Automatic eye localization for hospitalized infants and children using convolutional neural networks

Résumé

L’apparence et le comportement de la région oculaire jouent un rôle important dans le diagnostic de la douleur et de l’état de conscience d’un patient, surtout lorsqu’il ou elle est trop jeune pour parler. Toutefois, la localisation et le suivi des yeux dans un environnement hospitalier pédiatrique constitue toujours un défi majeur pour les applications d’aide à la décision clinique et de surveillance des patients. L’objectif global de ce projet est de développer un système d’aide à la décision clinique qui utilise des caméras pour détecter les signes de conscience et de détresse chez les enfants. Ce travail de recherche se concentre sur le premier défi, à savoir comment localiser les yeux dans une image d’un patient pédiatrique dans un lit d’hôpital. Les solutions existantes pour la localisation des yeux atteignent d’excellentes performances sur les images d’adultes, mais sont médiocres dans l’environnement hospitalier pédiatrique, où l’apparence du visage peut varier en raison de l’âge, de la position du patient, et de la présence d’équipements médicaux. Peu d’études ont examiné l’application de la vision par ordinateur et l’analyse faciale dans ce milieu. Pour développer une solution performante pour la localisation des yeux, un nouvel ensemble de données d’entrainement, constitué d’images de jeunes enfants issues des recherches sur l’Internet, est ajouté aux données images d’adultes pour entrainer des classifieurs cascade et des réseaux de neurones convolutifs. Un autre ensemble de données innovant, constitué de 59 enregistrements de patients dans une unité de soins intensifs pédiatrique, est utilisé pour évaluer la performance de ces modèles. Cet ensemble de données servira également aux travaux futurs sur ce projet et d’autres projets de recherche sur les applications pédiatriques de la vision par ordinateur. Le réseau de neurones convolutifs entrainé avec l’ensemble de données des jeunes enfants atteint un taux de localisation des yeux de 79,7%, ce qui est bien supérieur aux modèles entrainés uniquement avec des données adultes. Ce modèle surpasse également les modèles cascade. L’amélioration significative de performance après l’ajout des images des jeunes enfants souligne le besoin de données et modèles personnalisés pour des applications spécialisées telles que la surveillance des patients en pédiatrie. Les projets cliniques de vision par ordinateur ne peuvent pas s’appuyer sur des modèles et des ensembles de données existants pour couvrir leurs besoins. Par contre, la taille raisonnable de l’ensemble de données d’entrainement supplémentaire utilisé pour ce projet suggère que le développement d’une base de données d’entrainement interne est à la portée d’un grand hôpital. L’efficacité du réseau de neurones convolutifs, compte tenu les défis du milieu hospitalier pédiatrique, fait de lui une approche puissante pour la localisation et le suivi des yeux dans l’environnement hospitalier. La capacité du réseau de neurones convolutifs à apprendre des caractéristiques d’image uniques lui permet de s’adapter à la localisation des yeux dans un environnement atypique où les approches basées sur des règles ou suppositions sur l’apparence du visage ne s’appliquent pas toujours. Les faiblesses actuelles du modèle, telles que des performances médiocres sur des yeux avec apparences atypiques et la lenteur de traitement des images, vont s’améliorer avec la croissance des ensembles de données d’entrainement et les améliorations technologiques.

Date	4 juin 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Rita Noumeir (Directeur(-trice)) & Philippe Jouvet (Codirecteur(-trice))