Contribution à la segmentation du squelette de la tête aux pieds à partir de radiographies biplanes à faible dose : application à la reconstruction 3D du rachis

Contribution to the segmentation of the head-to-toe skeleton from low-dose biplanar X-rays: : application to the 3D reconstruction of the spine

• Auteur / Autrice : Matteo Bovio
• Direction : Wafa Skalli, Laurent Gajny
• Type : Thèse de doctorat
• Discipline(s) : Biomécanique (AM)
• Date : Soutenance le 14/12/2023
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• 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 : Sébastien Laporte
• Jury : Examinateurs / Examinatrices : Wafa Skalli, Laurent Gajny, Raphaël Vialle, David Mitton, Zehira Haddad
• Jury : Rapporteurs / Rapporteuses : Raphaël Vialle, David Mitton

Mots clés

Mots clés contrôlés

Chrosomus eos

Colonne vertébrale

Dissertation universitaire

Rayons X

Mots clés libres

Rayon X

Reconstruction 3D

Colonne vertebrale

Apprentissage profond

Analyse d’image automatique

Eos

X-Ray

3D Reconstruction

Spine

Deep Learning

Automatic image analysis

Eos

Résumé

Les modalités d'imagerie 3D, telles que la tomodensitométrie ou l'IRM, permettent d’obtenir des reconstructions 3D de parties du corps humain. Ces reconstructions peuvent être utilisée pour des simulations mécaniques personnalisées ou des planifications de chirurgie. Dans le contexte des pathologies affectant la posture, ces modalités ne sont pas les plus adaptées car elles nécessitent majoritairement une acquisition en position couchée. Une alternative consiste à utiliser des radiographies biplanes à faible dose. Cette modalité permet de capturer simultanément des radiographies frontales et sagittales dans un environnement calibré du sujet en position fonctionnelle. De nombreuses méthodes ont été développées pour reconstruire en 3D les différentes parties du squelette via cette modalité, ouvrant la voie à une analyse posturale complète et non centrée sur une structure. Cependant, chaque méthode nécessite généralement des entrées manuelles et un processus d’ajustement, lui aussi très souvent manuel. Cela implique une dépendance de l’opérateur et un temps de reconstruction important. Une recherche active est en cours pour l’automatisation du processus de reconstruction 3D. L’objectif de cette thèse de doctorat est donc de contribuer à l'automatisation des méthodes de reconstruction des structures osseuses du corps humain à partir de radiographies biplanes, grâce à l'utilisation d’apprentissage automatique et à des modèles géométriques paramétrés. Pour cela, une analyse automatique de radiographies biplanes a d’abord été effectuée. A partir d’une base de données rétrospectives, un algorithme d’apprentissage profond appelé nnU-Net a été entrainé à la segmentation de la colonne vertébrale et des membres inférieurs. Grâce à une approche grossière à fine, ces structures ont pu être identifiées automatiquement dans les radiographies biplanes. Ensuite, des algorithmes de traitement d’images ont permis d’en extraire des points et des structures nécessaires à la reconstruction 3D du rachis. Finalement, une méthode de reconstruction 3D quasi-automatique du rachis a été proposée à partir de ces structures.

3D imaging modalities, such as CT or MRI, enable 3D reconstructions of parts of the human body. These reconstructions can be used for personalized mechanical simulations or surgical planning. In the context of pathologies affecting posture, these modalities are not the most suitable, as they mostly require acquisition in the supine position. An alternative is to use low-dose biplane radiography. This modality simultaneously captures frontal and sagittal radiographs in a calibrated environment of the subject in functional position. Numerous methods have been developed to reconstruct the various parts of the skeleton in 3D using this modality, paving the way for comprehensive, non-structure-centric postural analysis. However, each method generally requires manual inputs and an adjustment process, also very often manual. This implies operator dependency and long reconstruction times. Active research is underway to automate the 3D reconstruction process. The aim of this PhD thesis is therefore to contribute to the automation of methods for reconstructing bone structures in the human body from biplane radiographs, using machine learning and parameterized geometric models. To achieve this, biplanar radiographs were first analyzed automatically. From a retrospective database, a deep learning algorithm called nnU-Net was trained to segment the spine and lower limbs. Using a coarse-to-fine approach, these structures were automatically identified in biplane radiographs. Image processing algorithms were then used to extract the points and structures required for 3D reconstruction of the spine. Finally, a quasi-automatic 3D spine reconstruction method was proposed based on these structures.