamment riche, ce qui signifie qu’elle doit contenir des données pour différentes anomalies cardiaques. Pour y remédier, nous proposons dans les chapitres suivants d’utiliser une base de données plus riche en simulant différents schémas de propagation de l’onde électrique dans les oreillettes. La dernière limitation est liée au coût de calcul élevé de l’entraînement, en raison du nombre de degrés de liberté dans la géométrie du cœur et du nombre d’électrodes collectant les données de potentiel à la surface du corps. Ce dernier pourrait être facilement réduit en sélectionnant un sous-ensemble d’électrodes. Dans les chapitres suivants, seulement 264 mesures de potentiels thoraciques vont être utilisées. Cependant, réduire le nombre de nœuds décrivant la géométrie du cœur aura un impact sur la résolution des informations électriques reconstruites.
138 Chapitre 6 Adaptation spatiale des réseaux de neurones à retard temporel pour la résolution du problème inverse en ECGI
Bien que la cartographie du potentiel électrique à la surface épicardique soit d’une grande importance dans la détection des anomalies de l’activité électrique du cœur, elle est souvent associée à la cartographie de l’activation cardiaque dans le diagnostic et le traitement des pathologies cardiaques. Dans le chapitre suivant, on propose d’utiliser les réseaux de neurones artificiels pour la reconstruction des cartes d’activation cardiaque directement à partir des électrocardiogrammes.
Nouvelle approche de
cartographie de l’activation
cardiaque directement à
partir des
électrocardiogrammes
7
„
Le fossé séparant théorie et pratique est moins large en théorie qu’il ne l’est en pratique.—Anonyme
7.1 Activation cardiaque : problématique et
motivation
La cartographie d’activation cardiaque est un outil standard de diagnostic clinique des arythmies cardiaques. En routine clinique, il consiste à approcher les temps d’activation (AT) à partir d’électrogrammes mesurés de manière invasive (EGM) soit à partir d’un signal unipolaire en déterminant le point de pente négative maximale (IDT : temps de déviation intrinsèque) soit à partir d’un signal bipolaire, au point d’amplitude maximale du signal [ZJ09]. Cette technique est connue pour avoir certains inconvénients. En premier lieu, l’enregistrement des électrogrammes se fait en plusieurs points afin de couvrir toute la surface cardiaque. Ensuite, ces mesures sont interpolées pour créer une carte d’activation cardiaque complète [Wil+18]. Cette approche peut
engendrer des incertitudes dans la carte d’activation construite dues au choix de la méthode d’interpolation. De plus, le fait d’interpoler entraîne la diffusion du bruit susceptible d’être présent dans les signaux enregistrés [Cov+19 ; Qua+18]. En deuxième lieu, cette approche est essentiellement invasive. Pour éviter ce problème, l’imagerie électrocardiographique (ECGI) suggère de reconstruire l’activité électrique du cœur à partir de potentiels de la surface thoracique enregistrés de manière non invasive (BSP) et d’une reconstruction de la géométrie cœur-torse basée sur des images CTscan à l’aide de méthodes inverses présentées dans la première partie de la thèse. Cependant, ce problème inverse est connu pour être mal posé et nécessite d’appliquer des techniques de régularisation sur la solution. Ceci résulte en des EGM lisses, ce qui rend difficile la détermination des temps d’activation, points singuliers des signaux électriques. Deux études ont confronté la cartographie de l’activation cardiaque moyennant l’ECGI à des données cliniques relevées sur des patients [Duc+19 ; Gra+19]. Ils ont montré que la corrélation entre les deux méthodes est faible. Certaines recherches suggèrent de résoudre le problème inverse en reconstruisant les temps d’activation à partir de modèles sources. On distingue deux méthodes : la méthode d’équivalence d’une double couche (EDL) [VO01] qui permet de reconstruire les temps d’activation sur une surface cardiaque (épicardique ou endocardique) ou la méthode d’imagerie électrique cardiaque en 3D (3DCEI) [HLZ02 ; HLZ03] qui consiste à cartographier l’activation cardiaque dans le volume tridimensionnel du myocarde. Ce modèle a été confronté à la cartographie intracardiaque effectuée sur des lapins [Han+11] et des chiens [Clu+17]. Ces méthodes ont de bonnes performances sur des sujets sains et des sujets atteints de PVC [VD+09] mais trouvent du mal face à des pathologies avec hétérogénéité du tissu cardiaque, en présence de cicatrices qui sont généralement pas prises en compte dans le modèle.
Dans ce chapitre, nous introduisons une méthode avec deux nouveautés dans la cartographie d’activation cardiaque :
— cartographie d’activation cardiaque directement à partir des électrocardiogrammes
— déploiement des réseaux de neurones pour la cartographie de l’activation cardiaque.
142 Chapitre 7 Nouvelle approche de cartographie de l’activation cardiaque directement à partir des électrocardiogrammes
Ce chapitre s’organise comme suit : la première section détaille le modèle proposé. Ensuite, on expliquera la procédure de génération des données synthétiques utilisées. Puis on exposera les résultats du modèle testé et enfin, on conclura.