Note ABES Data-driven computational biomechanics using deep neural networks : application to augmented surgery Biomécanique computationnelle pilotée par les données à l'aide de réseaux neuronaux profonds : application à la chirurgie augmentée Méthode aux éléments finis Apprentissage profond Solveur differentiable Recalage de forme Contrôle optimal Finite element method Deep learning Differentiable solver Non-rigid registration Optimal control 006.3 Chirurgie assistée par ordinateur Réseaux neuronaux (informatique) Apprentissage profond Cette thèse aborde le problème de la simulation des tissus mous pour les applications de réalité augmentée dans l'assistance à la chirurgie du foie.En particulier, nous mettons en œuvre un pipeline de recalage non rigide pour générer des déformations interactives d'une représentation virtuelle du foie des patients.Les méthodes traditionnelles de calcul de déformations réalistes ne peuvent pas fonctionner à une fréquence interactive (60 images par seconde) avec des données spécifiques au patient.Récemment, des chercheurs ont utilisé des réseaux neuronaux artificiels pour calculer des déformations réalistes d'objets virtuels similaires en deux millisecondes avec précision et une relative stabilité.Nous proposons d'utiliser une approche similaire, utilisant cependant une architecture de réseau neuronal artificiel différente offrant une précision égale tout en étant dix fois plus rapide.Avec cette proposition, nous présentons également une nouvelle méthode pour générer un ensemble de données qui minimise les entrées de l'utilisateur tout en maintenant le contrôle sur le contenu grâce à une analyse des propriétés mécaniques de l'objet.En outre, nous montrons qu'il est possible d'améliorer la fiabilité du réseau neuronal artificiel en utilisant sa prédiction comme initialisation de l'algorithme de Newton-Rapshon utilisé par les méthodes traditionnelles.A l'aide de nos contributions précédentes, nous construisons un pipeline de recalage non rigide en utilisant le cadre du contrôle optimal et l'algorithme de rétropropagation.Ce pipeline effectue le calcul plusieurs ordres de grandeur plus rapidement que les méthodes traditionnelles au prix d'un bruit de reconstruction de contrôle.Enfin, nous construisons un second pipeline de recalage non rigide en mettant en œuvre un moteurphysique de corps mou entièrement différentiable qui est plus lent que les réseaux neuronaux artificiels mais plus flexible dans le type de contrôles, fiable et précis. This thesis addresses the problem of soft tissue simulation for augmented reality applications in liver surgery assistance.In particular, we are implementing a non-rigid registration pipeline to generate interactive deformations of a patient-specific liver virtual representation.Traditional methods to compute realistic deformations cannot run at an interactive framerate (60 frames per second) with patient-specific data. Recently, researchers have used artificial neural networks to compute realistic deformations of resembling virtual objects in two milliseconds with accuracy and a relative stability.We propose using a similar approach but with a different artificial neural network architecture having equal precision while being ten times faster.With this proposition, we also present a new method to generate a dataset that minimizes user inputs but maintains control over the content using an analysis of the mechanical properties of the object.Furthermore, we show that it is possible to improve the reliability of the artificial neural network byusing its prediction as the initialization of the Newton-Rapshon algorithm used by the traditional methods.Using our previous contributions, we build a non-rigid registration pipeline using the optimal control framework and the backpropagation algorithm.This pipeline performs the computation multiple orders of magnitude faster than traditional methods at the cost of control reconstruction noise.Finally, we build a second non-rigid registration pipeline by implementing a fully differentiable soft-body physics engine that is slower than artificial neural networks but more flexible in the type of controls, reliable and precise. Electronic Thesis or Dissertation Text en PDF 11167476 Université de Strasbourg Strasbourg 2024-12-31 https://theses.hal.science/tel-04644033 application/pdf 11134574 https://publication-theses.unistra.fr/public/theses_doctorat/2023/ODOT_Alban_2023_ED269.pdf http://www.theses.fr/2023STRAD070/abes https://theses.hal.science/tel-04644033 https://theses.hal.science/tel-04644033 Odot Alban 1994-09-15 FR 279325894 1105024942T 21928326 4200018 https://theses.fr/2023STRAD070 2023STRAD070 https://doi.org/10.70675/ec57c07cz00a7z440bz8974z5fded7940a00 2023-11-07 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Cotin Stéphane MADS_DIRECTEUR_DE_THESE_1 081392931 Bordas Stéphane Pierre Alain MADS_MEMBRE_DU_JURY_1 175899959 Zara Florence MADS_MEMBRE_DU_JURY_2 077050231 Marchal Maud MADS_RAPPORTEUR_1 230381383 Dequidt Jérémie MADS_RAPPORTEUR_2 098790900 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Cotin Stéphane Bordas Stéphane Pierre Alain Zara Florence Marchal Maud Dequidt Jérémie 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 11167476