Optimisation des trajectoires de multiples outils chirurgicaux à l’aide de l’apprentissage profond pour la chirurgie percutanée et la SEEG
Langue Anglais
Accéder à la thèse :

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

Modalités de diffusion de la thèse :
  • Thèse confidentielle jusqu'au 04/07/2025.
 
Auteur : Pantović, Anja
Date de soutenance : 04-07-2024

Directeur(s) de thèse : Essert, Caroline

Président : Haegelen, Claire
Rapporteur(s) : Lončar-Turukalo, Tatjana - Jannin, Pierre
Membre(s) du jury : Ollivier, Irène - Mukhopadhyay, Anirban

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, Médecine et santé

Mots-clés libres : Planification des trajectoires, Segmentation, Apprentissage profond, Apprentissage par renforcement, Stéréoélectroencéphalographie, Stimulation cérébrale profonde, Épilepsie, Maladie de Parkinson, Neurochirurgie
Mots-clés :
  • Chirurgie assistée par ordinateur
  • Apprentissage profond
  • Neurochirurgie
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD023
Type de ressource : Thèse