Reconstruction 3D automatique de la colonne vertébrale à partir de radiographies bi-planaires EOS

Aubert, Benjamin (2020). Reconstruction 3D automatique de la colonne vertébrale à partir de radiographies bi-planaires EOS. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (32MB) | Prévisualisation

Résumé

La modélisation tridimensionnelle (3D) de la colonne vertébrale permet une meilleure compréhension et une quantification des déformations rachidiennes, particulièrement pour la scoliose qui présente des déformations 3D du rachis et du tronc. Des algorithmes de reconstruction 3D depuis deux radiographies bi-planaires calibrées (frontale et latérale) sont d’ores et déjà mis en oeuvre et permettent d’extraire des paramètres cliniques 3D/2D précis depuis les modèles 3D reconstruits. Cependant leur utilisation en routine clinique est freinée par le temps de reconstruction jugé trop élevé (de 10 à 40 minutes), et les manipulations requises pour l’ajustement des modèles dans les images sont complexes et très subjectives. Dans ce projet de doctorat, nous utilisons des algorithmes d’apprentissage automatique et de traitement d’image afin de proposer une reconstruction 3D du rachis tout automatique.

Tout d’abord, une détection globale du rachis est réalisée grâce à la combinaison d’un modèle déformable de colonne (composé de 23 vertèbres allant du niveau C2 au plateau sacré), et des réseaux neuronaux à convolution (CNN). Le modèle déformable de colonne, basé sur une analyse en composante principale, permet de générer des modèles 3D réalistes de vertèbres depuis très peu d’information identifiée dans les images. Le modèle statistique et les CNNs ont été entrainés à partir d’une base de données contenant 799 patients atteints de scoliose idiopathique de l’adolescent (SIA) ainsi que 553 patients adultes (dont 65% atteints de scoliose, 3% avaient des déformations dégénératives et 32% était sans pathologie). Les positions des centres des corps vertébraux détectées par CNN servent à déformer graduellement le modèle déformable de colonne dans les images. Le modèle a également un rôle de régularisation statistique de la position des points en utilisant ses modes de déformations admissibles. Une phase de recalage 3D/2D raffine ensuite localement les premiers estimés des modèles 3D. Le recalage intègre une étape de traduction d’image à image utilisant des réseaux antagonistes génératifs afin de convertir l’image radiographique originale vers le même domaine que l’image virtuelle générée depuis les modèles 3D, ce qui permet une mise en correspondance robuste des images sources et cibles dans le recalage.

Une évaluation sur 60 patients a été conduite pour la validation de la méthode. La base de données contient 40 patients SIA (âge moyen de 14 ans, angles de Cobb compris entre [32° - 102°]), et 20 patients adultes scoliotiques (âge moyen de 40 ans, angles de Cobb compris entre [13° - 56°]). Les comparaisons entre la reconstruction automatique et une référence « bronze standard », construite depuis les reconstructions de trois experts différents, ont révélé des erreurs moyennes de 1.7 mm et 1.3 mm respectivement pour la localisation 3D des pédicules et des milieux des plateaux. Pour les paramètres cliniques extraits des reconstructions 3D (six paramètres de cyphoses/lordoses, trois paramètres d’angle de Cobb et de rotation vertébrale axiale, cinq paramètres pelviens, et sept paramètres d’alignements), le taux de succès (pourcentage de mesures automatiques directement utilisable en clinique, i.e. dont l’erreur est comprise dans l’intervalle de confiance des experts) est de 82% et 84% respectivement pour les adultes et les SIA. Par exemple, la méthode automatique fournit l’angle de Cobb thoracique avec une erreur moyenne de 0.8 ± 2.9° (SIA) par rapport aux experts. Le temps de calcul (1’30” en moyenne pour la colonne complète) est négligeable pour le clinicien, puisque la modélisation 3D peut être démarrée sans intervention humaine à chaque nouvelle acquisition.

La méthode développée va considérablement diminuer la supervision et le temps nécessaire pour effectuer la reconstruction 3D du rachis afin d’aider à démocratiser son utilisation en routine clinique.

Titre traduit

Automated 3D spine reconstruction from EOS biplanar radiographs

Résumé traduit

Three-dimensional (3D) modeling of the spine from postero-anterior (PA) and lateral (LAT) biplanar calibrated radiographs represents a useful tool for surgeons and clinicians. It provides accurate spine and pelvis 3D-2D clinical parameters used for patient diagnosis and follow-up. However, an accurate 3D modeling process involves numerous time-consuming user interventions (between 10 to 40 min.) that hinders its use in clinical routine. Therefore, the process still requires improvements in order to reduce both user supervision and reconstruction time. In this thesis, machine learning and image processing algorithms were used to develop a fully automated 3D spine reconstruction method.

As a first step, a global spine and pelvis detection method in biplanar radiographs is proposed using a combination of a statistical spine model (SSM) (based on principal components analysis and composed of 23 vertebrae, spanning from C2 level to sacral endplate), and point detections based on convolutional neural networks (CNN). The SSM can predict realistic 3D vertebra models from a few information identificated in radiographs. The training database includes 799 adolescent idiopathic scoliosis (AIS) patients as well as 553 adults (65% had a scoliosis diagnosis, 3% had a degenerative spine and 32% were without pathologies). The vertebral body center locations detected using CNN are used to gradually deform the SSM in images. The SSM also serves to regularize the location of the points using statistically admissible deformation modes. A step of 3D/2D registration then locally refines the first estimate of the 3D models to increase their shape accuracy. The registration includes a prior step of image-to-image translation based on generative adversarial network in order to convert the original X-ray image into the same image domain of virtual X-ray generated from the 3D model. This process improves the similarity level between both image and allowed a robust image-image matching.

For the method validation, the test set includes 60 patients, 40 AIS patients (mean age 14 year old, Cobb angle range [32° - 102°]) and 20 adult patients (mean age 40 year old, Cobb angle range [13° - 56°]). The automated 3D reconstructions are compared to reference reconstructions, build as “bronze standards”, which are generated from the 3D reconstructions made by three different experts. The mean 3D localization error of anatomical landmarks were 1.7 mm and 1.3 mm, for the pedicles and the middle of vertebral endplates, respectively. For the clinical parameters extracted from the 3D modeling (six parameters of kyphosis/lordosis, three Cobb angles and linked axial vertebral rotations, five pelvis parameters and seven alignment parameters), the automated algorithm success (rate of clinical measurement directly useable in clinics, i.e. with errors falling in the expert confidence interval) were 82% and 84%, for adults and AIS patients, respectively. For instance, the main Cobb angle mean error is 0.8 ± 2.9° (for AIS). The computation time (1’30” on average for the whole spine) is negligible for the clinician since the 3D modeling may be started each time an X-ray is taken thanks to the proposed 3D modeling, which is designed to be launched automatically.

The proposed automated 3D spine reconstruction method, reducing both the user supervision and the modeling time, should help the dissemination and adoption of 3D measurements in clinical routine.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 271-289).
Mots-clés libres:	reconstruction 3D, colonne vertébrale, stéréoradiographie EOS, recalage 3D/2D, apprentissage automatique
Directeur de mémoire/thèse:	Directeur de mémoire/thèse de Guise, Jacques A.
Codirecteur:	Codirecteur Vázquez, Carlos
Programme:	Doctorat en génie > Génie
Date de dépôt:	30 sept. 2021 17:46
Dernière modification:	02 nov. 2022 13:54
URI:	https://espace.etsmtl.ca/id/eprint/2716

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt