Recalage automatique des images echographiques tridimensionnelles et tomodensitométriques du rein

Automatic registration of three-dimensional ultrasound and computed tomography images of the kidney

• Auteur / Autrice : William Brice Ndzimbong
• Direction : Daniel George, Nicolas Thome
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/12/2024
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Adrien Bartoli
• Jury : Examinateurs / Examinatrices : Toby Collins
• Jury : Rapporteurs / Rapporteuses : Sylvie, Julie Chambon, Michaël Sdika

Mots clés

Mots clés contrôlés

Rein

Apprentissage profond

Échographie

Recalage d'images

Mots clés libres

Recalage Inter-modal

Echographie

Apprentissage Profond

Guidage Interventionnel

Rein

Inter-modal Registration

Ultrasound

Deep Learning

Interventional guidance

Kidney

Résumé

Le recalage automatique des images échographiques abdominales et des images tomodensitométriques (scanner) est essentiel pour améliorer le guidage interventionnel en chirurgie rénale. Toutefois, il représente encore un défi de recherche majeur. Une limitation importante est le manque de jeu de données publiques contenant des images des deux modalités pour un même patient (jeu de données appariées). Cette absence freine les avancées méthodologiques et empêche une comparaison systématique des méthodes de pointe. Une autre limitation importante est qu’il existe peu de méthodes robustes capables de réaliser un recalage sans intervention manuelle, notamment en ce qui concerne les méthodes dites « globales ». Cette thèse vise à surmonter ces obstacles par plusieurs contributions de recherche. La première est la création d’un nouveau jeu de données, composé d’images échographiques tridimensionnelles transabdominales et scanner appariées, provenant de reins de 48 patients humains. Ce jeu de données inclut des annotations de segmentation et de points de repère anatomiques, validées par deux radiographes expérimentés. En plus de fournir ces données, la concordance des annotations est analysée, et la valeur du jeu de données est démontrée en évaluant des méthodes qui traitent deux tâches fondamentales : la segmentation automatique des reins et le recalage d’images intermodales. Les résultats montrent que ces deux défis restent ouverts, et ce jeu de données constitue une ressource importante pour faire progresser ces domaines. La seconde contribution principale est une méthode automatique de recalage global pour les images échographiques tridimensionnelles et scanner des reins. Cette méthode surmonte l’ambiguïté de recalage due à la symétrie naturelle de l’organe et, combinée à un algorithme d’affinement, permet un recalage précis, robuste et sans initialisation manuelle. Cette méthode a également d’autres applications importantes, telles que la conversion inter-modale d’images, la synthèse d’images, et le transfert d’annotations entre modalités.

Automatic registration between abdominal ultrasound (US) and computed tomography (CT) images is needed to enhance interventional guidance in kidney surgery. However, it remains an open research challenge. One striking limitation is the lack of public datasets that comprise images of the same patient in both modalities (paired datasets). This has hindered methodological progress, as well as prevented a systematic comparison of state-of-the-art methods. Another limitation is the lack of robust methods capable of solving registration without manual initialization (’global’ methods). This thesis aims to overcome these challenges with several research contributions. The first contribution is a novel dataset with paired transabdominal 3D US and CT kidney images from 48 human patients that includes segmentation and anatomical landmark annotations from two expert radiographers. In addition to the dataset, annotation consistency is analyzed, and its value assessed by benchmarking methods that tackle two fundamental tasks : automatic kidney segmentation and inter-modal image registration. The findings show that both challenges are still open, and the dataset should serve as an important resource for advancing both topics. As a second main contribution, an automatic method for global registration of kidneys in 3D US and CT images is proposed. This method handles registration ambiguity caused by the organ’s natural symmetry. Combined with a registration refinement algorithm, it achieves robust and accurate kidney registration while avoiding manual initialization. The method has several other important applications, including inter-modal image translation and image synthesis, as well as label transfer between modalities.