Détection automatique des complications suivant les chirurgies orthopédiques des membres inférieurs par imagerie thermique

On sait, depuis de nombreuses années, que la température surfacique du corps humain est un indicateur clé de son état de santé. L’imagerie thermique se veut un outil efficace pour visualiser les distributions d’intensités sur la peau, ouvrant de nouvelles possibilités de diagnostic. De plus, la symétrie bilatérale des températures sur les membres opposées peut être utilisée pour détecter certaines maladies. Avec l’intérêt grandissant pour les technologies de diagnostic assistées par ordinateur et l’intégration de l’apprentissage automatique profond, une modélisation efficace de ces distributions de température serait souhaitable. En apprenant les représentations de texture et en comparant leurs asymétries, nous émettons l’hypothèse que les vecteurs latents de texture entre les thermographies des parties du corps opposées permettent de décrire efficacement les différences de température qui peuvent signaler une anomalie dans le domaine thermique. Le modèle développé, baptisé TADA-SAE (Texture Anomaly Detection using Swapping Autoencoder), est testé sur l’ensemble de données privées OrthoPOT (Orthopedics Post-Operative Thermograms) pour la détection de complications post-chirurgicales suivant une arthroplastie totale du genou ou de la hanche et sur l’ensemble public DMR-IR (Database for Mastology Research with Infrared Image) pour la détection du cancer du sein. Un algorithme de forêt d’isolation iForest entraîné sur les attributs de symétrie entre les textures et des données cliniques atteint un score AUROC de 0.842 sur OrthoPOT et un score AUROC compétitif avec l’état de l’art de 0.988 sur DMR-IR tout en utilisant moins de paramètres que les méthodes traditionnelles. Ainsi, les attributs de texture et leurs différences entre les parties du corps opposées sont pertinentes pour la détection d’anomalies médicales dans le domaine thermique. Notre méthode est la première à utiliser des attributs de textures appris de manière auto-supervisée et leurs asymétries pour la détection d’anomalies médicales avec l’imagerie thermique, démontrant des résultats prometteurs qui pourraient ouvrir la voie à d’autres tâches dans le domaine médical où la symétrie bilatérale peut être exploitée.