Université de Rennes 1 Reconstruction échographique 3D pour l'assistance aux procédures endovasculaires des artériopathies oblitérantes des membres inférieurs 3D ultrasound reconstruction for assistance in endovascular procedures of peripheral artery disease Artériopathie oblitérante des membres inférieursÉchographie à main levéePlanification préopératoireReconstruction d'image Peripheral artery diseaseFreehand ultrasoundpreoperative planningReconstruction Artériopathies Échographie Traitement d'images -- Techniques numériques Imagerie tridimensionnelle en médecine Les procédures de revascularisation endovasculaires périphériques sont très fréquentes chez les patients atteints d’artériopathie oblitérante des membres inférieurs (AOMI). Le bilan préopératoire comprend de manière systématique un écho-doppler, parfois complété par un angioscanner ou un angio-IRM 3D. En l’absence d’imagerie 3D, la procédure de revascularisation commence par une artériographie diagnostique complète afin d’identifier les lésions avant de les traiter. Ce travail vise à augmenter l’apport de l’échographie grâce à la réalisation d’une cartographie préopératoire complète à l’échographie. En se basant sur une sonde échographique 2D, des réseaux de deep learning ont été entrainés pour estimer le déplacement relatif entre deux images consécutives d’une séquence de l’artère fémorale pour la reconstruire en 3D. Un réseau de segmentation permet d’extraire l’artère et de dimensionner les différentes lésions (longueur, diamètres). Un premier réseau dédié à l’estimation des déplacements dans les 6 axes de direction et un deuxième focalisé sur l’axe du plan d’élévation ont été proposés et évalués. Ce dernier repose sur la segmentation artérielle pour construire un volume centré sur l’artère et générer des vues stretched offrant un fort intérêt diagnostic. L’approche proposée est une étape vers l’utilisation de l’imagerie ultrasonore pour la cartographie 3D préopératoire, afin de simplifier l’identification et le dimensionnement des lésions et ainsi réduire la toxicité des procédures de revascularisations endovasculaires périphériques. Endovascular revascularization procedures are very frequent in patients with peripheral artery disease (PAD). The preoperative workup systematically includes a Doppler ultrasound, sometimes supplemented by computed tomography angiography (CTA) or 3D MRI. In the absence of 3D imaging, the revascularization procedure begins with a complete diagnostic angiography to identify the lesions before treatment. This work aims to increase the contribution of ultrasound by performing a complete preoperative ultrasound mapping. Based on a 2D ultrasound probe, deep learning networks were trained to estimate the relative displacement between two consecutive images from a femoral artery sequence and thus allowing its 3D reconstruction. A segmentation network is used to identify the artery to size the different lesions (length, diameter). A first network dedicated to the estimation of displacements in the 6 directional axes and a second one focused on the elevation plane axis have been proposed and evaluated. The latter is based on arterial segmentation to build a volume centered on the artery and generate stretched views offering a strong diagnostic interest. The proposed approach is a step towards the use of ultrasound imaging for preoperative 3D mapping to facilitate lesion identification and sizing thus reducing the toxicity of peripheral endovascular revascularization procedures. Electronic Thesis or DissertationText fr application/pdf1 : 6017 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/e00c3dec-6ae4-406e-b2f1-8255f779d437 Leblanc Thomas 1995-02-02 FR 266084664 thomas.leblanc@therenva.com 2022REN1S034 http://www.theses.fr/2022REN1S034 2022-06-09 Signal, image, vision Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiSimonAntoineintervenant_1100555667LalysFlorentintervenant_2163959366SzewczykJérômeintervenant_3165785071HaigronPascalintervenant_6092081304TroccazJocelyneintervenant_4031497977LalandeAlainintervenant_5151336776 MATHSTICecoleDoctorale_1 204770424 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:610 ddc:620 SimonAntoineLalysFlorentSzewczykJérômeTroccazJocelyneLalandeAlainHaigronPascalUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) Laboratoire de Traitement du Signal et de l'Image ASCII PDF 6161639