La signature digitale de la consolidation pulmonaire relative au Covid-19 dans les images tomodensitométriques
DOI :
https://doi.org/10.62438/tunismed.v104i06.6023Mots-clés :
COVID-19, Tomodensitométrie, Consolidation pulmonaire, Statistiques, Segmentation d'imagesRésumé
Introduction: Les recherches analysant l'imagerie scanner de la COVID-19 classent les signes visuels en trois groupes spécifiques, le troisième étant la condensation pulmonaire (LC).
Objectif: Cette étude évalue des scanners CT de cas de COVID-19 confirmés par RT-PCR afin de définir la signature numérique de la condensation pulmonaire en se basant sur l'intensité des pixels en niveaux de gris.
Méthodes: En tirant parti de l'analyse statistique et des techniques de modélisation, nous avons implémenté un filtre à double seuillage en Python afin de réaliser une segmentation efficace des images CT.
Résultats:
1- Les niveaux de gris des pixels correspondant aux consolidations pulmonaires liées à la COVID-19 suivent une distribution normale.
2- Le filtre proposé isole avec succès les zones de consolidation pulmonaire.
Conclusion: Ce travail introduit une approche statistique novatrice pour la détection des profils de condensation pulmonaire liés à la COVID-19 dans les scanners CT. Toutefois, les résultats présentent des variations significatives dépendant des appareils et de la géographie, ce qui nécessite des recherches approfondies pour améliorer la généralisabilité des résultats.
Téléchargements
Références
Domenico Cucinotta MV. WHO Declares COVID-19 a Pandemic. National Center of Biotechnlogy Information [Internet]. 2020.
Available from: https://pubmed.ncbi.nlm.nih.gov/32191675/
Tison GH, M M. Worldwide Effect of COVID-19 on Physical Activity: A Descriptive Study. Annals of internal medecine [Internet]. 2020;
Available from: https://www.acpjournals.org/doi/full/10.7326/ M20-2665
Le Quéré C, Jackson RB, Jones MW, Smith AJP, Abernethy S, Andrew RM, et al. Temporary reduction in daily global CO2 emissions
during the COVID-19 forced confinement. Nat Clim Chang. 2020 Jul;10(7):647–53.
Johns Hopkins Coronavirus Resource Center [Internet]. [cited 2025 Apr 26]. COVID-19 Map. Available from: https://coronavirus.jhu.
edu/map.html
Buddhisha Udugama PK. Diagnosing COVID-19: The Disease and Tools for Detection [Internet]. American Chemical Society;
Available from: https://pubs.acs.org/doi/10.1021/ acsnano.0c02624
Surkova E, Nikolayevskyy V, Drobniewski F. False-positive COVID-19 results: hidden problems and costs. The Lancet Respiratory
Medicine. 2020 Dec 1;8(12):1167–8.
The Role of Emergency Radiology in COVID-19: From Preparedness to Diagnosis - Muhammad Umer Nasir, James Roberts, Nestor L.
Muller, Francesco Macri, Mohammed F. Mohammed, Shahram Akhlaghpoor, William Parker, Arash Eftekhari, Susan Rezaei,
John Mayo, Savvas Nicolaou, 2020 [Internet]. [cited 2025 Apr 26]. Available from: https://journals.sagepub.com/doi/
full/10.1177/0846537120916419
Delrue L, Gosselin R, Ilsen B, Van Landeghem A, de Mey J, Duyck P. Difficulties in the Interpretation of Chest Radiography. In: Coche
EE, Ghaye B, de Mey J, Duyck P, editors. Comparative Interpretation of CT and Standard Radiography of the Chest [Internet]. Berlin,
Heidelberg: Springer; 2011 [cited 2025 Apr 26]. p. 27–49. Available from: https://doi.org/10.1007/978-3-540-79942-9_2
Gadde SS. Artificial Intelligence - The Future of Radiology. International Journal for Research in Applied Science &
Engineering Technology [Internet]. 2020 Jan 1 [cited 2025 Apr 26]; Available from: https://www.academia.edu/43389861/Artificial_
Intelligence_The_Future_of_Radiology
Radiologic diagnosis of patients with COVID-19 [Internet]. [cited 2025 Apr 26]. Available from: http://www.elsevier.es/en-revista-
radiologia-english-edition--419-avance-resumen-radiologic- diagnosis-patients-with-covid-19-S2173510721000033
Chang KW. Large Linear Classification When Data Cannot Fit in Memory. dblp computer science bibliography [Internet].
Available from: https://www.researchgate.net/ publication/220345144_Large_Linear_Classification_When_Data_
Cannot_Fit_in_Memory
Mirzaei Shahnam ES. Noise reduction and image smoothing using gaussian blur. California State University, Northridge.
Department of Electrical and Computer Engineering [Internet]. 2015. Available from: https://scholarworks.csun.edu/
handle/10211.3/142402?show=full
Fichiers supplémentaires
Publiée
Numéro
Rubrique
Catégories
Licence
Merci de créditer les auteurs lors de toute citation : La Tunisie Médicale (2026)
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
