La soutenance de thèse de Tamara DUPUY de l'équipe TIMC GMCAO aura lieu le mardi 13 juin à 13h30 sur le thème :

« Navigation en temps-réel de biopsie prostatique assistée par intelligence artificielle. »
 

Jury :

• Sandrine VOROS, Directrice de recherche INSERM Délégation Auvergne-Rhone-Alpes, Directrice de thèse
• Jocelyne TROCCAZ, Directrice de recherche, CNRS Délégation ALPES, Co-Directrice de thèse
• Clément BEITONE, Maître de conférences, Université Grenoble Alpes, Co-Encadrant de thèse
   
• Alain LALANDE, Maître de conférences - Praticien Hospitalier, Université de Bourgogne, Rapporteur
• Antoine SIMON, Maître de conférences HDR, Université de Rennes, Rapporteur
• Gaëlle FIARD, Professeure des Universités - Praticienne Hospitalière, Université Grenoble Alpes, Examinatrice
• Carole LARTIZIEN, Directrice de recherche, CNRS Délégation Rhône Auvergne, Examinatrice
• Ingerid REINERTSEN, Professeure associée, SINTEF Digital, Examinatrice

  Mots clés

Recalage d’images 2D/3D ; Apprentissage profond ; Biopsie prostatique ; Guidage ultrasonore

  Résumé

     Le cancer de la prostate est un problème de santé publique majeur. Seul un examen de biopsie prostatique permet d’établir définitivement le diagnostic de ce cancer. Durant cet examen, la navigation ainsi que la précision du ciblage des biopsies sont rendues complexes par la modalité échographique (2D US) couramment utilisée pour le guidage, et par de potentiels bougés ou déformations de la prostate. Ces éléments rendent le repérage et le ciblage des biopsies difficiles et imprécis, pouvant compromettre le diagnostic et les décisions thérapeutiques.

     Dans ce contexte, le principal objectif de cette thèse est de concevoir et développer un dispositif d’assistance à la navigation permettant à l’urologue de se repérer, en continu et avec précision, pour ainsi mieux visualiser la position de la biopsie qu’il cible. Pour cela, nous avons proposé des méthodes de recalage rigide 2D/3D en temps-réel, permettant d'aligner au mieux la coupe 2D US courante (guidage) par rapport à un volume de référence US (pris en début de navigation). Les principales originalités de nos travaux sont de considérer des informations liées à la trajectoire réalisée et de développer des approches fondées sur l’intelligence artificielle (par apprentissage profond), tout en respectant les conditions de réalisation clinique.
 

     En ajoutant des informations liées à la trajectoire réalisée, en considérant notamment les résultats du recalage précédent, le déplacement relatif de la sonde et un apprentissage multiple avec une tâche de segmentation, nous avons observé une amélioration significative de la qualité du recalage. Ces résultats ont été obtenus sur une base de données cliniques conséquente et évalués grâce à un protocole séquentiel pertinent et fidèle au déroulement clinique de notre application. L’identification de nouveaux types d’informations de trajectoire ainsi que de nouvelles manières de les intégrer à une architecture profonde restent des perspectives de cette thèse.