Note ABES Amélioration des procédures guidées par fluoroscopie à l'aide d'un réseau de neurones pour le recalage déformable des organes Enhancing fluoroscopy-guided procedures with neural network-based deformable organ registration Recalage déformable Recalage 2D-3D Fluoroscopie Réseaux de Neurones Convolutifs Génération de données synthétiques Deformable registration 2D-3D registration Fluoroscopy Convolutional Neural Networks Synthetic data generation Chirurgie assistée par ordinateur Réseaux neuronaux (informatique) Dans les interventions guidées par fluoroscopie, le manque de contraste empêche la visualisation directe des structures anatomiques essentielles.Les solutions existantes présentent des inconvénients significatifs: l'utilisation de CBCT augmente l'exposition aux radiations,tandis que les agents de contraste présentent des risques de toxicité pour les patients.Les techniques de recalage fluoroscopie-CT pourraient résoudre ces problèmes,mais la littérature existante s'est principalement concentrée sur la compensation du mouvement respiratoire.Or, pendant les interventions, l'action des cliniciens sur les organes est également source de déformations,rendant ces approches de recalage inefficaces.Pour répondre à ces défis, nous présentons une méthode de recalage déformable 2D-3D en temps réel adaptée aux interventions guidées par fluoroscopie.Notre approche par apprentissage profond s'intègre dans la pratique clinique courante, avec un temps d'entraînement minimal après l'acquisition du scanner préopératoire.Grâce à notre processus de génération de données agnostique, le réseau de neurones entraîné est capable de compenser des déformations arbitraires,en exploitant les informations de pose avec son module de rétroprojection 2D-3D.Les expériences sur des images fluoroscopiques simulées ont montré la capacité de notre méthode à apporter une visualisation en temps réel des vaisseaux sans agents de contraste.Sur des images fluoroscopiques réelles, notre méthode permet de compenser le mouvement respiratoire avec une précision médiane de 2,4 mm.Ces résultats démontrent le potentiel de la méthode proposée, établissant une base pour de futurs développements tout en motivant la conduite d'une validation clinique plus aboutie. In fluoroscopy-guided interventions, the lack of contrast prevents direct visualization of essential anatomical structures.Existing solutions have significant drawbacks: the use of CBCT increases radiation exposure, while contrast agents present toxicity risks for patients.Fluoroscopy to CT registration has the potential to alleviate these issues, but existing literature has primarily focused on respiratory motion compensation.Yet, during interventions, clinicians' actions on organs are an additional source of deformation, rendering these registration approaches ineffective.To address these challenges, we present a real-time 2D-3D deformable registration method tailored to fluoroscopy-guided interventions.Our proposed deep learning approach seamlessly integrates into existing clinical workflows, with minimal training time after preoperative CT scan acquisition.Thanks to our novel domain-agnostic data generation framework, the trained neural network can recover arbitrary deformations, leveraging pose information through its 2D-3D feature backprojection module.Experiments on simulated fluoroscopic images demonstrated our method's ability to provide real-time vessel visualization without contrast agents.On real fluoroscopic images, our method compensates for respiratory motion with a median accuracy of 2.4 mm.These results demonstrate the potential of the proposed method, establishing a foundation for future developments while motivating more comprehensive clinical validation. Electronic Thesis or Dissertation Text en PDF 25060520 https://publication-theses.unistra.fr/public/theses_doctorat/2024/LECOMTE-DENIS_Francois_2024_ED269.pdf http://www.theses.fr/2024STRAD062/abes https://theses.hal.science/tel-04989623 https://theses.hal.science/tel-04989623 https://theses.hal.science/tel-04989623 Lecomte-Denis François 1999-02-13 FR 283705582 1508023535S 21504545 4200018 https://theses.fr/2024STRAD062 2024STRAD062 https://doi.org/10.70675/f8a0b6d0za7f5z4238z8005z4d042459634a 2024-12-18 Informatique et Mathématiques Strasbourg 131056549 Doctorat Docteur es non oui Cotin Stéphane MADS_DIRECTEUR_DE_THESE_1 081392931 Dillenseger Jean-Louis MADS_DIRECTEUR_DE_THESE_2 131390155 Ruan Su MADS_PRESIDENT_DU_JURY 103912126 Haouchine Nazim MADS_MEMBRE_DU_JURY_1 186254350 Berger Marie-Odile MADS_RAPPORTEUR_1 075878518 Hu Yipeng MADS_RAPPORTEUR_2 256053081 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:510 Cotin Stéphane Dillenseger Jean-Louis Ruan Su Haouchine Nazim Berger Marie-Odile Hu Yipeng 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 25060520