Soutenance de thèse de François-Xavier CARTON le 13/12/21

La soutenance de thèse de François-Xavier CARTON de l'équipe TIMC GMCAO aura lieu lundi 13 décembre 2021 à 15h30 sur le thème :

« Segmentation et recalage d'images avec machine learning
pour la compensation du brain shift
en neurochirurgie guidée par image. »
 

bullet Jury :

  • Matthieu CHABANAS, Maître de conférence, UGA (Grenoble, France), Directeur de thèse
  • Jack NOBLE, Professeur associé, Vanderbilt University (Nashville, USA), Co-directeur de thèse
  • Antoine SIMON, Maître de conférence, Université de Rennes 1 (Rennes, France), Rapporteur
  • Marc MODAT, Maître de conférence, King's College London (Londres, Royaume-Uni), Rapporteur
  • Michel DESVIGNES, Professeur des universités, Grenoble INP (Grenoble, France), Examinateur
  • Jocelyne TROCCAZ, Directrice de recherche, UGA (Grenoble, France), Examinatrice
  • Thomas LANGO, Responsable scientifique/Directeur de recherche, SINTEF (Trondheim, Norgève), Invité
     

bullet Mots clés :  

Brain-shift, neurochirurgie guidée par image, segmentation d'image, recalage d'image, apprentissage profond.

bullet Résumé :

Dans le cadre des chirurgies d'ablation de tumeurs cérébrales, un examen préopératoire par imagerie par résonance magnétique (IRM) est réalisé pour la planification chirurgicale et le guidage lors de la chirurgie. Le déplacement des tissus cérébraux pendant la chirurgie, appelé communément brain shift, limitent considérablement le guidage par image utilisant l'IRM préopératoire (pMR), celui-ci ne représentant plus la position courante des tissus. Ces limitations peuvent être compensées en recalant le pMR avec des images peropératoires. L'échographie présente plusieurs avantages à d'autres modalités comme l'IRM, notamment sa rapidité d'acquisition, et la non-nécessité de déplacer les patients. L'échographie a donc un réel intérêt en neurochirurgie, malgré la moindre qualité de ces images.

Bien que des méthodes traditionnelles de recalage aient été proposées, l'apprentissage profond (AP) fait l'objet de nombreux travaux de recherche car il obtient les meilleurs résultats dans plusieurs domaines comme le traitement d'images médicales, notamment la segmentation et plus récemment, le recalage d'image. Les modèles d'AP sont des modèles complexes dont les paramètres sont appris à partir de données. Cependant, il y a peu d'études sur leur applicabilité à la segmentation d'images échographiques, ou recalage avec un pMR.

L'étude porte tout d'abord sur la segmentation des images échographiques peropératoires (iUS) du cerveau. Ces segmentations peuvent notamment servir au recalage d'image, l'objectif principal de cette thèse. Nos travaux portent premièrement sur la segmentation des cavités de la résection, permettant de modéliser précisément le décalage des tissus lié à l'ablation de tissus. Nous proposons ensuite un modèle pour la segmentation des tumeurs, problème plus difficile mais utile non seulement au recalage d'image mais aussi à déterminer si la résection est complète. Les résultats obtenus montrent que l'AP peut être utilisé pour la segmentation d'iUS. Nous avons ensuite entraîné un modèle multi-classes, segmentant directement plusieurs structures. Les résultats suggèrent que ces modèles multi-classes peuvent produire de meilleures segmentations, tenant compte des dépendances entre les classes.

Puis nous étudions les modèles de recalage des pMRs avec des iUSs. Ce problème est considérablement plus compliqué que la segmentation d'image, en particulier entre différentes modalités comme l'IRM et l'échographie. Il y a de plus une grande variabilité entre patients, les structures visibles dans le champ de vue limité des iUSs dépendant de la position de la tumeur. Il est aussi difficile de déterminer les vrais déplacements de tissus avec lesquels entraîner des modèles. Bien que n'étant pas parvenus à entraîner un modèle avec les données disponibles, nous analysons les résultats et identifions de potentielles pistes d'améliorations.

Les modèles d'AP peuvent segmenter les iUS. Les données sont actuellement insuffisantes pour des modèles de recalage, que plus de données permettraient d'entraîner.