Postnatal pelvic floor muscle training for preventing and treating urinary incontinence : where do we stand?

Purpose of review: Postnatal pelvic floor muscle training aims to rehabilitate the pelvic floor muscles. To be effective, a certain exercise dosage must be respected. Recent trials evaluated the effect of different programs on prevention/treatment of urinary incontinence immediately after delivery and in treatment of persistent incontinence. Recent findings: Only three systematic reviews, six trials, and four follow-up studies have been published in the past two decades. High heterogeneity in postnatal pelvic floor muscle training programs is observed throughout the literature, making comparisons difficult. In the prevention/treatment of postnatal urinary incontinence immediately after delivery and in persistent incontinence, supervised intensive programs prove more effective than standard postnatal care. Longer-term results have yet to show advantages for postnatal training programs. Summary: Although a certain exercise dosage must be respected for a postnatal pelvic floor muscle training program to be effective, a few randomized controlled trials present such dosage. Randomized controlled trials should study the effect of supervised, intensive training protocols with adherence aids. As standard care does not seem to reduce the prevalence of postnatal urinary incontinence, obstetrics services must address delivery of postnatal pelvic floor muscle training.

Étude de l’impact d’un programme d’activité physique (Amazone) auprès de femmes en traitement pour un cancer du sein

Le cancer du sein est la forme de cancer la plus souvent diagnostiquée chez les femmes. Elles doivent vivre avec des séquelles qui nuisent à leur qualité de vie. Plusieurs études ont montré les bienfaits de l’activité physique (AP) sur les composantes physiques et psychologiques des patientes. Toutefois, elles réduisent souvent leur pratique d'AP suite aux traitements en raison de la détérioration de leur condition physique. Or, le maintien à long terme de la pratique d’AP est essentiel pour en conserver les bénéfices. La première section du mémoire présente une recension des écrits sur les bienfaits de l’AP auprès des femmes atteintes d'un cancer du sein et la seconde rend compte d'une étude expérimentale ayant pour objectif d'évaluer l’impact d’un programme d’AP sur le sentiment d’efficacité personnel et sur le plaisir associé à la pratique d'AP. Une enquête de suivi a été menée trois mois après la fin du programme afin d’évaluer le maintien à long terme de la pratique d'AP. L'étude a été réalisée auprès de 18 patientes en cours de traitement. Le groupe expérimental a suivi un programme supervisé d’AP combiné à des séances de counseling sur une période de 16 semaines. Le groupe témoin avait la possibilité de suivre un programme de yoga. Nos résultats indiquent une amélioration statistiquement significative des trois composantes mesurées, soit le sentiment d'efficacité personnelle, le plaisir à faire de l'AP et le maintien de la pratique après la participation au programme.

Training deep convolutional architectures for vision

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.

Understanding deep architectures and the effect of unsupervised pre-training

Cette thèse porte sur une classe d'algorithmes d'apprentissage appelés architectures profondes. Il existe des résultats qui indiquent que les représentations peu profondes et locales ne sont pas suffisantes pour la modélisation des fonctions comportant plusieurs facteurs de variation. Nous sommes particulièrement intéressés par ce genre de données car nous espérons qu'un agent intelligent sera en mesure d'apprendre à les modéliser automatiquement; l'hypothèse est que les architectures profondes sont mieux adaptées pour les modéliser. Les travaux de Hinton (2006) furent une véritable percée, car l'idée d'utiliser un algorithme d'apprentissage non-supervisé, les machines de Boltzmann restreintes, pour l'initialisation des poids d'un réseau de neurones supervisé a été cruciale pour entraîner l'architecture profonde la plus populaire, soit les réseaux de neurones artificiels avec des poids totalement connectés. Cette idée a été reprise et reproduite avec succès dans plusieurs contextes et avec une variété de modèles. Dans le cadre de cette thèse, nous considérons les architectures profondes comme des biais inductifs. Ces biais sont représentés non seulement par les modèles eux-mêmes, mais aussi par les méthodes d'entraînement qui sont souvent utilisés en conjonction avec ceux-ci. Nous désirons définir les raisons pour lesquelles cette classe de fonctions généralise bien, les situations auxquelles ces fonctions pourront être appliquées, ainsi que les descriptions qualitatives de telles fonctions. L'objectif de cette thèse est d'obtenir une meilleure compréhension du succès des architectures profondes. Dans le premier article, nous testons la concordance entre nos intuitions---que les réseaux profonds sont nécessaires pour mieux apprendre avec des données comportant plusieurs facteurs de variation---et les résultats empiriques. Le second article est une étude approfondie de la question: pourquoi l'apprentissage non-supervisé aide à mieux généraliser dans un réseau profond? Nous explorons et évaluons plusieurs hypothèses tentant d'élucider le fonctionnement de ces modèles. Finalement, le troisième article cherche à définir de façon qualitative les fonctions modélisées par un réseau profond. Ces visualisations facilitent l'interprétation des représentations et invariances modélisées par une architecture profonde.

Towards Non Invasive Diagnosis of Scoliosis Using Semi-supervised Learning Approach

In this paper, a new methodology for the prediction of scoliosis curve types from non invasive acquisitions of the back surface of the trunk is proposed. One hundred and fifty-nine scoliosis patients had their back surface acquired in 3D using an optical digitizer. Each surface is then characterized by 45 local measurements of the back surface rotation. Using a semi-supervised algorithm, the classifier is trained with only 32 labeled and 58 unlabeled data. Tested on 69 new samples, the classifier succeeded in classifying correctly 87.0% of the data. After reducing the number of labeled training samples to 12, the behavior of the resulting classifier tends to be similar to the reference case where the classifier is trained only with the maximum number of available labeled data. Moreover, the addition of unlabeled data guided the classifier towards more generalizable boundaries between the classes. Those results provide a proof of feasibility for using a semi-supervised learning algorithm to train a classifier for the prediction of a scoliosis curve type, when only a few training data are labeled. This constitutes a promising clinical finding since it will allow the diagnosis and the follow-up of scoliotic deformities without exposing the patient to X-ray radiations.