Élaboration d'outils de traitement d'images pour aider à la reconstruction 3D du rachis à partir d'images radiographiques postopératoires

摘要

La scoliose idiopathique adolescente est une maladie touchant principalement les jeunes adolescentes. C’est une déformation tridimensionnelle de la colonne vertébrale qui entraîne une modification de la posture. Malheureusement, les origines de cette maladie restent encore peu connues.ududUne étape importante dans le diagnostic de la scoliose consiste à identifier manuellement des repères anatomiques sur des images radiographiques. Ces repères vont permettre de déterminer les indices cliniques pour aider au diagnostic et au traitement de la maladie. Ils sont également utilisés dans les procédés permettant de reconstruire en trois dimensions la colonne vertébrale. La visualisation de la colonne vertébrale en trois dimensions permet une meilleure évaluation de la déformation et un diagnostic. Une fois le diagnostic établi, les scolioses sévères nécessitent une opération chirurgicale. Cette opération consiste à redresser la colonne vertébrale et la maintenir à l’aide d’une instrumentation (vis, tiges et crochets).ududDes algorithmes de détection automatique de la colonne ont été développés pour faciliter cette tâche, mais la présence d’instrumentation métallique les empêche de fonctionner de manière efficace.ududLa gêne occasionnée par l’instrumentation est problématique. Cette gêne est visuelle pour l’expert qui saisit les points caractéristiques nécessaires à la reconstruction. Elle perturbe également le fonctionnement des algorithmes de détection automatique.ududL’objectif de ce mémoire est de proposer une solution qui diminue la gêne des opérateurs lors du processus de reconstruction. Il faut également s’assurer que les approches automatiques soient applicables au cadre du postopératoire. Cela permet de rendre la reconstruction postopératoire accessible avec les méthodes développées pour le préopératoire sans modification du procédé, qu’il soit manuel ou automatique.ududLa revue de la littérature et le retour de différents experts en reconstruction sur le sujet ont permis de déterminer la solution la plus adéquate pour répondre à la problématique. Cette solution comprend deux étapes :udud1. Segmenter l’instrumentation et création d’un masque associé;ud2. Remplacer le masque de l’instrumentation par de l’information qui permettra la poursuite du processus.ududLe remplacement du masque est réalisé à l’aide de méthodes de remplissage appelés "Inpainting". Il existe deux grandes familles d’algorithmes de remplissage, les algorithmes basés sur la diffusion et ceux basés sur le remplissage par textures. Un algorithme de diffusion et trois algorithmes basés sur les textures ont été appliqués au cas du remplissage de l’instrumentation chirurgicale présente dans les radiographies postopératoires. Le but a été de définir quel algorithme était le plus efficace dans ce contexte. Il a été nécessaire de créer une référence pour évaluer le remplissage. L’ajout d’un masque d’instrumentation sur une radiographie non-scoliotique a permis de simuler la pose de tiges, vis et crochets tout en connaissant les structures masquées.ududLa méthode proposée a permis une diminution de la gêne pour les opérateurs ainsi que l’utilisation d’approches automatiques pour la reconstruction de la colonne vertébrale sur des radiographies réelles avec une instrumentation simulée et sur des images postopératoires réelles. L’utilisation de la métrique rapport signal bruit maximal (PSNR) a montré une amélioration de 49 % de l’image remplie par rapport à l’image instrumentée. La métrique Multi-Scale Structural Similarity (MSSIM) a démontré que le remplissage du masque de l’instrumentation en utilisant un algorithme basé sur la diffusion des niveaux de gris augmente de 30 % la similarité d’une radiographie instrumentée par rapport à la radiographie non instrumentée.ududNous avons également testé l’application de cette méthode dans le cadre de reconstruction 3D semi-automatique et automatique. L’application semi-automatique a montré que la méthode proposée n’apportait pas d’amélioration en matière de temps de reconstruction et de précision. Le confort utilisateur est cependant augmenté grâce au remplissage de l’instrumentation. De plus, l’erreur moyenne de détection calculée en utilisant des réseaux de neurones profonds (DNN) est améliorée de 4,7 mm. L’image remplie présente une erreur moyenne de détection de 3,0 mm contre 7,7 mm pour la simulation d’instrumentation et 1,3 mm d’erreur moyenne pour la radiographie saine.ududCette méthode permet aux algorithmes développés pour des images préopératoires de fonctionner sur des images postopératoires.