Système d`aide à la décision pour l`analyse de la marche des

Système d'aide à la décision pour l'analyse de la marche des enfants
avec paralysie cérébrale à partir d'une base de données européenne
Contexte
La Paralysie Cérébrale (PC) touche environ deux enfants sur mille en Europe, et est le handicap
physique le plus fréquent de l'enfance. Elle est responsable d'un large éventail de symptômes, dont les
troubles de la marche, de la coordination des mouvements ou de postures. L'Analyse Quantifiée de la
Marche (AQM) est un des outils que possède le clinicien pour l'aider dans sa décision thérapeutique
afin d'améliorer la marche des enfants avec PC. Cet examen est réalisé en routine clinique et quantifie
les déviations à la marche grâce à des paramètres tels que la cinématique (mouvement articulaire des
membres inférieurs), les paramètres spatio-temporels (vitesse de marche, longueur du pas, etc.), la
cinétique (forces, moments et puissances articulaires), l'électromyographie (activité musculaire) et les
vidéos. L'AQM associée à une évaluation clinique (amplitude passive des articulations, force
musculaire, spasticité, contrôle moteur, déformation osseuse) et fonctionnelle (périmètre de marche,
classification de la fonction motrice globale, etc.) permet d'individualiser la décision clinique pour
chaque enfant.
Objectifs identifiés
L'interprétation des données d’AQM est complexe et peut prendre jusqu'à une heure même pour des
cliniciens expérimentés. En outre, les analyses de la marche ne sont pas exploitées de manière
optimale, le clinicien n'en exploite qu'une partie (celle où il est le plus à l'aise), et des erreurs de
diagnostic peuvent apparaitre du fait de la complexité et du volume de données à analyser. L’objectif
de cette thèse est d’aider les cliniciens dans leur prise de décision thérapeutique, en leur facilitant la
tâche d’interprétation de ces données complexes, et en tirant profit de l’expérience de leurs confrères.
Nous avons pour cela un atout majeur : le laboratoire d’analyse du mouvement de Brest collabore avec
une dizaine de laboratoires du mouvement de France et d'Europe, qui partagent actuellement leurs
données (3000 enfants actuellement, 10000 enfants dans 2 ans). Nous proposons de rechercher
automatiquement, au sein de cette base de données, des similitudes entre examens par des
techniques de fouille de données (apprentissage multi-instances et/ou apprentissage profond). Puis,
en s’appuyant sur ces similitudes, nous proposerons un outil de raisonnement à base de cas, proposant
au clinicien des cas similaires accompagnés de leurs interprétations.
Caractère novateur
D’un point de vue méthodologique, définir des techniques de fouille dans des données aux modalités
aussi nombreuses et hétérogènes (signaux, images, vidéos, textes, etc.) serait très novateur, les
méthodes existantes s’attachant généralement à une ou deux modalités. D’un point de vue clinique, il
n'existe pas de classifications validées et fiables pour décrire la totalité des déviations à la marche des
enfants avec PC (Dobson et al., 2007). Des outils d’aide à la décision à base d’ontologies (Dao et al.,
2009) ou de simulation (Delp et al., 2007) ont été proposés, mais ils s’appuient largement sur les
connaissances des cliniciens. Par des techniques de fouille de données hétérogènes, nous pourront
faire émerger des relations cachées dans ces données difficiles d’accès pour les cliniciens, enrichir les
connaissances de ces derniers et homogénéiser leurs stratégies de prise de décision.
Collaborations nationales et internationales
 Laboratoires d’analyse du mouvement de Brest, Nantes, Saint Maurice, Le Mans.
 Réseau HUGOPEREN (Réseau de Recherche Pédiatrique des hôpitaux du Grand Ouest).
 Laboratoires d’analyse du mouvement de Genève, Luxembourg, Bucarest, Salford,

Retombées
Le développement d'un système d'aide à la décision pour l'analyse de la marche des enfants avec PC à
partir d'une base de données européenne va permettre une meilleure prise en charge de ces patients
et un enrichissement des connaissances sur la marche et l'évaluation des effets des différents
traitements.
Compétences recherchées
Le candidat ou la candidate devra, au moment de sa prise de fonction, être titulaire d'un diplôme de
Master 2 et être classé(e) dans le premier tiers de sa promotion. Il/elle devra avoir des compétences
en apprentissage automatique, en traitement du signal et/ou de l'image ou en biomécanique. Enfin,
il/elle devra maîtriser la programmation C++ et idéalement la programmation Python.
Contacts
Veuillez envoyer vos CV, lettre de motivation et bulletins de notes à :
 Gwenolé Quellec ([e-mail])
 Mathieu Lempereur ([e-mail])
Publications récentes des porteurs
 Houx L, Lempereur M, Rémy-Néris O, Brochard S. Threshold of equinus which alters
biomechanical gait parameters in children. Gait Posture. 2013 Sep;38(4):582-589.
 Ropars J, Lempereur M, Vuillerot C, Tiffreau V, Peudenier S, Cuisset JM, Pereon Y, Leboeuf F,
Delporte L, Delpierre Y, Gross R, Brochard S. Muscle Activation during Gait in Children with
Duchenne Muscular Dystrophy. PLoS One. 2016 Sep 13;11(9):e0161938.
 Gross R, Leboeuf F, Lempereur M, Michel T, Perrouin-Verbe B, Vieilledent S, Rémy-Néris O.
Modulation of lower limb muscle activity induced by curved walking in typically developing
children. Gait Posture. 2016 Oct;50:34-41.
 Quellec G, Cazuguel G, Cochener B, Lamard M. Multiple-instance learning for medical image and
video analysis. IEEE Reviews in Biomedical Engineering. In press.
 Quellec G, Charrière K, Boudi Y, Cochener B, Lamard M. Deep image mining for diabetic
retinopathy screening. arXiv:1610.07086 [cs.CV] 2016
 Quellec G, Lamard M, Erginay A, Chabouis A, Massin P, Cochener B, Cazuguel G. Automatic
detection of referral patients due to retinal pathologies through data mining. Med Image Anal.
2016 Apr;29:47-64.
 Quellec G, Lamard M, Cozic M, Coatrieux G, Cazuguel G. Multiple-instance learning for anomaly
detection in digital mammography. IEEE Trans Med Imaging. 2016 Jul;35(7):1604-14.
 Quellec G, Lamard M, Cochener B, Cazuguel G. Real-time task recognition in cataract surgery
videos using adaptive spatiotemporal polynomials. IEEE Trans Med Imaging. 2015 Apr;34(4):877-
87.