Célia AEPLY (Encadrant : Matthieu CHABANAS) : Détection de la résection de tumeurs sur images échorgraphiques

De Ensiwiki
Aller à : navigation, rechercher

Introduction

Lors d'une opération de tumeurs au cerveau, des acquisitions échographiques de la résection sont effectuées afin de permettre au chirurgien de voir s'il lui reste de la matière à exciser ou non. Dans ce contexte, nous traitons donc des images échographiques de cerveau avec tumeurs. Nous disposons de plusieurs acquisitions échographiques du cerveau d'un patient durant une opération mettant en évidence la résection effectuée par le chirurgien.

Mon travail est de segmenter en 3D la résection de la tumeur durant l'opération chirurgicale. Pour cela, j'ai utilisé des techniques de traitements d'imagerie médicale déjà existantes (ThresHolding, Classification, Croissance de région, ... ) mais j'ai également développé des méthodes propres au contexte.

Contexte

Lieu

J'ai fait mon sujet d'Introduction à la Recherche en Laboratoire dans le laboratoire TIMC-IMAG (Techniques de l’Ingénierie Médicale et de la Complexité - Informatique, Mathématiques et Applications, Grenoble) . J'ai été accueillie par Matthieu Chabanas et Fanny Morin au sein du département GMCAO (Gestes Médico-Chirurgicaux Assistés par Ordinateur).

Ce sujet d'introduction à la recherche vient compléter une petite partie de la thèse de Fanny Morin dont le sujet est Simulations non linéaires pour le guidage per-opératoire en neurochirurgie. Son but est de modéliser et simuler les déformations des tissus cérébraux durant une opération chirurgicale afin de pouvoir donner des outils de visualisation aux chirurgiens.

Contexte d'application

Lors d'une opération chirurgicale du cerveau, le chirurgien cherche à réséquer la tumeur du cerveau du patient. Le point délicat est de réussir à retirer tous les tissus malades et de ne pas toucher aux tissus sains, le cerveau étant un organe vital.

Les tumeurs ne se distinguent pas particulièrement de la matière grise, il est donc difficile de savoir quand arrêter d'enlever de la matière. Pour cela, le chirurgien a à sa disposition des images pré-opératoires : des scanners IRM du cerveau du patient. Comme on peut le voir sur la Figure \ref{????intro},l'avantage des images IRM est qu'elles sont très nettes, on distingue bien la tumeur qui est d'une autre couleur que le cerveau.


Cependant pour effectuer des scanners IRM, il est nécessaire de respecter tout un protocole d'hygiène et de sécurité que les chirurgiens ne peuvent pas se permettre lors d'une opération de la boîte crânienne. Reste à leur disposition un autre outil moins efficace mais bien plus simple d'utilisation : les images échographiques (image de droite de la Figure \ref{?????intro}).


Ainsi, les chirurgiens font des scanners du patient avant l'opération. Pendant l'opération, les chirurgiens font plusieurs acquisitions échographiques à différents pas de temps pour visualiser la partie de cerveau réséquée et comparer avec la partie de tumeur restante. Le point difficile est de déterminer quand s'arrêter. A l'œil nu il n'est pas possible de visualiser la délimitation précise entre le cerveau et la tumeur.

Objectif

Mon travail est de segmenter les images échographiques pour en sortir un modèle en 3D du trou creusé par le chirurgien. Je dois appliquer une série de processus pour avoir une image binarisée en 3D qui est à 1 là ou la tumeur a été réséquée et qui est à 0 tout ailleurs.\

Pour ce faire je me suis d'abord renseignée sur ce qui existait déjà dans la littérature.

Il est important de préciser que mon but était de comprendre et d'utiliser les méthodes existantes pour segmenter des images échographiques. L'enjeu est de trouver l'enchaînement optimal de traitements d'image permettant d'avoir une image binarisée dans un temps (de calcul) raisonnable et avec une interaction avec l'utilisateur minimale. Ces deux derniers points n'étant pas fixés, c'est à moi d'explorer toutes les possibilités et de rendre compte ensuite des méthodes que l'on peut conserver ou bien abandonner et sur quels critères.

Traitement d'imagerie médicale

La segmentation en imagerie médicale repose sur la méthode de Croissance de Région. Cette méthode nécessite d'appliquer des prétraitement à l'image pour pouvoir détecter la région qui nous intéresse.Dans ce contexte nous nous intéressons à la détection de noir et donc du premier pic de l'histogramme de la Figure \ref{???}. Ensuite, éventuellement, on peut appliquer un post processing si la segmentation à la suite de la croissance de région n'est pas satisfaisante.

Ma méthode

Conclusion

laboratoire TIMC-IMAG (Techniques de l’Ingénierie Médicale et de la Complexité - Informatique, Mathématiques et Applications, Grenoble) au sein de l'équipe GMCAO (Gestes Médico-Chirurgicaux Assistés par Ordinateur) et a été encadré par M. Matthieu Chabanas.


Etudiant

Célia Aeply (Modélisation Mathématique, Image et Simulation)

Documents annexes

Slides de soutenance : Fichier:.pdf

Rapport : Fichier:RapportReductionFractureCotyle.pdf