IRL - Analyse par apprentissage supervisé d'images CT de fractures du bassin

De Ensiwiki
Aller à : navigation, rechercher


Analyse par apprentissage supervisé d'images CT de fractures du bassin

Labo TIMC

Encadrants Matthieu.Chabanas@univ-grenoble-alpes.fr


CE SUJET EST A DEJA RESERVE


Contexte et objectifs

En cas de fracture de l'acetabulum, cavité du bassin accueillant la tête du fémur, un scanner CT est systématiquement réalisé. Cet examen est d'abord à but diagnostic, pour classifier la fracture selon le nombre et la localisation des traits de fracture et fragments osseux [1]. Les différents fragments osseux peuvent aussi être segmentés dans les images CT pour une visualisation en 3D [2] et afin d'établir un planning chirurgical optimal, par exemple via un outil de simulation d'une procédure chirurgicale [3]. A l'heure actuelle la segmentation des fragments osseux est semi-automatique et demande de 2h à 3h de travail, ce qui est bien trop important pour une utilisation en routine clinique.

L'objectif de ce projet est donc d'explorer des méthodes permettant d'automatiser au maximum la procédure de segmentation des fragments osseux, voir la classification du type de fracture. On s'intéressera en particulier à des méthodes d'apprentissage supervisé, à l'aide d'une base de plus de 30 examens scanner déjà segmentés.


Fracture de l'acetabulum
De gauche à droite: image CT de fracture du bassin; segmentation 3D des fragments osseux; extrait de la classification de Letournel des fractures de l'acetabulum [1]


Travail attendu

Le travail comportera:

  • une étude bibliographique des méthodes de segmentation et de classification de fractures;
  • une analyse de l'application actuelle des méthodes d'apprentissages aux fractures;
  • la définition d'une stratégie de traitement en sous-étapes. Par exemple, il peut être pertinent de chercher à d'abord localiser les traits de fracture, avant la segmentation proprement dite puis la classification du type de frature.
  • l'implémentation d'une architecture même simple pour évaluer la faisabilité de l'approche proposée. L'apprentissage sera réalisé sur un serveur de l'équipe (3x GPU NVIDIA Quadro RTX 8000, 48 Go) en Python + PyTorch;
  • la validation par rapport à la base de données existante.

Ce travail sera réalisé en interaction avec le Dr. Mehdi Boudissa, chirurgien orthopédiste au CHU de Grenoble.


Compétences recherchées

  • Profil MMIS ou ISI
  • Connaissance préalable de réseaux de traitement d'image type U-net


Références

[1] E. Letournel (1991) .Traitement chirurgical des fractures du cotyle. EMC Orthopédie-Traumatologie, 44-520 : 30p.

[2] M. Boudissa, A. Courvoisier, M. Chabanas, J. Tonetti (2018). Computer assisted surgery in preoperative planning of acetabular fracture surgery: state of the art. Expert Review of Medical Devices, 15(1) pp.81-89.

[3] M. Boudissa, B. Noblet, G. Bahl, H. Oliveri, M. Herteleer, J. Tonetti, M. Chabanas (2021). Planning acetabular fracture reduction using a patient-specific biomechanical model: a prospective and comparative clinical study. International Journal of Computer Assisted Radiology and Surgery, 16:1305–1317.