Multi-label neonatal EEG segmentation enriched with semi-synthetic data
Year: 2025
Type: conference-paper
Abstract: Dans le cadre des recherches cliniques en néonatologie, les neurophysiologistes effectuent des relectures systématiques des tracés d’électroencéphalographie (EEG) à la recherche de figures physiologiques, de marqueurs d’une pathologie ou de prédicteurs du bon devenir chez le nouveau-né à terme. La lecture et l’interprétation de ces signaux, dès les six premières heures de vie, constituent une tâche difficile nécessitant du personnel formé et disponible. Les outils cliniques actuels ne permettent pas un suivi quantitatif de la présence de ces figures. Ainsi, la segmentation des figures physiologiques par des outils automatiques ou semi-automatiques constituerait une aide précieuse. Afin de rester dans un cadre transparent d’aide à la lecture similaire au processus employé par les experts, la segmentation de ces figures doit délimiter précisément leur début et leur fin (information temporelle) ainsi que les dérivations sur lesquelles elles apparaissent (information spatiale). De tels outils de segmentation requièrent néanmoins des données annotées avec précision, alors que la constitution d’une base de signaux exhaustivement annotés est rendue difficile par la quantité, la complexité et l'ambig\"uité des données EEG néonatales. Dans ce contexte de rareté d’annotations, nous explorons une méthode d’automatisation de la segmentation de ces marqueurs par une approche d’apprentissage profond de séries temporelles fondée sur une architecture U-Net. Elle repose sur un apprentissage multilabel qui cible simultanément des données réelles et des données semi-synthétiques générées à partir d’une description experte de certaines figures connues en EEG néonatale, pour la segmentation des signaux temporels. Nous explorons l’apport de ces données semi-synthétiques quant aux performances de l’apprentissage vis-à-vis des données réelles. Ces travaux, encore en cours, ont d'ores et déjà permis de constater le bien-fondé de l'usage de ces données semi-synthétiques.
Source: HAL
Institutions: Centre de Recherche en Sciences et Technologies de l'Information et de la Communication, Université de Reims Champagne-Ardenne, Laboratoire de Mathématiques de Reims, Centre Hospitalier Universitaire de Reims, Assistance Publique – Hôpitaux de Paris, Bicêtre Hospital, IMT Atlantique, Centre Hospitalier Régional Universitaire de Brest, Laboratoire de Traitement de l'Information Médicale
Language: English
Subfield: Cognitive Neuroscience
Field: Neuroscience
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7205317644