Direction de recherche : Isabelle BLOCH
Co-encadrement : Quentin FRANÇOIS

Méthodes d’Incertitude pour la Neurochirurgie Microrobotique: Localization d’Implants et Recalage Déformable Multi-modal

Pour dépasser les limites des robots médicaux actuels, restreints à des trajectoires unidimensionnelles, la société Robeauté développe un microrobot capable de réaliser une neuronavigation tridimensionnelle autonome. Ce microrobot s’intègre dans une chaine de localisation interne composée de plusieurs étapes. Sa position tridimensionnelle en temps réel est obtenue par un système de suivi ultrasonore, tandis que la tomodensitométrie (CT) et l’imagerie par résonance magnétique (IRM) préopératoires fournissent, respectivement, la géométrie crânienne et l’anatomie fine. Comme les distorsions non linéaires de l’IRM ne sont pas négligeables à l’échelle du microrobot, le volume IRM est recalé de manière non rigide sur le volume CT, qui sert de référence sans distorsion. Une localisation précise de l’implant, basée sur les centres d’émission des émetteurs ultrasonores, est ensuite requise afin d’inscrire le système de coordonnées du suivi dans le repère CT, avec une incertitude inférieure à 1 mm pour respecter les marges de sécurité stéréotaxiques. De plus, une méthode d’estimation de l’erreur de recalage en chaque voxel (REE) est nécessaire, avec une précision attendue inférieure à 25%.

Aucune méthode existante ne satisfaisant simultanément ces exigences de précision, de modalité et de résolution, nous avons développé des approches manuelles et semi-automatiques pour mesurer l’erreur de recalage et la localisation de l’implant dans des tests précliniques. Sur cette base, une méthode d’estimation d’erreur en deux étapes a été proposée. Premièrement, un modèle U-Net de régression, entrainé avec des déformations B-spline synthétiques, prédit l’erreur voxel par voxel pour le recalage mono-modal. Deuxièmement, un modèle génératif synthétise un volume pseudo-CT à partir de l’IRM, permettant l’estimation de l’erreur entre le pseudo-CT et le CT réel, et étendant ainsi l’approche au recalage multi-modal. Cette méthode génère des cartes d’erreur voxel par voxel pour le recalage non linéaire multi-modal, avec une erreur moyenne inférieure à 10%.

Pour la localisation de l’implant, une détection automatique basée sur YOLO et une reconstruction tridimensionnelle des centres d’émission permettent une erreur absolue inférieure à 1 mm. Les perspectives concernent le renforcement de la robustesse du modèle multi-modal et l’extension vers des réseaux tridimensionnels pour des applications cliniques humaines.

Soutenance : 27/10/2025 - 14h - Campus Pierre et Marie Curie, salle Jacques Pitrat (25-26/105)

Membres du jury :

Olivier STRAUSS, Professeur des universités, LIRMM, Montpellier [Rapporteur]
Vincent NOBLET, Ingénieur de recherche HDR, ICube, Strasbourg [Rapporteur]
Jocelyne TROCCAZ, Directrice de recherche, CNRS, TIMC, Grenoble
Sébastien Destercke, Directeur de recherche, HEUDIASYC, Compiègne
Sinan HALIYO, Professeur des université, ISIR, Paris
Isabelle BLOCH, Professeure des universités, LIP6
Quentin FRANÇOIS, PhD, Robeauté

Publications 2023-2024

• 2024
  • L. Nascimento, Q. François, B. Duplat, S. Haliyo, I. Bloch : “Estimation de l’erreur de recalage entre des données IRM du cerveau par un U-Net de régression”, Colloque Français d'intélligence Artificielle en Imagerie Biomédicale, Grenoble, France (2024)
• 2023
  • L. Nascimento, Q. François, B. Duplat, S. Haliyo, I. Bloch : “Estimating the registration error of MRI brain data based on regression U-Net”, ORASIS 2023, Carqueiranne, France (2023)