innovation

technologique

Nos modules d’interprétation de vidéocapsules reposent sur des algorithmes de traitement d'images développés au sein du laboratoires de recherche ETIS (CY Cergy Paris Université, ENSEA, CNRS)
en collaboration avec l’Hôpital Saint-Antoine (Sorbonne Université et Assistance Publique – Hôpitaux de Paris).

L’architecture de nos algorithmes est conçue pour être intégrée dans un environnement de type « Software as a Service » (SaaS).
Ce développement s’appuie sur plusieurs projets de recherche académique soutenus financièrement depuis 2014 par la SATT ERGANEO, l’ENSEA, et l’Initiative d’Excellence Paris Seine.

Nos solutions sont à l’interface de l’apprentissage machine (Machine Learning) et des systèmes embarqués intelligents. Le développement
de nos algorithmes repose sur les outils les plus récents issus de l’apprentissage profond (Deep Learning), et plus particulièrement sur l’utilisation d’architectures originales de type « réseaux de neurones convolutionnels ». L’enjeu majeur réside dans la capacité d’utiliser ces architectures dans un contexte contraint en termes de ressources de calcul. Il s’agit notamment de permettre une utilisation en temps-réel dans le cadre de la vidéocoloscopie par exemple, et dans des délais compatibles avec une utilisation de type SaaS dans le cadre de la vidéocapsule endoscopique.


ax
graphe

deep learning

Notre algorithme est issu du Deep Learning. Il s'inspire des approches les plus récentes dont les architectures et les critères de convergence réalisent un compromis optimal entre performance et temps de calcul.

Les architectures évoluent en fonction des tâches souhaitées : l’ensemble offre une utilisation flexible de la base de données d’apprentissage et répond au mieux aux attentes des cliniciens.

taches

DÉTECTION AUTOMATIQUE D’IMAGES D'INTÉRÊT

Anomalies vasculaires ou inflammatoires, présence de sang (caillots frais ou melena)

CARACTÉRISATION ET PERTINENCE DES LÉSIONS DÉTECTÉES

Angiectasies, ulcérations

QUALITÉ DE L'EXAMEN

Complétude de l’examen (visualisation complète du segment à explorer)

Qualité de préparation adéquate ou inadéquate (visualisation de la  muqueuse intestinale)

base de données

Le choix des architectures algorithmiques prend par ailleurs en compte l’aspect dynamique de la base de données : l’apprentissage se poursuit alors que la base s’enrichit. La base de données a en effet vocation à évoluer et s’enrichir en fonction des cas cliniques déjà analysés. Cette approche de type « apprentissage actif » aboutit à une amélioration continue des performances et si besoin
à la prise en compte de nouvelles classes de lésions (selon leur nature, ou selon leur site en amont ou en aval de l’intestin grêle par exemple).

nuages
etoiles

ÉTUDES PRÉ-CLINIQUES
UNE BASE DE DONNÉES ISSUE DE PLUS DE 4000 ENREGISTREMENTS DE VIDÉOCAPSULES ENDOSCOPIQUES DE DERNIÈRE GÉNÉRATION
DES PREMIÈRES ÉVALUATIONS SUR 140 VIDÉOS (1.750.000 IMAGES) INDIQUANT D’EXCELLENTES PERFORMANCES DIAGNOSTIQUES, EN MOINS DE 5 MINUTES


Demander une démo

Inscrivez-vous, nous vous guiderons
afin de tester notre solution
en exclusivité


ax