Note ABES Optimizing SEEG Interventions : a deep learning approach for automated electrode placement and localisation Optimisation des trajectoires de multiples outils chirurgicaux à l’aide de l’apprentissage profond pour la chirurgie percutanée et la SEEG Planification des trajectoires Segmentation Apprentissage profond Apprentissage par renforcement Stéréoélectroencéphalographie Stimulation cérébrale profonde Épilepsie Maladie de Parkinson Neurochirurgie Path planning Segmentation Deep learning Reinforcement learning Stereoelectroencephalograph Deep brain stimulation Epilepsy Parkinson's disease Neurosurgery 006 617.4 Chirurgie assistée par ordinateur Apprentissage profond Neurochirurgie Dans cette thèse, nous développons des méthodes computationnelles pour améliorer la planification préopératoire et l'évaluation postopératoire dans les procédures de stéréoélectroencéphalographie (SEEG) et de stimulation cérébrale profonde (deep brain stimulation, DBS). Ces neurochirurgies mini-invasives sont cruciales pour diagnostiquer et traiter des troubles neurologiques tels que l'épilepsie et la maladie de Parkinson, nécessitant une grande précision pour garantir des résultats réussis et la sécurité des patients.Dans le domaine de la planification préopératoire, la thèse introduit une approche d'apprentissage par renforcement profond (deep reinforcement learning, DRL) pour automatiser la planification des trajectoires pour le placement des électrodes. En commençant par la planification des électrodes uniques pour la DBS, la méthode est étendue au scénario plus complexe de la planification des multi-électrodes pour la SEEG. Les méthodes basées sur le DRL démontrent une meilleure précision et efficacité par rapport aux techniques de planification manuelle traditionnelle, validées par des études rétrospectives.Pour l'évaluation postopératoire, la recherche développe des techniques d'apprentissage profond pour améliorer la segmentation des électrodes dans les images CT post-opératoires. En adaptant et intégrant des modèles U-Net 2D et 3D, les méthodes proposées améliorent la précision de la localisation des contacts des électrodes, ce qui est crucial pour corréler les signaux enregistrés avec des régions spécifiques du cerveau et planifier les interventions chirurgicales ultérieures.La thèse aborde également le défi de la rareté des données en imagerie médicale en proposant des méthodes pour générer des données d'entraînement synthétiques. Cette approche élargit les ensembles de données disponibles pour l'entraînement, conduisant à des modèles d'apprentissage profond plus robustes et généralisables, augmentant ainsi la précision de la segmentation des électrodes.Dans l'ensemble, les contributions de cette thèse visent à améliorer la précision et la sécurité des procédures SEEG et DBS, avec le potentiel de fournir aux cliniciens des outils fiables pour la planification et l'évaluation chirurgicales. This thesis focuses on developing advanced computational methods to improve preoperative planning and postoperative assessment in stereoelectroencephalography (SEEG) and deep brain stimulation (DBS) procedures. These minimally invasive neurosurgeries are critical for diagnosing and treating neurological disorders such as epilepsy and Parkinson's disease, requiring high precision to ensure successful outcomes and patient safety.In the realm of preoperative planning, the thesis introduces a deep reinforcement learning (DRL) approach to automate the trajectory planning for electrode placement. Starting with single-electrode planning for DBS, the method is extended to the more complex scenario of multi-electrode planning for SEEG. The DRL-based methods demonstrate improved accuracy and efficiency compared to traditional manual planning techniques, validated through retrospective studies.For postoperative assessment, the research develops deep learning techniques to enhance the segmentation of electrodes in post-operative CT scans. By adapting and integrating 2D and 3D U-Net models, the proposed methods improve the accuracy of electrode contact localization, which is crucial for correlating recorded signals with specific brain regions and planning subsequent surgical interventions.The thesis also addresses the challenge of data scarcity in medical imaging by proposing methods to generate synthetic training data. This approach expands the available training datasets, leading to more robust and generalizable deep learning models, increasing the electordes segmentation accuracy.Overall, the contributions of this thesis aim to enhance the precision and safety of SEEG and DBS procedures, with a potential of providing clinicians with reliable tools for surgical planning and assessment. Electronic Thesis or Dissertation Text en PDF 58922398 application/pdf 162725481 https://publication-theses.unistra.fr/public/theses_doctorat/2024/PANTOVIC_Anja_2024_ED269.pdf http://www.theses.fr/2024STRAD023/abes Pantović Anja 1997-03-15 FR 274155311 086OOT00DV5 22022412 4200018 https://theses.fr/2024STRAD023 2024STRAD023 https://doi.org/10.70675/cc23d73ez5955z439azbd70zd920ff441410 2024-07-04 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Essert Caroline MADS_DIRECTEUR_DE_THESE_1 067239773 Haegelen Claire MADS_PRESIDENT_DU_JURY 113525958 Ollivier Irène MADS_MEMBRE_DU_JURY_1 219925194 Mukhopadhyay Anirban MADS_MEMBRE_DU_JURY_2 278735207 Lončar-Turukalo Tatjana MADS_RAPPORTEUR_1 28254657X Jannin Pierre MADS_RAPPORTEUR_2 116295848 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 ddc:610 Essert Caroline Haegelen Claire Ollivier Irène Mukhopadhyay Anirban Lončar-Turukalo Tatjana Jannin Pierre 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 58922398 confidentialité 2024-07-04 2027-07-04 confidentialité 2024-07-04 2027-07-04 confidentialité 2024-07-04 2027-07-04 confidentialité 2024-07-04 2027-07-04