Gait impairment analysis in neurodegenerative diseases
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • AccŽs réservé à l'ensemble de la communauté universitaire jusqu'au 01/10/2025 (communication intranet).
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Wang, Diwei
Date de soutenance : 04-07-2025

Directeur(s) de thèse : Seo, Hyewon - Blanc, Frédéric

Président : Becker, Matthias
Rapporteur(s) : Bouakaz, Saïda - Kim, Jinman
Membre(s) du jury : Bobenrieth, Cédric - Vuillerme, Nicolas

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique, Médecine et santé

Mots-clés libres : Classification de la marche pathologique, Score de marche MDS-UPDRS, Estimation du mouvement humain en 3D, Apprentissage contrastif multimodal, Modèle de langage large, Raisonnement Chain-of-Thought
Mots-clés :
  • Médecine -- Informatique
  • Marche (locomotion)
  • Maladies neurodégénératives
Résumé : L’analyse vidéo de la marche pathologique offre une méthode non invasive pour évaluer les troubles moteurs dans les syndromes parkinsoniens, mais souffre actuellement du manque de jeux de données annotés. Pour y remédier, nous avons collecté des vidéos de la marche et développé MAX-GRNet, un reconstructeur exploitant l’attention partielle et la correction de pose guidée par des paramètres de marche, produisant des mouvements 3D stables, même en cas d’occlusions et de caméras fixes. Le jeu de données 3DGait, composé de 90 séquences reconstruites, est rendu public. Pour maximiser l’efficacité d’utilisation des données, nous proposons GaVA-CLIP, un cadre d’apprentissage contrastif multimodal alignant les caractéristiques vidéo avec des textes cliniques via le « prompt tuning », offrant une meilleure classification avec un nombre comparable de paramètres entraînables aux approches basées sur le squelette. Au-delà de la précision, AGIR vise l’interprétabilité clinique en combinant un tokenizer VQ-VAE avec un LLM affiné, prédisant les scores MDS-UPDRS accompagnés d’explications lisibles, renforçant la transparence et l’applicabilité.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD011
Type de ressource : Thèse