Contexte

L’intervention endovasculaire est devenue la référence thérapeutique d’un grand nombre de pathologies, telles que l’accident vasculaire cérébral, la sténose ou l’anévrisme. Il s’agit d’une technique mini- invasive qui consiste à faire naviguer un dispositif au sein des structures vasculaires jusqu’à la lésion avant d’être déployé. Une planification minutieuse, basée sur l’imagerie 3D préopératoire (CT ou IRM), est cruciale pour le succès de l’intervention.

En phase opératoire, la navigation est réalisée au moyen de cathéters et guides souples manipulés par le praticien à l’aide de l’imagerie interventionnelle. Le plus souvent, ces images per-opératoires ont la forme d’une séquence temporelle d’images 2D rayons X (fluoroscopiques), sur laquelle certaines structures vasculaires ne peuvent pas être correctement distinguées sans produit de contraste. Enrichir cette séquence avec des informations provenant des images pré-operatoires pour assister le clinicien en temps réel en salle d’intervention s’avère donc nécessaire.

Historiquement, le CT a été la modalité de référence pour la planification de l’intervention. Dans ce contexte, le Laboratoire Traitement du Signal et de l’Image (LTSI) a déjà développé des méthodes de fusion entre des CT pre-opératoires et des images fluoroscopiques acquises pendant l’intervention [1]. Cependant, l’IRM est de plus en plus utilisée pour le diagnostic de pathologies vasculaires [2]. Intégrer les informations issues de cette modalité dans la chaîne de traitement constitue donc un enjeu majeur.

Objectifs

L’objectif de cette thèse est de développer une méthode automatique de fusion IRM-images fluoroscopiques pour aider à la planification et assister le praticien lors des interventions endovasculaires. Elle pourra être basée sur des techniques d’IA existantes pour la génération de CTs synthétiques à partir d’IRM [3] et/ou sur les trajectoires des dispositifs observées sur les images préopératoires [4].

Cette thèse s’inscrit dans le projet TEVA-IA, porté par la société rennaise Therenva et qui a pour ambition globale de proposer de solutions de planification et assistance aux interventions endovasculaires fondées sur l’intelligence artificielle (IA). La méthode de recalage 3D-2D développée par le doctorant sera donc intégrée dans une nouvelle version du logiciel EndoNaut, créé par Therenva, afin d’ouvrir de nouvelles possibilités de planification et d’aide à la navigation.

Profil recherché

Diplômé de Master 2 ou ingénieur intéressé par la recherche biomédicale et avec des compétences en traitement d’images, vision par ordinateur, machine/deep learning et programmation.

Contacts

Pascal HAIGRON (Professeur au LTSI), pascal.haigron@univ-rennes.fr
Carlos SOSA MARRERO (Maître de conférences au LTSI), carlos.sosa@univ-rennes.fr

Localisation/date de début/durée

LTSI Inserm U1099 (Rennes, Campus de Beaulieu) / septembre 2024 / 3 ans.

Références

[1] Dumenil A. et al., “A Versatile Intensity-Based 3d/2d Rigid Registration Compatible with Mobile C- Arm for Endovascular Treatment of Abdominal Aortic Aneurysm”, Int. J Comp. Assist. Radiol. Surg., https://doi.org/10.1007/s11548-016-1416-1, 2016
[2] de Turenne A. et al., “Cascaded U-net for segmentation of endovascular paths in mechanical thrombectomy”, in SPIE Medical Imaging. isbn : 978-1-5106-4943-9 978-1-5106-4944-6, 2022.

[3] Texier B. et al., “Computed tomography synthesis from magnetic resonance imaging using cycle Generative Adversarial Networks with multicenter learning”, Phys. Imaging Radiat. Oncol., https://doi.org/10.1016/j.phro.2023.100511., 2023
[4] de Turenne A. et al., “Catheter navigation support for mechanical thrombectomy guidance: 3D/2D multimodal catheter-based registration with no contrast dye fluoroscopy”, Int. J Comp. Assist. Radiol. Surg. https://doi.org/10.1007/s11548-023-03034-6, 2023