Synthèse d'images tomodensitométriques à partir d'IRM par des réseaux adverses génératifs pour le recalage 3D/2D de la colonne vertébrale

L'information structurelle tridimensionnelle apporte une aide précieuse aux procédures or-thopédiques qui, le plus souvent, n'ont à portée de main que des modalités d'imagerie bi-dimensionnelles pour se guider. Non seulement cela aide-t-il à améliorer la précision des manoeuvres, mais cela permet aussi, dans plusieurs cas, de rendre les procédures moins in-vasives. La modalité d'imagerie bidimensionnelle sur laquelle se concentre ce mémoire est la fluoroscopie de bras en C. Celle-ci est très répandue dans les salles opératoires et permet une acquisition rapide et versatile pour guider les procédure orthopédiques. Cette modalité est le plus souvent fusionnée avec la tomodensitométrie par un recalage 2D/3D. Ces deux modalités reposent sur le principe d'absorption de rayons X, ce qui fait que l'on retrouve des similarités dans la géométrie et dans les intensités d'une modalité à l'autre. Cela simplifie le problème. Toutefois, la tomodensitométrie n'o˙re pas les meilleurs contrastes pour visualiser les organes, les nerfs et les tissus mous ; d'autant plus qu'elle cause une irradiation non né-gligeable au patient. En revanche, l'IRM se prête mieux à la visualisation des organes et des tissus mous. Elle a aussi l'avantage de ne pas irradier le patient. Le contraste de celle-ci est très di˙érent de la tomodensitométrie, surtout au niveau de la colonne vertébrale ; ce qui rend le problème de recalage 2D/3D avec la fluoroscopie de bras en C plus diÿcile. Les dernières avancées en apprentissage profond montrent des résultats très prometteurs pour la tache de translation d'image. Ceci est applicable à la génération de tomodensitométrie synthétique à partir d'IRM pour un recalage 2D/3D subséquent. Nous proposons une méthode de recalage 2D/3D par Digitally Reconstructed Radiograph (DRR) entre l'imagerie par résonance magnétique et la fluoroscopie de bras en C, basée sur la synthèse de tomodensitométrie par des méthodes d'apprentissage profond. En premier lieu, nous explorons plusieurs architectures de réseaux adverses génératifs. Ces architectures-là ont montré d'impressionnants résultats pour la translation d'images non médicales. Nous expérimentons avec un ensemble de données public constitué de 18 volumes d'IRM et de CT. Nous constatons que l'architecture CycleGAN généralise mieux à des données non-observées que l'architecture cGAN, et que celle-ci tend à sur-apprendre. Nous introduisons aussi deux nouvelles composantes à l'architecture CycleGAN pour améliorer la résolution tridimension-nelle ainsi que la distribution des intensités pour les CT synthétiques. Enfin, nous e˙ectuons un recalage 2D/3D par DRR en utilisant les tomodensitométries synthétiques, avec une er-reur de recalage de 2.1 ± 0.2mm pour valider notre méthode. La méthode proposée, de par ses composantes que par son application, présente un fort potentiel tant pour la synthèse d'images médicales que pour le recalage multimodal.