Nouvelles méthodes numériques pour la simulation temps-réel des déformations des tissus mous dans le cadre de l’assistance peropératoire
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Brunet, Jean-Nicolas
Date de soutenance : 04-11-2020

Directeur(s) de thèse : Cotin, Stéphane

Président : Privat, Yannick
Rapporteur(s) : Wittek, Adam - Jaillet, Fabrice
Membre(s) du jury : Elle, Ole Jacob

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique, Sciences de la vie, biologie, biochimie

Mots-clés libres : Modèle biomécanique, Méthodes sans maillage, Méthodes aux frontières immergées, Recalage non rigide, Déformation foie, Assistance peropératoire, Réalité augmentée
Mots-clés :
  • Biomécanique
  • Méthodes sans maillage (analyse numérique)
  • Réalité augmentée
Résumé : Cette thèse aborde le problème de simulation des tissus mous pour les applications de réalité augmentée en assistance peropératoire du foie et, plus précisément, la mise en oeuvre d'une procédure automatique de recalage non rigide entre une reconstruction préopératoire du foie d'un patient et les données acquises en temps réel pendant la chirurgie. Un cadre formel basé sur la physique est d'abord défini et utilisé comme base pour la construction d'un modèle biomécanique capable de reproduire les déformations du foie. Quatre directives de recherche ont guidé le développement du modèle : la précision, la rapidité, la stabilité et la simplicité de mise en oeuvre. Les méthodes sans maillage et les méthodes aux frontières immergées sont deux considérées comme des alternatives à la méthode traditionnelle des éléments finis. Un algorithme complet de recalage non rigide est documenté et testé avec des scénarios réels. Finalement, une introduction des émergentes en apprentissage automatique et réseaux de neurones est également fournie.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020STRAD029
Type de ressource : Thèse