← Retour aux offres

Segmentation automatique des os du membre inférieur sur imagerie tomodensitométrique

Postée le 13 nov.

Lieu : Laboratoire TIMC-IMAG Grenoble · Contrat : Stage · Rémunération : A négocier

Société : Société TwInsight - Laboratoire TIMC-IMAG

TwInsight est une société spécialisée en modélisation et simulation numérique dans le domaine médical. Elle conçoit des modèles biomécaniques personnalisées ainsi que des outils logiciels de modélisation et de simulation à destination des fabricants de dispositifs médicaux et des cliniciens.

Le laboratoire TIMC-IMAG "Techniques de l’Ingénierie Médicale et de la Complexité - Informatique, Mathématiques, Applications, Grenoble" réunit scientifiques et cliniciens autour de l’utilisation de l’informatique et des mathématiques appliquées pour la compréhension et le contrôle des processus normaux et pathologiques en biologie et santé.

Description du poste

Stratégie d'augmentation de données pour la segmentation automatique des os du membre inférieur sur imagerie tomodensitométrique (CT-Scan) par apprentissage profond.

Contexte

TwInsight et le laboratoire TIMC-IMAG travaillent depuis plusieurs années sur le développement d’un atlas biomécanique d’anatomie fonctionnelle validé du corps humain. A l’heure actuelle, cet atlas modélise l’ensemble de la chaîne musculo-squelettique du membre inférieur (du pied au rachis). Il modélise les structures anatomiques sous forme de surfaces 3D ainsi que leurs propriétés mécaniques, permettant ainsi de réaliser des simulations biomécaniques dynamiques par éléments finis. L'atlas comprend également un ensemble de marqueurs anatomiques permettant de calculer des paramètres cliniques utilisés en routine clinique. La partie fonctionnelle est rendue possible par le pilotage du modèle par activations musculaires.

En parallèle, TwInsight a développé une technologie “d’inférence anatomique” permettant de transférer la connaissance de l’atlas vers un patient cible dont on dispose de la surface des os et de la peau obtenues par segmentation d’images médicales en coupes (CT Scan ou IRM). Cette technique permet de créer rapidement un nouveau modèle biomécanique patient-spécifique héritant des tissus mous, des propriétés biomécaniques et des marqueurs de l’atlas.

Ces modèles biomécaniques patient-spécifiques (appelés également “patients virtuels” ou “jumeaux numériques”) permettront à terme de proposer au clinicien :
Un outil d’aide au diagnostic des pathologies du membre inférieur par le calcul automatique et reproductible de paramètres morphométriques à partir d'imagerie tomodensitométrique (CT-Scan).
Un outil de planification chirurgical permettant de simuler de manière pré-opératoire la pose de prothèse et d’étudier l’impact de cette intervention sur l'appareil locomoteur du patient, et notamment sur la balance ligamentaire, ce que ne permettent pas les outils de planification actuels.
Le moyen d’explorer des hypothèses thérapeutiques sur le jumeau numérique du patient et ainsi d’être conforme au précepte “jamais la première fois sur le patient”.

Afin que ces applications soient exploitables par les praticiens, le clone virtuel du patient doit pouvoir être construit rapidement et de la manière la plus fidèle possible au patient.

Le verrou technologique actuel réside dans le passage de l’imagerie en coupes, exploitée en routine par les cliniciens, vers un modèle numérique 3D des structures du patient. Pour ce faire, une procédure appelée ”segmentation”, fort complexe et chronophage, est une étape incontournable.

La segmentation automatique d’images biomédicales a bénéficié des récentes avancées dans le domaine de l’apprentissage profond (Deep Learning) notamment avec les développement du réseau de neurone à convolution “U-Net”.

Toutefois, ces techniques se heurtent souvent à la rareté des données labellisée disponibles dans la domaine biomédical. une des méthodes les plus utilisées pour répondre à ce problème est l'augmentation de données (Data Augmentation) qui consiste en une augmentation artificielle du jeu de données par transformation des images.

Objectif

Pour répondre à cette problématique, l’objectif de ce stage est
d’explorer des approches basées sur l’apprentissage profond à l’aide de réseau de neurones à convolution (type “U-Net”) afin de segmenter automatiquement les os dans les images tomodensitométriques
de proposer une stratégie d’augmentation de données pour la segmentation automatiques des os du membre inférieur à partie d’images TDM (Ct-Scan) basée sur
un atlas statistique de forme des os du membre inférieur construit à partir des images labellisées
des simulations biomécaniques.
Le stagiaire aura à sa disposition un jeu de données composé de 30 à 50 images CT-Scan labellisées.
Ce stage s'inscrit dans un projet de collaboration entre la société TwInsight, la laboratoire TIMC-IMAG (UGA) et le CIC-IT (CHUGA). Le stagiaire sera amené à travailler avec un interne en chirurgie orthopédique dont le travail consistera
à corréler les indices cliniques calculés automatiquement avec certaines pathologies du membres inférieurs
à définir de nouveaux indices cliniques à partir des modes de déformations de l’atlas statistique de forme.

Résultats attendus

Les résultats attendus sont les suivants :

Un état de l’art bibliographique des techniques de segmentation osseuses automatique sur images tomodensitométriques (CT-Scan)
Développement d’un atlas statistique de forme à partir des images segmentées
Développement d’une méthode d’apprentissage profond basée sur un réseau de neurone convolutionnel (U-Net) avec une stratégie d'augmentation de données basée sur un atlas statistique de forme et des simulation biomécaniques.

Profil recherché

Python
C++
Machine Learning
Des notions en modélisation et simulation numérique serait un plus
Autonomie et curiosité

Voir le fichier joint

Pour postuler :

TwInsight : mathieu.bailet@twinsight-medical.com
TIMC-IMAG : yohan.payan@univ-grenoble-alpes.fr