Thèse Recalage Irm - Optique pour la Neuro-Chirurgie H/F - Doctorat.Gouv.Fr

Établissement : INSA Lyon École doctorale : EEA - Electronique, Electrotechnique, Automatique de Lyon Laboratoire de recherche : CREATIS - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé Direction de la thèse : Michaël SDIKA ORCID 0000000231296874 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-04-30T23:59:59 Pour la résection des tumeurs cérébrales, il est très important de pouvoir localiser précisément et de manière robuste les différentes aires corticales afin d'éviter toute séquelle. Pour cela, nous devons mettre en correspondance une IRM 3D pre opératoire du cerveau avec une image RGB 2D prise pendant l'opération après craniectomie. Le but de ce projet est de mettre au point une méthode réalisant cette tâche de manière robuste et précise. Pour cela nous nous appuierons sur des approches par apprentissage profond qui ont démontré leur faculté à produire des algorithmes robustes. Le recalage 2D/3D est en soit un problème difficile. Les autres difficultés de ce projet sont dues à la faible quantité de données disponibles pour réaliser l'apprentissage et la difficulté à obtenir des annotations précises pour la supervision. L'imagerie par résonance magnétique (IRM) préopératoire est essentielle pour le diagnostic des tumeurs cérébrales et la planification chirurgicale [4]. La craniotomie, étape nécessaire en neurochirurgie, provoque un déplacement cérébral (*brain shift*), compromettant significativement la précision de la neuronavigation pour la localisation des fonctions cérébrales et des lésions [4].
L'imagerie optique peropératoire offre une approche prometteuse pour évaluer les informations fonctionnelles, métaboliques et morphologiques des tissus cérébraux pendant la neurochirurgie. Par exemple, l'activité cérébrale peut être surveillée à l'aide de caméras couleur ou hyperspectrales en quantifiant l'oxygénation de l'hémoglobine et l'oxydation du cytochrome-c-oxydase dans le cortex cérébral [4]-[5]. L'analyse du spectre de réflexion avec des techniques d'apprentissage automatique peut également servir à identifier les tumeurs cérébrales [6], [7]. Pour valider ces mesures tissulaires, une comparaison avec les modalités d'imagerie préopératoire est cruciale. Une comparaison précise avec les acquisitions IRM préopératoires nécessite le développement de techniques de recalage robustes pour gérer le déplacement cérébral et les autres déformations induites par la chirurgie.
Dans la littérature et les systèmes commerciaux, la comparaison entre les mesures optiques et l'IRM préopératoire est réalisée à l'aide d'une procédure de recalage basée sur des repères anatomiques [4], [8]. Ces « repères » désignent des emplacements identiques dans les images optiques et les volumes IRM, et sont obtenus grâce à des systèmes de neuronavigation clinique. Cette approche présente deux inconvénients majeurs :
1. Elle nécessite l'intervention du neurochirurgien avec un outil de neuronavigation, ce qui allonge la durée de l'opération.
2. Les emplacements indiqués par les outils de neuronavigation sont imprécis. Pour certains patients, des écarts de 2 cm ont été observés entre les points identifiés par l'outil de neuronavigation et ceux validés par le neurochirurgien.

Récemment, Villa et al. ont proposé une nouvelle technique pour enregistrer les images hyperspectrales sur l'IRM [9]. Cette technique repose sur l'utilisation d'un système multimodal pendant la neurochirurgie, composé d'une caméra RGB-profondeur et d'une caméra hyperspectrale. Cette technique est précise mais présente l'inconvénient majeur d'ajouter un dispositif dédié en salle d'opération, ce qui modifie la routine clinique. De plus, le déplacement du système optique pendant la phase de calibration pourrait compromettre la zone stérile du bloc opératoire ou prolonger l'intervention. Enfin, le visage du patient peut ne pas être accessible pour les patients sous anesthésie générale.
Fehrentz et al. ont proposé une approche pour recaler les images optiques peropératoires avec les volumes IRM basée sur le *rendering* neuronal inverse multimodal [10]. Cette technique utilise des *neural radiance fields* (NERF) [11], capables de simuler l'apparence d'une scène 3D sous différents angles de vue à partir de l'IRM. On peut ensuite entrainer un réseau entrainé à recaler les images synthétiques généré à partir de l'IRM avec les vrais images optique. Les auteurs ont ensuite validés leur méthode sur cinq cas cliniques, avec une erreur de recalage inférieure à celle de la technique basée sur les repères mais supérieure à la méthode proposée par Villa et al. [9]

Le problème de recalage au coeur du sujet de cette thèse est particulièrement difficile du fait de l'hétérogénéité des modalités (IRM 3D vs. images optiques 2D hyperspectrales ou RGB). Il faudra aligner des données aux résolutions et contrastes radicalement différents mais également, certaines structures sont visible sur l'une des images et pas l'autre. Les bases de données cliniques sont limitées en taille et en diversité (peu de paires IRM/images optiques alignées). La variabilité anatomique et pathologique entre patients rend difficile la généralisation des modèles. L'objectif de la thèse est de proposer une méthode de recalage entre une IRM de cerveau pre-opératoire 3D et une image optique per-opératoire 2D. La méthode proposée est destinée à être utilisé dans la salle d'opération, elle devra respecter des contraintes spécifiques notamment en terme de robustesse et de temps de calcul.

Nous nous baserons sur des approche par apprentissage profond qui ont montré leur intérêt à la fois en terme de robustesse et de précision pour le recalage d'images médicales.

Master 2 / Ingénieur en analyse et traitement du signal ou apprentissage / IA ou mathématiques appliquées.
Compétences en programmation Python et librairies d'apprentissage profond.
Intérêt pour le domaine biomédical.