Automatisation du traitement des imageries tridimensionnelles dento-maxillo-faciales par apprentissage profond : application à la segmentation et à la céphalométrie

Automation of three-dimensional dentomaxillofacial image processing via deep learning : application to segmentation and cephalometry

• Auteur / Autrice : Gauthier Dot
• Direction : Thomas Schouman, Laurent Gajny, Philippe Rouch
• Type : Thèse de doctorat
• Discipline(s) : Biomécanique (AM)
• Date : Soutenance le 04/07/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : Institut de Biomécanique Humaine Georges Charpak (Paris ; 2013-....) - Institut de Biomécanique Humaine Georges Charpak (Paris ; 2013-....)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Président / Présidente : Marie-José Boileau
• Jury : Examinateurs / Examinatrices : Thomas Schouman, Laurent Gajny, Philippe Rouch, Elsa D. Angelini, Thomas Colard, Yannick Tillier, Ninon Burgos
• Jury : Rapporteurs / Rapporteuses : Elsa D. Angelini, Thomas Colard

Mots clés

Mots clés contrôlés

Intelligence artificielle

Céphalométrie

Thèses et écrits académiques

Scanographie

Mots clés libres

Tomodensitométrie

Interprétation d'images radiographiques assistée par ordinateur

Céphalométrie

Repères anatomiques

Apprentissage profond

Intelligence artificielle

Tomography. x-Ray computed

Radiographic image interpretation. computer-Assisted

Cephalometry

Anatomic landmarks

Deep learning

Artificial intelligence

Résumé

L’utilisation clinique d’imageries tridimensionnelles (3D) dento-maxillo-faciales s’est fortement développée ces dernières années, permettant d’améliorer le diagnostic et la planification de certains traitements orthodontiques et orthodontico-chirurgicaux. Le traitement de ces imageries 3D est cependant contraignant et repose sur de nombreuses étapes manuelles, nécessitant plusieurs niveaux de validation, du temps et des opérateurs formés. La routine clinique reste largement basée sur l’utilisation de méthodes 2D, peu adaptées pour les patients présentant des dysmorphies faciales complexes comme des asymétries importantes ou des syndromes cranio-faciaux.L’objectif principal de ce travail a été de mettre en œuvre des modèles d’apprentissage profond afin d’automatiser deux étapes du traitement de ces imageries 3D : (1) la reconstruction des modèles surfaciques 3D, processus appelé « segmentation » et (2) le placement de points d’intérêts anatomiques pour la réalisation d’une analyse céphalométrique 3D. L’évaluation de ces modèles a été effectuée sur une base de données originale de patients présentant des dysmorphies faciales variées et marquées, en comparant la performance de l’algorithme avec celle d’experts sur la base de critères présentant une pertinence clinique.Sur une base de données de test de 153 scanners, la segmentation automatisée a présenté un coefficient de Dice surfacique à 1 mm de 98.03 ± 2.48 %, 148 scanners présentant un score moyen supérieur au seuil de viabilité clinique de 95 %. Sur une base de données de test de 37 scanners, l’erreur moyenne du placement des points céphalométriques était de 1.0 ± 1.3 mm et 90.4 % des prédictions étaient situées à moins de 2 mm de la référence. Une validation plus large, incluant des données d’autres centres cliniques, devra être effectuée afin d’évaluer le potentiel de généralisation de ces résultats. Trois cas cliniques sont présentés pour illustrer les perspectives d’applications cliniques de ces résultats.

The clinical use of three-dimensional (3D) dentomaxillofacial imaging has developed significantly in recent years, allowing for improved diagnosis and planning of some orthodontic and orthodontic-surgical treatments. However, the processing of these 3D images remains restrictive and relies on many manual steps, requiring several levels of validation, time and trained operators. The clinical routine is still largely based on the use of 2D methods, which are not well adapted for patients with complex facial deformities such as important asymmetries or craniofacial syndromes.The main objective of this work was to implement deep learning models in order to automate two steps in the processing of these 3D images: (1) the reconstruction of 3D surface models, a process called ''segmentation'', and (2) the placement of anatomical landmarks for 3D cephalometric analysis. The evaluation of these models was performed on an original database of patients with varied and marked facial deformities, comparing the performance of the algorithm with that of experts on the basis of clinically relevant metrics.In a test database of 153 CT scans, the automated segmentation had a surface Dice Similarity Coefficient at 1mm of 98.03 ± 2.48%, with 148 scans having a mean score which cleared the 95% limit for clinical significance. In a test database of 37 CT scans, the mean error of cephalometric landmark localization was 1.0 ± 1.3 mm, and 90.4% of predictions were within 2 mm of the reference. A broader validation, including data from other clinical centers, will need to be performed to assess the generalizability of these results. Three clinical cases illustrate the perspectives of clinical applications of these results.