Avis de soutenance - doctorat - Samuel DIOP

Les spasmes infantiles représentent un syndrome épileptique sévère touchant les nourrissons, caractérisé par de brèves contractions musculaires durant de 0,5 à 2 secondes. Ces épisodes subtils sont fréquemment mal diagnostiqués comme des comportements infantiles courants, entraînant des retards critiques de traitement pouvant causer d'importantes conséquences développementales. Bien que la surveillance vidéo-EEG reste la référence diagnostique, elle présente des limitations substantielles, notamment des exigences d'hospitalisation, une mauvaise tolérance des électrodes par les nourrissons et une accessibilité restreinte due à l'équipement spécialisé coûteux. Cette thèse introduit trois approches computationnelles complémentaires pour la détection automatisée des spasmes infantiles utilisant exclusivement des données vidéo, visant à améliorer le diagnostic précoce sans recourir à l'EEG. Premièrement, nous développons un cadre de reconnaissance d'action utilisant l'architecture X3D-M préentraînée sur Kinetics-400, adaptée par transfert d'apprentissage pour identifier les caractéristiques spatio-temporelles des spasmes infantiles. Ce système atteint une AUC-ROC de 0,813±0,058 avec une classification XGBoost sur des fenêtres temporelles de 3 secondes. Deuxièmement, nous implémentons un système de détection basé sur le flux optique utilisant l'algorithme DualTVL1, qui quantifie le mouvement entre les images consécutives tout en préservant les frontières de mouvement. Cette approche démontre une performance supérieure avec un classificateur de modèle de mélange gaussien (AUC ROC : 0,964, sensibilité : 0,989, spécificité : 0,941). Troisièmement, reconnaissant les proportions anatomiques distinctes des enfants par rapport aux adultes, nous développons un modèle de détection spécialisé basé sur YOLO, entraîné sur notre Ensemble de Données de Détection d'Enfants. Ce modèle surpasse significativement les cadres de détection standard en environnement médical (96,6% vs 59,5% de précision). Notre recherche inclut la création de trois ensembles de données spécialisés : l'ensemble de données Raymond Poincaré avec 136 minutes d'examens vidéo-EEG annotés de 7 patients ; l'ensemble de données Kremlin-Bicêtre avec 1 274 spasmes infantiles annotés sur 61 patients ; et l'Ensemble de Données de Détection d'Enfants contenant 1 930 images réelles d'enfants dans divers scénarios. Les performances élevées atteintes par toutes les approches suggèrent une utilité clinique potentielle pour réduire les délais de diagnostic, particulièrement dans les contextes aux ressources spécialisées limitées. Les orientations futures incluent l'intégration multimodale avec des données EEG, le développement élargi d'ensembles de données et l'extension à d'autres troubles du mouvement pédiatriques. Cette recherche représente une avancée significative vers un diagnostic plus accessible, précis et rapide des spasmes infantiles, améliorant potentiellement les résultats pour les enfants affectés grâce à une intervention thérapeutique plus précoce.