Carton, François-Xavier
[Verfasser:in]
;
Université Grenoble Alpes
[Mitwirkende:r];
Vanderbilt university (Nashville, Tennessee)
[Mitwirkende:r];
Chabanas, Matthieu
[Mitwirkende:r];
Noble, Jack
[Mitwirkende:r]
Segmentation et recalage d'images avec machine learning pour la compensation du brain shift en neurochirurgie guidée par image ; Image segmentation and registration using machine learning for brain shift compensation in image-guided neurosurgery
Titel:
Segmentation et recalage d'images avec machine learning pour la compensation du brain shift en neurochirurgie guidée par image ; Image segmentation and registration using machine learning for brain shift compensation in image-guided neurosurgery
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
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 ...