Note ABES Combinaison entre simulation numérique et apprentissage automatique : applications à la formation, la planification préopératoire et l'assistance peropératoire Machine learning meets real-time numerical simulation : application to surgical training, preoperative planning and surgical assistance Simulation en temps-réel Simulation patient-spécifique Réseau de neurones profond Méthode des éléments finis Chirurgie augmentée Real-time Deep neural networks Finite element method Data-driven simulation Augmented surgery 510 004 570 Simulation par ordinateur Neurones Méthode des éléments finis Chirurgie opératoire Il existe une multitude de domaines en ingénierie nécessitant le calcul de déformations non-linéaires en temps réel, notamment dans le domaine de la médecine, avec les simulateurs pour l'entrainement des chirurgiens ou bien la chirurgie guidée par l'image. Dans un contexte de chirurgie augmentée, il est nécessaire de réaliser un recalage élastique des données préopératoires sur la vue intraopératoire de l'organe. L'objectif est de superposer en temps réel, un modèle virtuel spécifique à chaque patient, à la vue du champ opératoire dans le but de visualiser les structures internes de l'organe (tumeurs ou artères par exemple). Afin d'obtenir une précision adaptée, il est nécessaire de construire un modèle bioméchanique personnalisé de l'organe. Pour ce faire, la méthode des éléments-finis est la technique préférée afin de prédire la déformation des tissus mous. Cependant la complexité des calculs impliqués (notamment dans le cas de déformations non-linéaires) rend cette méthode incompatible avec les exigences de temps réel et de précision, inhérentes au domaine d'application visé.Pour répondre à ces contraintes, on propose de combiner des simulations éléments-finis avec des réseaux de neurones profonds pour modéliser le comportement biomécanique des tissus humains. En particulier on présente la plateforme U-Mesh permettant de prédire en temps-réel les déformations d'un organe comme le foie avec une précision adaptée à la chirurgie augmentée. Many engineering applications require accurate numerical simulations of non-linear structures in real-time. Some important examples can be found in the field of medicine, in order to develop surgical training systems, or in the field of surgical navigation where augmented reality can bring significant improvements to the clinical gesture. To guarantee the accuracy of the simulations, patient-specific modeling must be pursued by taking into account personalized material parameters and boundary conditions. In the context of augmented surgery for instance, it is essential to perform an elastic registration between the preoperative and the intraoperative images. To this end, a patient-specific biomechanical model must be built to produce real-time finite-element simulations of the deformed organ. This is in practice very difficult to achieve as the problems to be solved are highly complex, in particular when non-linear deformations are considered. In this work, we propose a method combining finite-element simulations and deep neural networks in order to satisfy the rapidity and accuracy requirements of medical applications. In particular, we present the U-Mesh framework, capable of predicting in real-time the shape of a highly deformable organ like the liver in order to guide surgeons during interventions where following the organ's deformation is crucial for the surgery to be successful. Electronic Thesis or Dissertation Text en PDF 59640162 https://theses.hal.science/tel-03116502 application/pdf 59611376 https://publication-theses.unistra.fr/public/theses_doctorat/2020/Mendizabal_Andrea_2020_ED269.pdf https://theses.fr/2020STRAD034/abes https://theses.hal.science/tel-03116502 https://theses.hal.science/tel-03116502 Mendizabal Andrea 1993-09-10 FR 263497739 https://theses.fr/2020STRAD034 2020STRAD034 https://doi.org/10.70675/d4ea4d09z4b72z4b4cza258z88917fbb2625 2020-12-03 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Cotin Stéphane MADS_DIRECTEUR_DE_THESE_1 081392931 Payan Yohan MADS_PRESIDENT_DU_JURY 069363978 069363978 Chakraborty Souvik MADS_MEMBRE_DU_JURY_1 26349831X Cueto Elias MADS_RAPPORTEUR_1 118661337 Martín Guerrero José David MADS_RAPPORTEUR_2 251168670 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:510 ddc:004 ddc:570 Cotin Stéphane Payan Yohan Chakraborty Souvik Cueto Elias Martín Guerrero José David École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 59640162