IRL - Synthèse d'images ultrasons réalistes pour le guidage en neurochirurgie

De Ensiwiki
Aller à : navigation, rechercher


Synthèse d'images ultrasons réalistes pour le guidage en neurochirurgie

Labo TIMC-IMAG

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


Contexte et objectifs

La chirurgie des tumeurs cérébrales vise à assurer une résection la plus complète possible d'une tumeur, tout en préservant les structures environnantes saines et/ou fonctionnelles. Cette chirugie est notamment délicate du fait des déformations importantes du cerveau (phénomène dit de brain shift) par rapport à l'image IRM pré-opératoire de diagnostique. Une approche pour guider le chirurgien est d'acquérir des images 3D ultrasons (US) pendant l'intervention, notament une image initiale de la tumeur complète avant résection, puis une image après résection totale. Cependant, ces images sont bruitées et restent difficile à interpréter.

Images IRM et US d'une résection de tumeur cérébrales
De gauche à droite: image IRM pré-opératoire; shéma d'acquisition US per-opératoire; exemples d'images US avant, pendant et après résection de la tumeur.


Nous développons actuellement plusieurs réseaux d'apprentissage profond de type CNN (Convolutional Neural Network) pour notamment:

  • segmenter automatiquement les structures d'intérêt dans des images US per-opératoires (contours d'une tumeur, ventricules, circonvolutions, ...)
  • recaler les images IRM pré-opératoires sur les données US per-opératoires à l'aide d'une transformation géométrique non rigide, par exemple affine ou spline. L'objectif est de compenser les déformations du cerveau pendant l'intervention pour fusionner l'information précise de l'IRM sur les données US per-opératoires.

La qualité des méthodes d'apprentissage est fortement liée au volume de données disponible pour l'entrainement des réseaux, or nous ne disposons actuellement que de quelques bases d'images de 12 à 25 patients. Il est donc nécessaire d'utiliser de l'augmentation de données, consistant ici à générer des images US plausibles et réalistes à partir d'images réelles. En particulier, notre objectif est de générer des images à différents stades de la résection d'une tumeur, à partir des deux seules images US acquises respectivement au début et à la fin de la procédure.

Travail attendu

  • Le premier travail est d'ordre bibliographique: l'étudiant.e devra recenser les principales approches existantes pour ce type de problème.
  • Une procédure sera ensuite proposée pour:
    • définir une cavité de résection, par exemple interpolée entre la tumeur complète dans l'image US initiale et la cavité segmentée dans l'image après résection.
    • texturer cette cavité de manière réaliste, à l'intérieur (elle est remplie de sérum physiologique, avec des bulles) et sur ses contours (caillots sanguins, artefacts de réflection des ondes ultrasons sur la transition cavité/tissu)
    • déformer l'image pour simuler le brain shift
  • La qualité des images générées sera évaluée:
    • qualitativement, avec l'aide d'un interne en neurochirurgie du CHU de Grenoble
    • selon le temps disponible, avec un réseau de type GAN (Generative Adversarial Network) cherchant à discrimer des images US réelles et synthétisées.

Ce travail sera réalisé en interaction avec François-Xavier Carton, doctorant en co-supervision entre le laboratoire TIMC-IMAG de Grenoble et Vanderbilt University, Nashville, USA.


Compétences recherchées

  • Profil MMIS a priori
  • Bases de traitement d'images
  • Modélisation géométrique
  • Programmation, probablement en Python
  • Une connaissance du Deep Learning est un plus, mais reste optionnelle
  • Enthousiasme!