FR3095332A1 - Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond - Google Patents

Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond Download PDF

Info

Publication number
FR3095332A1
FR3095332A1 FR1907000A FR1907000A FR3095332A1 FR 3095332 A1 FR3095332 A1 FR 3095332A1 FR 1907000 A FR1907000 A FR 1907000A FR 1907000 A FR1907000 A FR 1907000A FR 3095332 A1 FR3095332 A1 FR 3095332A1
Authority
FR
France
Prior art keywords
image
region
patient
anatomy
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1907000A
Other languages
English (en)
Other versions
FR3095332B1 (fr
Inventor
Estanislao Oubel
Lucien Blondel
Fernand Badano
Bertin Nahum
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quantum Surgical
Original Assignee
Quantum Surgical
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to FR1907000A priority Critical patent/FR3095332B1/fr
Application filed by Quantum Surgical filed Critical Quantum Surgical
Priority to KR1020217041779A priority patent/KR20220026534A/ko
Priority to PCT/EP2020/067777 priority patent/WO2020260433A1/fr
Priority to CA3138208A priority patent/CA3138208A1/fr
Priority to EP20733842.7A priority patent/EP3965684A1/fr
Priority to US17/597,042 priority patent/US12127794B2/en
Priority to CN202080043589.7A priority patent/CN114007538B/zh
Priority to JP2021564245A priority patent/JP7455862B2/ja
Publication of FR3095332A1 publication Critical patent/FR3095332A1/fr
Priority to IL289162A priority patent/IL289162A/en
Application granted granted Critical
Publication of FR3095332B1 publication Critical patent/FR3095332B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/02—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by cooling, e.g. cryogenic techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/18—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves
    • A61B18/1815—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves using microwaves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/18—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves
    • A61B18/20—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves using laser
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/102—Modelling of surgical devices, implants or prosthesis
    • A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2051—Electromagnetic tracking systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2063—Acoustic tracking systems, e.g. using ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2065—Tracking using image or pattern recognition

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Otolaryngology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Robotics (AREA)
  • Electromagnetism (AREA)
  • Radiology & Medical Imaging (AREA)
  • Urology & Nephrology (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Surgical Instruments (AREA)

Abstract

L’invention concerne un procédé (100) et un dispositif de planification d’une intervention chirurgicale visant à ablater un tissu (32) dans une anatomie d’intérêt (31) d’un patient (30). A partir d’une image préopératoire (50) de l’anatomie d'intérêt et d'un ensemble de paramètres (P) de planification, une image simulée (51) est générée par un réseau de neurones ayant été préalablement entraîné avec des éléments d’apprentissage correspondant respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient. Chaque élément d’apprentissage comporte une image préopératoire (50) de l'anatomie d'intérêt d’un patient, des paramètres (P) de planification utilisés pour l’intervention chirurgicale sur ce patient, et une image postopératoire (52) de l'anatomie d'intérêt de ce patient après l'intervention chirurgicale. Une région d'ablation estimée (34) peut être segmentée sur l'image simulée (51) afin d’être comparée avec une région à traiter (33) segmentée sur l’image préopératoire (50). Figure pour l’abrégé : Fig. 10

Description

Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond
Domaine de l’invention
La présente invention appartient au domaine des interventions médicales mini-invasives d’ablation de tissus. Notamment, l’invention concerne un procédé et un dispositif de planification d’une intervention chirurgicale visant à ablater un tissu dans une anatomie d’intérêt d’un patient.
Etat de la technique
Pour préparer une intervention chirurgicale visant à ablater un tissu (par exemple une tumeur) dans une anatomie d’intérêt d’un patient (par exemple un poumon, un rein ou le foie), un praticien effectue généralement une planification de l’intervention à partir d’une image préopératoire. L’image préopératoire est par exemple obtenue par tomodensitométrie (« computerized tomography » ou CT-scan dans la littérature anglo-saxonne), par imagerie par résonance magnétique (IRM), par ultrasons, par tomographie par émission de positons (PET ou PET-scan dans la littérature anglo-saxonne), etc.
L’ablation du tissu peut être effectuée par différentes méthodes : par la chaleur ou par le froid (radiofréquences, micro-ondes, cryothérapie), par laser, par électroporation, par ultrasons focalisés, etc. Aussi, différents types d’instruments médicaux peuvent être utilisés pour le traitement d’ablation (aiguille, sonde, électrode, etc.).
De manière conventionnelle, la planification d’une intervention chirurgicale visant à ablater un tissu dans une anatomie d’intérêt d’un patient ayant par exemple un carcinome hépatocellulaire ou des métastases avec un instrument médical particulier se base sur des données de l’instrument médical fournies par le fabricant dudit instrument. Par exemple, pour une aiguille d’ablation particulière adaptée pour détruire les cellules d’un tissu à partir d’un courant électrique circulant dans l’aiguille, le fabricant de ladite aguille indique les dimensions, la forme et la position par rapport à l’extrémité de l’aiguille de la zone d’ablation susceptible d’être obtenue pour différents paramètres de traitement tels qu’une puissance électrique appliquée, une durée du traitement, etc.
Cependant, pour un ensemble particulier de paramètres de traitement, la zone d’ablation indiquée par le fabricant est déterminée à partir de mesures ex vivo, et elle ne correspond pas toujours à la zone d’ablation réellement obtenue in vivo sur un patient avec les mêmes paramètres de traitement.
Certaines méthodes de planification de l’ablation d’un tissu se basent en outre sur des modélisations pour simuler le résultat de l’intervention chirurgicale. Par exemple, en fonction de la nature du tissu à ablater (par exemple en fonction du phénotype d’une tumeur), des caractéristiques telles que la diffusion de la chaleur ou la conductivité électrique au sein du tissu peuvent être estimées pour simuler le résultat de l’ablation. Selon un autre exemple, le résultat de l’ablation est estimé en tenant compte d’un effet de refroidissement par des vaisseaux sanguins situés dans ou à proximité du tissu à ablater. Des corrections peuvent alors être appliquées aux données du fabricant de l’instrument médical en fonction du modèle envisagé.
De telles méthodes restent cependant souvent imprécises car ces modélisations sont limitées par le choix de certains facteurs considérés comme importants par l’homme du métier. En outre, ces méthodes nécessitent parfois l’insertion d’un outil médical dans l’anatomie d’intérêt du patient pour mesurer certaines caractéristiques du tissu (par exemple l’insertion d’électrodes pour mesurer l’impédance électrique du tissu).
D’autre part, dans le cas où l’intervention chirurgicale nécessite plusieurs traitements, simultanément ou successivement, avec éventuellement l’utilisation de plusieurs aiguilles différentes, les méthodes de planification conventionnelles considèrent que la région d’ablation obtenue correspond à l’union des zones d’ablation estimées respectivement pour chaque aiguille et chaque traitement. Or, cela n’est pas toujours le cas. Le fait d’appliquer plusieurs traitements peut en effet avoir un impact sur la zone d’ablation obtenue pour chaque traitement. Aussi, ces méthodes conventionnelles considèrent généralement que la zone d’ablation obtenue pour une aiguille particulière avec un jeu particulier de paramètres de traitement sera toujours identique. Là encore, cela n’est qu’une estimation imparfaite. La zone d’ablation obtenue dépend en effet non seulement de l’aiguille et des paramètres de traitement utilisés mais aussi des caractéristiques particulières de l’anatomie du patient.
La demande de brevet US 2018/0028261 A1 divulgue une méthode pour assister un praticien dans la détermination d’une région d’ablation d’une tumeur. La méthode comporte une étape d’acquisition d’une image médicale préopératoire de l’anatomie d’un patient dans laquelle la tumeur doit être ablatée. La tumeur est segmentée sur l’image préopératoire, et l’image est analysée par un algorithme d’apprentissage automatique pour déterminer une région d’ablation sur l’image médicale préopératoire.
Le document considère qu’ablater en totalité une tumeur est généralement illusoire et qu’il convient donc de choisir adéquatement les parties de la tumeur à ablater. Les parties les plus vascularisées de la tumeur sont les zones les plus risquées qu’il convient d’ablater en priorité. La méthode divulguée dans la demande de brevet US 2018/0028261 A1 propose de cartographier les vaisseaux sanguins présents dans la tumeur pour identifier les parties de la tumeur qu’il convient d’ablater en priorité. L’objectif de la méthode décrite dans ce document est d’optimiser le positionnement de plusieurs zones d’ablation identiques pour « couvrir » partiellement mais de façon optimisée la tumeur.
Toutefois, ce document ne s’intéresse pas à la problématique selon laquelle une zone d’ablation estimée pour un jeu particulier de paramètres de traitement peut être différente de la zone d’ablation réellement obtenue à cause de certains paramètres inhérents au patient. Au contraire, dans la méthode divulguée par ce document, une zone d’ablation estimée pour un ensemble de paramètres de traitement donnés avec un instrument d’ablation donné est toujours la même. Dans la méthode divulguée par ce document, plusieurs instruments d’ablation identiques sont utilisés, et la région d’ablation estimée correspond à l’union des zones d’ablation estimées respectivement pour chaque instrument.
Il existe donc toujours un besoin pour une méthode de planification d’une ablation d’un tissu dans une anatomie d’intérêt d’un patient qui permette d’estimer facilement et avec précision la région d’ablation qui sera réellement obtenue pour un ensemble particulier de paramètres de traitement.
La présente invention a pour objectif de remédier à tout ou partie des inconvénients de l’art antérieur, notamment ceux exposés ci-avant, en proposant une solution permettant d’estimer avec précision une région d’ablation qui sera obtenue lors d’une intervention spécifique sur un patient particulier.
A cet effet, et selon un premier aspect, il est proposé par la présente invention un procédé de planification d’une intervention chirurgicale visant à ablater un tissu dans une anatomie d’intérêt d’un patient. Le procédé comporte les étapes suivantes :
  • une acquisition d'une image préopératoire de l’anatomie d'intérêt,
  • une détermination d'un ensemble de paramètres de planification,
  • une génération d'une image simulée à partir de l’image préopératoire, des paramètres de planification, et d'un réseau de neurones, ledit réseau de neurones ayant été préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage correspondant respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient, chaque élément d’apprentissage comportant une image préopératoire de l'anatomie d'intérêt dudit autre patient, des paramètres de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
Un élément d’apprentissage du réseau de neurones correspond ainsi à un triplet de données formé par l’image préopératoire, un jeu de paramètres de planification, et une image postopératoire.
Pendant la phase d’apprentissage du réseau de neurones, pour chaque élément d’apprentissage, le réseau de neurones apprend quelle est la région d’ablation réellement obtenue sur l’image postopératoire pour une image préopératoire particulière et avec des paramètres de planification particuliers. Le réseau de neurones est ainsi entraîné à estimer avec précision, à partir d’une image préopératoire particulière et pour un jeu de de paramètres de planification particulier, quelle sera la région d’ablation réellement obtenue. La région d’ablation ainsi estimée est représentée sur une image de synthèse.
De telles dispositions permettent de prendre en compte l’ensemble des informations contenues dans l’image médicale de l’anatomie d’intérêt du patient pour effectuer la prédiction de la région d’ablation. Ainsi, dans le procédé selon l’invention, et contrairement aux méthodes conventionnelles de l’art antérieur, la prédiction de la région d’ablation est spécifique à un patient donné.
Certaines interventions chirurgicales associées à certains éléments d’apprentissage du réseau de neurones peuvent avoir nécessité l’usage de plusieurs instruments médicaux. Le réseau de neurones est ainsi capable d’apprendre, en analysant les images postopératoires associées, l’impact, sur le résultat obtenu, du fait d’utiliser plusieurs instruments médicaux lors d’une intervention.
Dans le procédé selon l’invention, aucune mesure in vivo du patient n’est nécessaire. Il est donc possible d’effectuer la planification en amont de l’intervention chirurgicale. Cela permet d’offrir plus de temps au praticien pour préparer l’intervention.
Dans des modes particuliers de mise en œuvre, l’invention peut comporter en outre l’une ou plusieurs des caractéristiques suivantes, prises isolément ou selon toutes les combinaisons techniquement possibles.
Dans des modes particuliers de mise en œuvre, le procédé comporte une segmentation d'une région d'ablation estimée représentée sur l'image simulée. Le fait de segmenter une région d’ablation estimée permet de définir les dimensions de ladite région d’ablation, par exemple pour la comparer avec une région à traiter identifiée sur l’image préopératoire.
Dans des modes particuliers de mise en œuvre, le procédé comporte en outre une détermination d'une réponse tissulaire à l'intervention d'ablation en associant à chaque voxel de la région d'ablation estimée représentée sur l'image simulée une valeur, dite « valeur de radiodensité », représentative d'une radiodensité d’un tissu correspondant audit voxel. Dans des modes préférés de mise en œuvre pour lesquels une réponse tissulaire est déterminée, l’image préopératoire est obtenue par tomodensitométrie (« computerized tomography » ou CT-scan dans la littérature anglo-saxonne).
Le mot « voxel » est formé par la fusion et la contraction des mots « volume » et « élément ». Un voxel est l’équivalent d’un pixel pour une image numérique en trois dimensions. Dans le cas où les images utilisées sont en deux dimensions, le terme voxel peut être remplacé par le terme pixel. Un voxel permet de stocker une information colorimétrique et éventuellement d’autres informations pour une portion élémentaire d’une image numérique.
On entend par « radiodensité » l’incapacité relative des rayonnements électromagnétiques, en particulier des rayons X, à traverser un matériau particulier. Plus un voxel de la région d’ablation est associé à une valeur de radiodensité faible, et plus la partie de la région d’ablation correspondant audit voxel a été détruite. On entend ainsi par « réponse tissulaire à l’intervention d’ablation » une représentation de la proportion avec laquelle chaque partie du tissu à traiter a été ablaté. Par exemple, les voxels de la région d’ablation pour lesquels la valeur de radiodensité est supérieure à un premier seuil prédéterminé correspondent aux parties du tissu à traiter ayant été détruites à moins de 50% (ce qui correspond à une réponse tissulaire au traitement relativement faible). Selon un autre exemple, les voxels de la région d’ablation pour lesquels la valeur de radiodensité est inférieure à un deuxième seuil prédéterminé correspondent aux parties du tissu à traiter ayant été détruites à plus de 90% (ce qui correspond à une réponse tissulaire au traitement relativement forte). Il est ainsi possible de cartographier, à partir de l’image simulée, la réponse estimée du tissu au traitement.
Dans des modes particuliers de mise en œuvre, la segmentation de la région d'ablation estimée est réalisée de telle sorte que chaque voxel de ladite région d'ablation est associé à une valeur de radiodensité supérieure à un seuil prédéterminé.
Dans des modes particuliers de mise en œuvre, le procédé comporte en outre une vérification que pour chaque point du contour de la région d’ablation estimée un gradient des valeurs de radiodensité au niveau de ce point dans une direction normale audit contour est supérieur à un seuil prédéterminé.
De telles dispositions permettent notamment de vérifier si le contour de la région d’ablation est net. Le contour de la région d’ablation marque la limite entre la région traitée et le tissu non traité. La netteté de ce contour est représentative de la qualité de l’ablation.
Dans des modes particuliers de mise en œuvre, le procédé comporte en outre une segmentation sur l'image préopératoire d'une région à traiter correspondant au tissu que l'intervention chirurgicale vise à ablater, et une comparaison de la région d'ablation estimée représentée sur l'image simulée avec la région à traiter représentée sur l’image préopératoire.
De telles dispositions permettent notamment de vérifier si la région d’ablation estimée couvre la région à traiter avec des marges suffisantes sans que les marges ne soient trop importantes. Cela permet notamment de vérifier si les paramètres de planification envisagés sont valides.
Dans des modes particuliers de mise en œuvre, le procédé comporte en outre une vérification d'une condition de validité qui est satisfaite si le contour de la région d’ablation estimée englobe complètement le contour de la région à traiter, et si pour chaque point du contour de la région d'ablation estimée la distance minimale entre ce point et le contour de la région à traiter est comprise dans une plage de valeurs prédéterminée.
Dans des modes particuliers de mise en œuvre, lorsque la vérification de la condition de validité est négative (c’est-à-dire si la condition de validité n’est pas satisfaite), le procédé comporte une détermination d'un nouvel ensemble de paramètres de planification pour lequel la région d'ablation estimée satisfait la condition de validité.
Dans des modes particuliers de mise en œuvre, le procédé comporte en outre une étape de détermination de plusieurs nouveaux ensembles de paramètres de planification pour lesquels la condition de validité est satisfaite, et une étape d’identification, parmi les nouveaux ensembles de paramètres de planification, d’un ensemble de paramètres de planification optimal pour lequel la région d’ablation estimée présente des dimensions minimales.
Dans des modes particuliers de mise en œuvre, l’anatomie d’intérêt est le foie.
Dans des modes particuliers de mise en œuvre, le tissu à ablater est une tumeur.
Dans des modes particuliers de mise en œuvre, les paramètres de planification comprennent un ou plusieurs éléments parmi les éléments suivants :
  • un type de pathologie,
  • un type de traitement,
  • un type d’instrument médical à utiliser pour le traitement,
  • une position et/ou une orientation de l’instrument médical à utiliser pour le traitement,
  • des paramètres de traitement spécifiques à l’instrument médical,
  • un nombre de traitements à effectuer pendant l’intervention chirurgicale.
Selon un deuxième aspect, la présente invention concerne un produit programme d’ordinateur comportant un ensemble d’instructions de code de programme qui, lorsqu’elles sont exécutées par un ou plusieurs processeurs, configurent le ou les processeurs pour mettre en œuvre un réseau de neurones adapté pour générer une image simulée, sur laquelle est représentée une région d'ablation estimée, à partir d’une part d’une image préopératoire d’une anatomie d’intérêt d’un patient comportant un tissu à ablater, et d’autre part de paramètres de planification. Le réseau de neurones est adapté pour être préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage correspondant respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient, chaque élément d’apprentissage comportant une image préopératoire de l'anatomie d'intérêt dudit autre patient, des paramètres de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
Selon un troisième aspect, la présente invention concerne un dispositif de planification d’une intervention chirurgicale visant à ablater un tissu dans une anatomie d’intérêt d’un patient. Le dispositif comporte une unité de contrôle configurée pour générer une image simulée à partir d’une image préopératoire de ladite anatomie d'intérêt, d’un ensemble de paramètres de planification, et d'un réseau de neurones. Le réseau de neurones est adapté pour être préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage étant associé respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient. Chaque élément d’apprentissage comporte une image préopératoire de l'anatomie d'intérêt dudit autre patient, des paramètres de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
Dans des modes particuliers de réalisation, l’invention peut comporter en outre l’une ou plusieurs des caractéristiques suivantes, prises isolément ou selon toutes les combinaisons techniquement possibles.
Dans des modes particuliers de réalisation, l’unité de contrôle du dispositif de planification est en outre configurée pour segmenter une région d'ablation estimée représentée sur l'image simulée.
Dans des modes particuliers de réalisation, l’unité de contrôle du dispositif de planification est en outre configurée pour associer à chaque voxel de la région d'ablation estimée représentée sur l'image simulée une valeur dite « valeur de radiodensité » représentative d'une radiodensité d’un tissu correspondant audit voxel.
Dans des modes particuliers de réalisation, l’unité de contrôle est configurée pour segmenter la région d'ablation estimée de telle sorte que chaque voxel de ladite région d'ablation estimée est associé à une valeur de radiodensité supérieure à un seuil prédéterminé.
Dans des modes particuliers de réalisation, l’unité de contrôle est configurée pour vérifier que pour chaque point du contour de la région d’ablation estimée un gradient des valeurs de radiodensité au niveau de ce point dans une direction normale audit contour est supérieur à un seuil prédéterminé.
Dans des modes particuliers de réalisation, l’unité de contrôle est en outre configurée pour segmenter sur l'image préopératoire une région à traiter correspondant au tissu que l'intervention chirurgicale vise à ablater, et pour comparer la région d'ablation estimée représentée sur l'image simulée avec la région à traiter.
Dans des modes particuliers de réalisation, l’unité de contrôle est en outre configurée pour vérifier une condition de validité qui est satisfaite si le contour de la région d’ablation estimée englobe complètement le contour de la région à traiter, et si pour chaque point du contour de la région d'ablation estimée la distance minimale entre ce point et le contour de la région à traiter est comprise dans une plage de valeurs prédéterminée..
Dans des modes particuliers de réalisation, l’unité de contrôle est en outre configurée pour déterminer un ou plusieurs nouveaux ensembles de paramètres de planification pour lesquels la condition de validité est satisfaite, et pour identifier, parmi ces nouveaux ensembles de paramètres de planification, un ensemble de paramètres de planification optimal pour lequel la région d’ablation estimée présente des dimensions minimales.
Présentation des figures
L’invention sera mieux comprise à la lecture de la description suivante, donnée à titre d’exemple nullement limitatif, et faite en se référant aux figures 1 à 10 qui représentent :
une représentation schématique d’un dispositif de planification d’une intervention chirurgicale selon l’invention,
une représentation schématique d’une image préopératoire d’une anatomie d’intérêt d’un patient comportant un tissu à ablater,
une représentation schématique d’une image simulée générée par le dispositif de planification sur laquelle a été segmentée une région d’ablation estimée,
une représentation schématique d’une image postopératoire d’une anatomie d’intérêt d’un patient sur laquelle une région d’ablation a été segmentée suite à une intervention chirurgicale ayant ablaté un tissu de ladite anatomie d’intérêt,
une représentation schématique des principales étapes d’un procédé de planification d’une intervention visant à ablater un tissu dans une anatomie d’intérêt d’un patient,
une représentation schématique d’une image préopératoire d’une anatomie d’intérêt d’un patient sur laquelle une région à traiter a été segmentée,
une représentation schématique d’un mode particulier de mise en œuvre du procédé de planification selon l’invention,
une représentation schématique d’un autre mode particulier de mise en œuvre du procédé de planification selon l’invention,
une illustration de l’entrainement d’un réseau de neurones pour mettre en œuvre un procédé de planification selon l’invention,
une illustration de la génération d’une image simulée par un réseau de neurones pour mettre en œuvre un procédé de planification selon l’invention.
Dans ces figures, des références identiques d’une figure à une autre désignent des éléments identiques ou analogues. Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement à une même échelle, sauf mention contraire.
Description détaillée d’un mode de réalisation de l’invention
La figure 1 représente schématiquement un dispositif 10 de planification d’une intervention chirurgicale visant à ablater un tissu dans une anatomie d’intérêt d’un patient 30.
Dans la suite de la description, on se place à titre d’exemple nullement limitatif, dans le cas où l’anatomie d’intérêt est le foie, et le tissu à ablater est une tumeur. Il convient cependant de noter que l’invention est également applicable à d’autres types de tissu devant être ablaté, comme par exemple des lésions cutanées, des veines, des nerfs, des tissus cardiaques, des tissus œsophagiens ou encore des fibromes utérins. Aussi, l’invention est applicable à d’autres anatomies d’intérêt comme par exemple un rein, un poumon, etc.
Le dispositif 10 de planification comporte une unité de contrôle 11 comportant un ou plusieurs processeurs et des moyens de mémorisation 12 (disque dur magnétique, mémoire électronique, disque optique, etc.) dans lesquels est mémorisé un produit programme d’ordinateur, sous la forme d’un ensemble d’instructions de code de programme à exécuter pour mettre en œuvre une partie au moins des étapes d’un procédé de planification de l’intervention chirurgicale. Alternativement ou en complément, l’unité de contrôle comporte un ou des circuits logiques programmables (FGPA, PLD, etc.), et/ou un ou des circuits intégrés spécialisés (ASIC), et/ou un ensemble de composants électroniques discrets, etc., adaptés à mettre en œuvre lesdites étapes du procédé de planification.
En d’autres termes, l’unité de contrôle 11 correspond à des moyens du dispositif 20 de planification qui sont configurés de façon logicielle (produit programme d’ordinateur spécifique) et/ou matérielle (FPGA, PLD, ASIC, composants électroniques discrets, etc.) pour mettre en œuvre les étapes du procédé de planification.
Le dispositif 10 de planification peut également comporter une interface graphique 13 permettant à un utilisateur de fournir au dispositif 10 des paramètres de planification et/ou de visualiser une image ou des données générées par le dispositif 10. Dans l’exemple considéré et illustré à la figure 1, l’interface graphique 13 correspond à un écran tactile. L’interface graphique pourrait cependant aussi être réalisée à l’aide d’autres dispositifs tels qu’un clavier, une souris, un écran, etc.
Le dispositif 10 de planification utilise comme données d’entrées un ensemble de paramètres de planification et une image préopératoire de l’anatomie d’intérêt du patient 30. Le dispositif 10 de planification met en œuvre un algorithme d’apprentissage automatique, pour générer, à partir de ces données d’entrée, une image simulée sur laquelle est représentée une région d'ablation estimée. Dans la suite de la description, on considère à titre d’exemple et de manière non limitative que l’algorithme d’apprentissage automatique utilisé est un réseau de neurones.
Les paramètres de planification indiquent par exemple un type de pathologie à traiter (par exemple un carcinome hépatocellulaire ou des métastases), un type de traitement pour l’ablation (radiofréquences, micro-ondes, laser, électroporation, cryothérapie, etc.), un type d’instrument médical pour effectuer le traitement, une position et une orientation de l’instrument médical au moment du traitement, des paramètres de traitement (durée, puissance, etc.). Les paramètres de planification sont indiqués sur l’interface graphique 13 par le praticien qui prépare l’intervention chirurgicale.
L’image préopératoire est obtenue par un appareil 20 d’imagerie médicale, par exemple par tomodensitométrie, par résonance magnétique, par ultrasons, par angiographie tridimensionnelle en rotation, par tomographie par émission de positons, etc. Le tissu à ablater et l’anatomie d’intérêt sont visibles sur l’image préopératoire. L’appareil 20 d’imagerie médicale peut être un appareil distinct du dispositif 10 de planification. Rien n’empêche cependant que le dispositif 20 de planification et l’appareil 20 d’imagerie médicale ne forment ensemble qu’une seule et même entité physique. Dans le cas où le dispositif 20 de planification et l’appareil 20 d’imagerie médicale sont distincts, l’image préopératoire peut être transmise au dispositif 10 de planification. Par exemple, l’image préopératoire est numérisée puis transmise au dispositif 10 de planification par des moyens de communication sans fil. Selon un autre exemple, l’image préopératoire numérisée peut être fournie au dispositif 10 de planification par un périphérique de type USB (acronyme anglais de « Universal Serial Bus »).
Le réseau de neurones est préalablement entraîné avec des éléments d’apprentissage correspondant chacun respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt réalisée précédemment pour un autre patient. Chaque élément d’apprentissage comporte une image préopératoire de l'anatomie d'intérêt dudit autre patient, des paramètres de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale. En d’autres termes, le réseau de neurones s’entraîne en « apprenant » quelle est la région d’ablation réellement obtenue sur une image postopératoire pour une image préopératoire particulière et avec des paramètres de planification particuliers.
Il convient de noter que rien n’empêche qu’un élément d’apprentissage du réseau de neurones corresponde à une intervention chirurgicale passée effectuée sur le même patient que le patient pour lequel l’intervention chirurgicale doit être planifiée (le terme « autre patient » n’est donc pas à prendre au sens strict).
De préférence, les images médicales préopératoires des éléments d’apprentissage du réseau de neurones sont du même type que l’image médicale préopératoire utilisée comme donnée d’entrée pour planifier une intervention chirurgicale.
Une image médicale utilisée pour former un élément d’apprentissage ou utilisée en entrée du procédé de planification peut correspondre à une image directement obtenue par l’appareil 20 d’imagerie médicale. Cependant, rien n’empêche qu'une telle image médicale corresponde à une portion seulement d’une image obtenue par l’appareil 20 d’imagerie médicale. Autrement dit, il est par exemple envisageable de recadrer une image obtenue par l’appareil 20 d’imagerie médicale pour fournir au réseau de neurones une image médicale représentant principalement l’anatomie d’intérêt du patient, ou une portion de ladite anatomie d’intérêt où se situe le tissu à traiter.
La figure 2 représente schématiquement une image préopératoire 50 d’une anatomie d’intérêt 31 comportant un tissu 32 à ablater. Une telle image préopératoire 50 correspond par exemple à l’image préopératoire utilisée comme donnée d’entrée pour planifier une intervention chirurgicale. Selon un autre exemple, une telle image préopératoire 50 peut appartenir à un élément d’apprentissage utilisé pour entraîner le réseau de neurones.
La figure 3 représente schématiquement une image simulée 51 générée par le dispositif 10 de planification sur laquelle a été segmentée une région d’ablation estimée 34. Dans l’exemple considéré et illustré à la figure 3, l’image simulée 51 a été générée par le dispositif 10 de planification en prenant comme donnée d’entrée l’image préopératoire 50 représentée à la figure 2.
La figure 4 représente schématiquement une image postopératoire 52 de l’anatomie d’intérêt 31 suite à une intervention chirurgicale ayant ablaté le tissu 32. Une telle image postopératoire 52 peut être utilisée, en combinaison avec l’image préopératoire 50 de la figure 1, pour former un élément d’apprentissage utilisé pour entraîner le réseau de neurones. Sur l’image postopératoire 52 représentée sur la figure 4, une région d’ablation 35 réellement obtenue suite à l’intervention chirurgicale a été segmentée. Cette segmentation de la région d’ablation 35 réellement obtenue suite à l’intervention chirurgicale n’est cependant pas indispensable pour que l’image postopératoire 52 puisse être utilisée pour former un élément d’apprentissage du réseau de neurones. Il est d’ailleurs préférable de ne pas segmenter les images utilisées pour former des éléments d’apprentissage du réseau de neurones.
Il existe différentes méthodes de segmentation sur une image. On entend par « segmentation » une opération de traitement d’image qui a pour but de définir des régions ou des contours sur une image selon des critères prédéfinis. Ces méthodes sont considérées comme connues par l’homme du métier. Le fait de segmenter une région d’ablation estimée ou réellement obtenue permet de définir les dimensions de ladite région d’ablation.
La figure 5 représente schématiquement les principales étapes d’un procédé 100 de planification d’une intervention chirurgicale visant à ablater un tissu 32 dans une anatomie d’intérêt 31 d’un patient 30.
Le procédé 100 de planification comporte les étapes suivantes :
  • une acquisition 101 d'une image préopératoire 50 de l’anatomie d'intérêt 31,
  • une détermination 102 d'un ensemble de paramètres de planification,
  • une génération 103 d'une image simulée 51 en prenant en entrée l’image préopératoire 50 et les paramètres de planification, et en utilisant le réseau de neurones préalablement entraîné,
  • une segmentation 104 d'une région d'ablation estimée 34 représentée sur l'image simulée 51 générée par le réseau de neurones.
L’étape d’acquisition 101 d’une image préopératoire est par exemple mise en œuvre par le praticien à l’aide de l’appareil 20 d’imagerie décrit en référence à la figure 1.
L’étape de détermination 102 d’un ensemble de paramètres de planification est par exemple mise en œuvre par la saisie, par le praticien, via l’interface graphique 13 du dispositif 10 de planification décrit en référence à la figure 1, de paramètres relatifs à l’intervention chirurgicale à effectuer (type de pathologie, type de traitement, type d’instrument médical utilisé, position et orientation de l’instrument médical, paramètres de traitement, etc.).
Les étapes de génération 103 de l’image simulée 51 et de segmentation 104 de la région d’ablation estimée 34 sont par exemple mises en œuvre par le réseau de neurones implémenté dans l’unité de contrôle 11 du dispositif 10 de planification.
L'image simulée 51 générée permet au praticien d’observer le résultat qu’il est susceptible d’obtenir après l’intervention chirurgicale s’il utilise les paramètres de planification qui ont été fournis comme donnée d’entrée au procédé 100 de planification.
La région d’ablation estimée 34 peut avoir des dimensions plus ou moins grandes comparativement à une région à traiter correspondant au tissu à ablater.
Il convient de noter que l’étape de segmentation 104 d'une région d'ablation estimée 34 représentée sur l'image simulée 51 est optionnelle car elle n’est pas essentielle à l’invention. Notamment, la région d’ablation peut être identifiable par le praticien sur l’image simulée 51 sans qu’une segmentation de ladite région d’ablation estimée 34 ne soit effectuée.
La figure 6 représente schématiquement une image préopératoire 50’ correspondant à l’image préopératoire 50 de la figure 2 sur laquelle une région à traiter 33 correspondant au tissu 32 à ablater est segmentée. Il est avantageux de comparer les dimensions de la région d’ablation estimée 34 avec les dimensions de la région à traiter 33. En effet, il convient d’un côté de s’assurer que la région à traiter soit suffisamment couverte par le traitement tout en minimisant les dimensions de la région d’ablation afin de ne pas détruire des parties trop importantes de tissu sain qui ne font pas partie de la région à traiter.
La figure 7 représente schématiquement les principales étapes d’un mode particulier de mise en œuvre du procédé 100 de planification selon l’invention. Outre les étapes décrites précédemment en référence à la figure 5, le mode particulier de mise en œuvre illustré à la figure 7 comporte les étapes suivantes :
  • une segmentation 105 sur l'image préopératoire 50 d'une région à traiter 33 correspondant au tissu 32 que l'intervention chirurgicale vise à ablater,
  • une comparaison 106 de la région d'ablation estimée 34 représentée sur l'image simulée avec la région à traiter 33,
  • une vérification 107 d'une condition de validité
Par exemple, la condition de validité est vérifiée si le contour de la région d’ablation estimée 34 englobe complètement le contour de la région à traiter 33 et si pour chaque point du contour de la région d'ablation estimée 34 la distance minimale entre ce point et le contour de la région à traiter 33 est comprise dans une plage de valeurs prédéterminée. Par exemple, la plage de valeurs prédéterminée correspond aux valeurs comprises entre 5 et 10 millimètres. D’autres conditions de validité sont cependant envisageables et ne constituent que des variantes de l’invention.
Lorsque la vérification 107 de la condition de validité est négative, le praticien peut par exemple décider de modifier les paramètres de planification et de relancer une simulation.
Selon un autre exemple, et tel qu’illustré sur la figure 7, le procédé 100 peut comporter une étape de détermination 108, de manière automatisée par le dispositif 10 de planification, d'un nouvel ensemble de paramètres de planification pour lequel la région d'ablation estimée 34 satisfait la condition de validité. L’étape de détermination 108 est par exemple réalisée par des méthodes d’optimisation classique et d’exploration de l’espace des données de planification.
La figure 8 représente encore un autre mode particulier de mise en œuvre du procédé 100 de planification selon l’invention. Dans ce mode particulier de mise en œuvre, le procédé 100 de planification comporte une étape de détermination 109 de plusieurs nouveaux ensembles de paramètres de planification. Tels qu’illustré sur la figure 8, pour chaque nouvel ensemble de paramètres de planification, les étapes de génération 103 d’une image simulée, de segmentation 104 d’une région d’ablation estimée, de comparaison 106 entre la région à traiter et la région d’ablation estimée, et de vérification 107 de la condition de validité, sont effectuées. Le procédé 100 comporte ensuite une étape d’identification 110, parmi les nouveaux ensembles de paramètres de planification qui vérifient la condition de validité, d’un ensemble de paramètres de planification optimal. Par exemple l’ensemble de paramètres de planification optimal correspond aux paramètres de planification pour lesquels la région d’ablation estimée 34 présente des dimensions minimales tout en vérifiant la condition de validité. Cela permet ainsi de minimiser la quantité de tissu sain ablaté pendant l’intervention chirurgicale.
Il est à noter que sur la figure 8, les nouveaux ensembles de paramètres de planification sont déterminés puis validés en parallèle. Rien n’empêche cependant que les nouveaux ensembles de paramètres de planification soient déterminés de façon itérative, l’un après l’autre. Eventuellement, un nouvel ensemble de paramètres de planification peut être déterminé en fonction d’un autre nouvel ensemble de paramètres de planification précédemment déterminé, et/ou en fonction des paramètres de planification initialement choisis par le praticien.
Différentes méthodes peuvent être envisagées pour déterminer et segmenter la région d’ablation estimée sur l’image simulée 51 générée par le réseau de neurones.
Selon une première méthode, la région d’ablation estimée est représentée par une image binaire qui est superposée à l’image préopératoire 50 pour former l’image générée 51. Dans ce cas, chaque voxel de l’image binaire situé en dehors de la région d’ablation estimée est associé à une valeur nulle, et chaque voxel situé à l’intérieur de la région d’ablation estimée est associé à une valeur fixe non nulle. Un voxel dont la valeur est non nulle apparaît avec une couleur particulière sur l’image binaire. Un voxel dont la valeur est nulle est en revanche transparent et n’a pas d’impact sur l’image générée lorsqu’il est superposé à l’image préopératoire. Pour rappel, dans le cas où les images utilisées sont en deux dimensions, le terme voxel peut être remplacé par le terme pixel.
Selon une deuxième méthode, la région d’ablation estimée est segmentée sur l’image simulée 51 en fonction d’une réponse tissulaire de l’anatomie d’intérêt 31 à l’intervention d’ablation. Dans ce but, une réponse tissulaire à l'intervention d'ablation est déterminée par le réseau de neurones en associant à chaque voxel de la région d'ablation estimée 34 représentée sur l'image simulée 51 une valeur, dite « valeur de radiodensité », représentative d'une radiodensité d’un tissu correspondant audit voxel.
La radiodensité est représentative de l’incapacité relative des rayonnements électromagnétiques, par exemple des rayons X générés par l’appareil d’imagerie médical 20, à traverser un tissu de l’anatomie d’intérêt 31 du patient. Plus un voxel de la région d’ablation est associé à une valeur de radiodensité faible, et plus la partie de la région d’ablation correspondant audit voxel a été détruite. On entend ainsi par « réponse tissulaire à l’intervention d’ablation » une représentation de la proportion avec laquelle chaque partie du tissu à traiter a été ablaté. Par exemple, les voxels de la région d’ablation pour lesquels la valeur de radiodensité est supérieure à un premier seuil prédéterminé correspondent aux parties du tissu à traiter ayant été détruites à moins de 50%. Selon un autre exemple, les voxels de la région d’ablation pour lesquels la valeur de radiodensité est inférieure à un deuxième seuil prédéterminé correspondent aux parties du tissu à traiter ayant été détruites à plus de 90%. Il est ainsi possible de cartographier, à partir de l’image simulée, la réponse estimée du tissu au traitement.
La segmentation 104 de la région d'ablation estimée 34 peut alors par exemple être réalisée de telle sorte que chaque voxel de ladite région d'ablation estimée est associé à une valeur de radiodensité supérieure à un seuil prédéterminé. Cela permet ainsi de s’assurer que tout tissu situé à l’intérieur du contour de la segmentation de la région d’ablation a été détruit au-delà d’une certaine proportion souhaitée (par exemple à plus de 90%).
La valeur de radiodensité associée à un voxel est par exemple définie à partir de l’échelle de Hounsfield.
Dans des modes particuliers de mise en œuvre, le procédé 100 de planification comporte une étape de vérification que pour chaque point du contour de la région d’ablation estimée 34, un gradient des valeurs de radiodensité au niveau de ce point dans une direction normale audit contour est supérieur à un seuil prédéterminé. Le gradient représente la variabilité des valeurs de radiodensité au niveau du point considéré dans une direction normale au contour (par « direction normale au contour », on entend la direction perpendiculaire à une tangente au contour passant par le point considéré). De telles dispositions permettent notamment de vérifier si le contour de la région d’ablation est net. Le contour de la région d’ablation marque la limite entre la région traitée et le tissu non traité. La netteté de ce contour est représentative de la qualité de l’ablation. Au niveau d’un point du contour de la région d’ablation estimée 34, plus le gradient est élevé et plus la variation des valeurs de radiodensité entre la région d’ablation et le tissu sain non ablaté est importante.
Il est parfois possible d’observer sur une image médicale représentant une région d’ablation une forme blanche en forme d’anneau de faible épaisseur qui entoure la région d’ablation. La présence ou non de cet anneau peut être représentative de la qualité de l’ablation. Le fait de calculer un gradient en chaque point de la région d’ablation estimée 34 et de comparer ce gradient avec un seuil prédéterminé permet de fiabiliser l’estimation de la qualité de l’ablation (par exemple, si le gradient est supérieur à un seuil en tout point du contour, l’ablation peut être considérée comme étant de bonne qualité même si l’anneau blanc n’est pas directement visible sur l’image médicale à l’œil nu).
Dans un mode préféré de réalisation, le réseau de neurones est un réseau neuronal convolutif. Les réseaux neuronaux convolutifs sont particulièrement bien adaptés à la reconnaissance d’image. Un tel réseau de neurones 40 est représenté schématiquement sur les figures 9 et 10. Le réseau de neurones 40 comporte plusieurs couches de neurones artificiels. Il existe des neurones de traitement, qui traitent une portion limitée d’une image au travers d’une fonction de convolution, et des neurones de mise en commun des sorties (aussi dits neurones de « pooling »). L’ensemble des sorties d’une couche de traitement permet de reconstituer une image intermédiaire qui servira de base à la couche suivante. Le réseau de neurones 40 comporte également une couche entièrement connectée 41 qui possède des connexions vers toutes les sorties des couches précédentes, et une couche de prédiction 42 en sortie de laquelle est générée l’image simulée 51. C’est la couche de prédiction 42 qui permet, notamment, d’assigner une valeur de radiodensité à chaque voxel de l’image simulée 51.
La figure 9 illustre schématiquement une phase d’entrainement (ou phase d’apprentissage) du réseau de neurones 40. Le réseau de neurones est entraîné avec des éléments d’apprentissage correspondant chacun respectivement à une intervention chirurgicale d'ablation d'un tissu dans une anatomie d'intérêt pour un patient. Chaque élément d’apprentissage comporte une image préopératoire 50 de l'anatomie d'intérêt du patient, des paramètres P de planification utilisés pour l’intervention chirurgicale sur ce patient, et une image postopératoire 52 de l'anatomie d'intérêt de ce patient après l'intervention chirurgicale.
Parmi les paramètres P de planification possibles, on peut citer :
  • Le type de pathologie ρ : par exemple, la pathologie peut être un carcinome hépatocellulaire ou des métastases. Un type de pathologie particulier peut être associé à une valeur particulière pour le paramètre ρ.
  • Le type de traitement τ : l’ablation du tissu peut par exemple être effectuée par micro-ondes, radiofréquences, cryothérapie, électroporation, laser, ultrasons focalisés, etc. Un type de traitement particulier peut être associé à une valeur particulière pour le paramètre τ.
  • Les coordonnées x, y, z de la position de l’instrument médical (par exemple la position de la pointe d’une aiguille) : elles peuvent être exprimées dans un repère prédéterminé (par exemple un repère de l’image préopératoire).
  • Les angles α, β, γ représentant l’orientation de l’instrument médical (par exemple l’orientation de l’aiguille) dans le repère considéré.
  • Le type d’instrument médical λ : un type particulier d’instrument médical (modèle, fabricant, etc.) peut être associé à une valeur particulière pour le paramètre λ.
  • Les paramètres de traitement ε : en fonction du type de traitement, différents paramètres de traitement peuvent être définis, par exemple une puissance ou une durée de traitement.
Lorsque plusieurs traitements sont effectués simultanément avec plusieurs instruments médicaux, les paramètres de planification P peuvent s’écrire sous la forme P = [ρ1, τ1, x1, y1, z1, α1, β1, γ1, λ1, ε1, …, ρN, τN, xN, yN, zN, αN, βN, γN, λN, εN], où N représente le nombre de traitements.
Pendant l’entrainement, pour chaque élément d’apprentissage, le réseau de neurones 40 détermine pour chaque neurone un ensemble de poids et de biais permettant d’obtenir une image simulée 51 la plus similaire possible à l’image postopératoire 52 à partir de l’image préopératoire 50 couplée aux paramètres P de planification.
La région d’ablation estimée 34 sur l’image simulée 51 est comparée à la région d’ablation réelle de l’image postopératoire 52 par le réseau de neurones 40 en utilisant une fonction de perte qui est ensuite utilisée pour calculer une fonction de coût global. Un processus d’optimisation recherche alors les paramètres de poids et de biais qui minimisent cette fonction de coût global. Le processus d’optimisation peut être réalisée de façon itérative.
De préférence, les éléments d’apprentissage correspondent à des interventions passées qui couvrent toutes les pathologies et tous les traitements envisagés.
La figure 10 illustre schématiquement une phase de planification par le réseau de neurones 40 pour une intervention d’ablation d’un tissu dans une anatomie d’intérêt d’un patient. Le réseau de neurones 40 reçoit en entrée l’image préopératoire 50 de ladite anatomie d’intérêt du patient ainsi que des paramètres de planification P envisagés par le praticien. Le réseau de neurones sélectionne les caractéristiques de l’image préopératoire 50 décrivant le tissu d’intérêt et son voisinage qui sont susceptibles de modifier la région d’ablation. Une image simulée 51 représentant une région d’ablation estimée est ensuite générée par le réseau de neurones. Il est alors possible de comparer la région d’ablation estimée représentée sur l’image simulée 51 avec la région à traiter représentée sur l’image préopératoire 50’. Si la région d’ablation estimée n’est pas satisfaisante (par exemple si elle ne couvre pas toute la région à traiter ou bien si elle la couvre avec des marges trop importantes), de nouveaux paramètres de planification peuvent être définis, soit par le praticien soit de manière automatique par le dispositif 10 de planification. Un ensemble de paramètres de planification permettant d’obtenir une région d’ablation estimée satisfaisante peut alors être déterminé. Ces paramètres seront alors ultérieurement utilisés, le jour de l’intervention chirurgicale. Les paramètres de planification peuvent par exemple être utilisés pour configurer un robot médical qui assiste le praticien pendant l’intervention médicale. Certains paramètres, notamment ceux liés à la position et à l’orientation de l’instrument médical, pourront éventuellement être ajustés à l’aide d’un recalage entre l’image préopératoire 50 utilisée pour planifier l’intervention chirurgicale et une image intraopératoire obtenue pendant l’intervention chirurgicale.
Il convient de noter que le procédé 100 de planification selon l’invention ne comporte pas d’étape chirurgicale sur le patient. Il s’agit en effet d’un procédé 100 de planification, et l’intervention chirurgicale ainsi planifiée a lieu ultérieurement au procédé 100 de planification, éventuellement plusieurs jours après. Aussi, la phase d’entrainement du réseau de neurones est réalisée postérieurement à des interventions chirurgicales effectuées sur d’autres patients. Ces interventions chirurgicales ne doivent pas être considérées comme faisant partie de la phase d’entrainement du réseau de neurones.
A noter aussi que le réseau de neurones 40 peut prendre en entrée une image sur laquelle est visible un tissu déjà partiellement ablaté, afin de définir un traitement additionnel qu’il convient d’appliquer pour compléter l’ablation. Ainsi, pour une intervention où plusieurs traitements doivent être effectués successivement, il est alors possible d’itérer plusieurs fois le procédé selon l’invention pour affiner à chaque fois les traitements initialement prévus.
La description ci-avant illustre clairement que, par ses différentes caractéristiques et leurs avantages, la présente invention atteint les objectifs fixés. En particulier, l’ensemble des informations contenues dans l’image médicale de l’anatomie d’intérêt du patient sont prises en compte pour effectuer la prédiction de la région d’ablation. La prédiction de la région d’ablation est donc tout à fait spécifique à un patient donné. En outre, le réseau de neurones est capable d’apprendre quel est l’impact d’utiliser plusieurs instruments médicaux lors d’une intervention afin d’estimer avec une meilleure précision quelle est la région d’ablation obtenue dans un tel cas. De plus, le procédé de planification selon l’invention ne nécessite aucune mesure in vivo du patient, ce qui permet d’effectuer la planification en amont de l’intervention chirurgicale afin d’offrir plus de temps au praticien pour préparer l’intervention. L’estimation de la réponse tissulaire au traitement permet de prédire avec encore plus de précision le résultat de l’ablation.

Claims (21)

  1. Procédé (100) de planification d’une intervention chirurgicale visant à ablater un tissu (32) dans une anatomie d’intérêt (31) d’un patient (30), ledit procédé (100) comportant :
    • une acquisition (101) d'une image préopératoire (50) de ladite anatomie d'intérêt (31),
    • une détermination (102) d'un ensemble de paramètres (P) de planification,
    caractérisé en ce queledit procédé (100) comporte :
    • une génération (103) d'une image simulée (51) à partir de ladite image préopératoire (50), desdits paramètres (P) de planification, et d'un réseau de neurones (40), ledit réseau de neurones ayant été préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage correspondant respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient, chaque élément d’apprentissage comportant une image préopératoire (50) de l'anatomie d'intérêt dudit autre patient, des paramètres (P) de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire (52) de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
  2. Procédé (100) selon la revendication 1 caractérisé en ce que le procédé comporte en outre une segmentation (104) d'une région d'ablation estimée (34) représentée sur l'image simulée (51).
  3. Procédé (100) selon la revendication 2 caractérisé en ce que le procédé comporte en outre une détermination d'une réponse tissulaire à l'intervention d'ablation en associant à chaque voxel de la région d'ablation estimée (34) représentée sur l'image simulée (51) une valeur, dite « valeur de radiodensité », représentative d'une radiodensité d’un tissu correspondant audit voxel.
  4. Procédé (100) selon la revendication 3 dans lequel la segmentation (104) de la région d'ablation estimée (34) est réalisée de telle sorte que chaque voxel de ladite région d'ablation estimée (34) est associé à une valeur de radiodensité supérieure à un seuil prédéterminé.
  5. Procédé (100) selon l’une des revendications 3 à 4 caractérisé en ce que le procédé comporte en outre une vérification que pour chaque point du contour de la région d’ablation estimée (34) un gradient des valeurs de radiodensité au niveau de ce point dans une direction normale audit contour est supérieur à un seuil prédéterminé.
  6. Procédé (100) selon l’une des revendications 2 à 5 caractérisé en ce que le procédé comporte en outre :
    • une segmentation (105) sur l'image préopératoire (50) d'une région à traiter (33) correspondant au tissu (32) que l'intervention chirurgicale vise à ablater,
    • une comparaison (106) de la région d'ablation estimée (34) représentée sur l'image simulée avec la région à traiter (33).
  7. Procédé (100) selon la revendication 6 caractérisé en ce que le procédé (100) comporte en outre une vérification (107) d'une condition de validité qui est satisfaite si le contour de la région d’ablation estimée (34) englobe complètement le contour de la région à traiter (33), et si pour chaque point du contour de la région d'ablation estimée (34) la distance minimale entre ce point et le contour de la région à traiter (33) est comprise dans une plage de valeurs prédéterminée.
  8. Procédé (100) selon la revendication 7 caractérisé en ce que, lorsque la vérification (107) de la condition de validité est négative, le procédé (100) comporte une détermination (108) d'un nouvel ensemble de paramètres de planification pour lequel la région d'ablation estimée (34) satisfait la condition de validité.
  9. Procédé (100) selon la revendication 7 caractérisé en ce que le procédé (100) comporte une étape de détermination (109) de plusieurs nouveaux ensembles de paramètres de planification pour lesquels la condition de validité est satisfaite, et une étape d’identification (110), parmi les nouveaux ensembles de paramètres de planification, d’un ensemble de paramètres de planification optimal pour lequel la région d’ablation estimée (34) présente des dimensions minimales.
  10. Procédé (100) selon l’une des revendications 1 à 9 dans lequel l’anatomie d’intérêt est le foie.
  11. Procédé (100) selon l’une des revendications 1 à 10 dans lequel le tissu à ablater est une tumeur.
  12. Procédé (100) selon l’une des revendications 1 à 11 dans lequel les paramètres (P) de planification comprennent un ou plusieurs éléments parmi les éléments suivants :
    • un type de pathologie,
    • un type de traitement,
    • un type d’instrument médical à utiliser pour le traitement,
    • une position et/ou une orientation de l’instrument médical à utiliser pour le traitement,
    • des paramètres de traitement spécifiques à l’instrument médical,
    • un nombre de traitements à effectuer pendant l’intervention chirurgicale.
  13. Produit programme d’ordinateur caractérisé en ce qu’il comporte un ensemble d’instructions de code de programme qui, lorsqu’elles sont exécutées par un ou plusieurs processeurs, configurent le ou les processeurs pour mettre en œuvre un réseau de neurones (40) adapté pour générer une image simulée (51), sur laquelle est représentée une région d'ablation estimée (34), à partir d’une part d’une image préopératoire (50) d’une anatomie d’intérêt (31) d’un patient (30) comportant un tissu (32) à ablater, et d’autre part de paramètres (P) de planification, ledit réseau de neurones étant adapté pour être préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage correspondant respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient, chaque élément d’apprentissage comportant une image préopératoire (50) de l'anatomie d'intérêt dudit autre patient, des paramètres (P) de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire (52) de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
  14. Dispositif (10) de planification d’une intervention chirurgicale visant à ablater un tissu (32) dans une anatomie d’intérêt (31) d’un patient (30), ledit dispositif (10) étantcaractérisé en ce qu’il comporte une unité de contrôle (11) configurée pour :
    • générer une image simulée (51) à partir d’une image préopératoire (50) de ladite anatomie d'intérêt, d’un ensemble de paramètres (P) de planification, et d'un réseau de neurones (40), ledit réseau de neurones étant adapté pour être préalablement entraîné avec une pluralité d’éléments d’apprentissage, chaque élément d’apprentissage étant associé respectivement à une intervention chirurgicale similaire d'ablation d'un tissu dans une anatomie d'intérêt pour un autre patient, chaque élément d’apprentissage comportant une image préopératoire (50) de l'anatomie d'intérêt dudit autre patient, des paramètres (P) de planification utilisés pour ladite intervention chirurgicale sur cet autre patient, et une image postopératoire (52) de l'anatomie d'intérêt de cet autre patient après l'intervention chirurgicale.
  15. Dispositif (10) selon la revendication 14 dans lequel ladite unité de contrôle (11) est en outre configurée pour segmenter une région d'ablation estimée (34) représentée sur l'image simulée (51).
  16. Dispositif (10) selon la revendication 15 dans lequel ladite unité de contrôle (11) est en outre configurée pour associer à chaque voxel de la région d'ablation estimée (34) représentée sur l'image simulée (51) une valeur dite « valeur de radiodensité » représentative d'une radiodensité d’un tissu correspondant audit voxel.
  17. Dispositif (10) selon la revendication 16 dans lequel ladite unité de contrôle (11) est configurée pour segmenter la région d'ablation estimée (34) de telle sorte que chaque voxel de ladite région d'ablation estimée (34) est associé à une valeur de radiodensité supérieure à un seuil prédéterminé.
  18. Dispositif (10) selon l’une des revendications 16 à 17 dans lequel ladite unité de contrôle (11) est configurée pour vérifier que pour chaque point du contour de la région d’ablation estimée (34) un gradient des valeurs de radiodensité au niveau de ce point dans une direction normale audit contour est supérieur à un seuil prédéterminé.
  19. Dispositif (10) selon l’une des revendications 14 à 18 dans lequel ladite unité de contrôle (11) est en outre configurée pour segmenter sur l'image préopératoire (50) une région à traiter (33) correspondant au tissu (32) que l'intervention chirurgicale vise à ablater, et pour comparer la région d'ablation estimée (34) représentée sur l'image simulée (51) avec la région à traiter (33).
  20. Dispositif (10) selon la revendication 19 caractérisé en ce que ladite unité de contrôle (11) est en outre configurée pour vérifier une condition de validité qui est satisfaite si le contour de la région d’ablation estimée (34) englobe complètement le contour de la région à traiter (33), et si pour chaque point du contour de la région d'ablation estimée (34) la distance minimale entre ce point et le contour de la région à traiter (33) est comprise dans une plage de valeurs prédéterminée.
  21. Dispositif (10) selon la revendication 20 caractérisé en ce que ladite unité de contrôle (11) est en outre configurée pour déterminer un ou plusieurs nouveaux ensembles de paramètres de planification pour lesquels la condition de validité est satisfaite, et pour identifier, parmi ces nouveaux ensembles de paramètres de planification, un ensemble de paramètres de planification optimal pour lequel la région d’ablation estimée (34) présente des dimensions minimales.
FR1907000A 2019-06-27 2019-06-27 Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond Active FR3095332B1 (fr)

Priority Applications (9)

Application Number Priority Date Filing Date Title
FR1907000A FR3095332B1 (fr) 2019-06-27 2019-06-27 Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond
PCT/EP2020/067777 WO2020260433A1 (fr) 2019-06-27 2020-06-25 Méthode de planification d'une ablation de tissus basée sur l'apprentissage profond
CA3138208A CA3138208A1 (fr) 2019-06-27 2020-06-25 Methode de planification d'une ablation de tissus basee sur l'apprentissage profond
EP20733842.7A EP3965684A1 (fr) 2019-06-27 2020-06-25 Méthode de planification d'une ablation de tissus basée sur l'apprentissage profond
KR1020217041779A KR20220026534A (ko) 2019-06-27 2020-06-25 딥러닝 기반의 조직 절제 계획 방법
US17/597,042 US12127794B2 (en) 2019-06-27 2020-06-25 Method for planning tissue ablation based on deep learning
CN202080043589.7A CN114007538B (zh) 2019-06-27 2020-06-25 基于深度学习的规划组织消融的方法
JP2021564245A JP7455862B2 (ja) 2019-06-27 2020-06-25 ディープラーニングに基づいて組織アブレーションを計画する方法
IL289162A IL289162A (en) 2019-06-27 2021-12-20 A method for planning tissue removal based on deep learning

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1907000A FR3095332B1 (fr) 2019-06-27 2019-06-27 Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond
FR1907000 2019-06-27

Publications (2)

Publication Number Publication Date
FR3095332A1 true FR3095332A1 (fr) 2020-10-30
FR3095332B1 FR3095332B1 (fr) 2023-07-21

Family

ID=67957128

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1907000A Active FR3095332B1 (fr) 2019-06-27 2019-06-27 Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond

Country Status (9)

Country Link
US (1) US12127794B2 (fr)
EP (1) EP3965684A1 (fr)
JP (1) JP7455862B2 (fr)
KR (1) KR20220026534A (fr)
CN (1) CN114007538B (fr)
CA (1) CA3138208A1 (fr)
FR (1) FR3095332B1 (fr)
IL (1) IL289162A (fr)
WO (1) WO2020260433A1 (fr)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210038314A1 (en) * 2019-08-11 2021-02-11 phenoMapper, LLC Method and System for Personalized Treatment Planning in Ablation of Cancerous Tissue
FR3128051B1 (fr) * 2021-10-07 2025-05-16 Quantum Surgical Dispositif pour la prédiction d’un type de traitement optimal pour l’ablation percutanée d’une lésion
CN114209419B (zh) * 2021-12-14 2024-07-05 上海交通大学医学院附属瑞金医院 一种消融治疗设备
CN114947810B (zh) * 2022-05-25 2026-02-10 浙江大学 一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具
US12475690B2 (en) * 2022-07-25 2025-11-18 GE Precision Healthcare LLC Simulating pathology images based on anatomy data
CN115147022B (zh) * 2022-09-05 2022-12-02 中国科学院地质与地球物理研究所 一种复杂山区长大线状工程的工程地质区划方法及系统
EP4588000A2 (fr) * 2022-09-14 2025-07-23 Mayo Foundation for Medical Education and Research Génération d'images médicales synthétiques, données de caractéristiques pour la segmentation d'images d'apprentissage, et images médicales peintes à l'aide de modèles génératifs
FR3143313B1 (fr) * 2022-12-16 2024-11-01 Quantum Surgical Dispositif d’assistance à la planification d’une intervention mini-invasive sur un os
FR3143314A1 (fr) * 2022-12-16 2024-06-21 Quantum Surgical Dispositif d’assistance à la planification d’une intervention mini-invasive
WO2024254481A2 (fr) * 2023-06-09 2024-12-12 Memorial Sloan-Kettering Cancer Center Procédés de prédiction d'ablation pulmonaire préopératoire utilisant un apprentissage profond
US12527621B1 (en) 2025-01-27 2026-01-20 Anumana, Inc. Apparatus and method for determining a tissue susceptibility value

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016088075A1 (fr) * 2014-12-04 2016-06-09 Koninklijke Philips N.V. Initialisation basée sur une forme et qa d'auto-planification progressive
US20180028261A1 (en) 2015-02-17 2018-02-01 Koninklijke Philips N.V. Device and method for assisting in tissue ablation
US20190159823A1 (en) * 2017-11-28 2019-05-30 Metal Industries Research & Development Centre Pre-surgical planning apparatus and pre-surgical planning method

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5464013A (en) * 1984-05-25 1995-11-07 Lemelson; Jerome H. Medical scanning and treatment system and method
US20070053491A1 (en) * 2005-09-07 2007-03-08 Eastman Kodak Company Adaptive radiation therapy method with target detection
US20090238434A1 (en) * 2008-03-24 2009-09-24 Gilbert Feke Method for reproducing the spatial orientation of an immobilized subject in a multi-modal imaging system
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
CN101795636B (zh) * 2007-01-24 2013-06-19 皇家飞利浦电子股份有限公司 Rf消融计划器
US8267927B2 (en) * 2007-01-24 2012-09-18 Koninklijke Philips Electronics N.V. Advanced ablation planning
US20080287783A1 (en) * 2007-05-16 2008-11-20 General Electric Company System and method of tracking delivery of an imaging probe
CN101859341A (zh) 2009-04-13 2010-10-13 盛林 影像引导消融治疗手术规划装置
EP2427866B1 (fr) * 2009-05-05 2019-02-27 Koninklijke Philips N.V. Estimation automatique de la confiance en donnees d'imagerie
US10729499B2 (en) 2011-07-28 2020-08-04 Koninklijke Philips N.V. Ablation planning system
US9277956B2 (en) 2011-11-09 2016-03-08 Siemens Medical Solutions Usa, Inc. System for automatic medical ablation control
WO2014139024A1 (fr) * 2013-03-15 2014-09-18 Synaptive Medical (Barbados) Inc. Systèmes de planification, de navigation et de simulation, et procédés de thérapie mini-invasive
SG10201707562PA (en) 2013-03-15 2017-11-29 Synaptive Medical Barbados Inc Intramodal synchronization of surgical data
US20150093007A1 (en) * 2013-09-30 2015-04-02 Median Technologies System and method for the classification of measurable lesions in images of the chest
JP6688536B2 (ja) * 2016-09-07 2020-04-28 エレクタ、インク.Elekta, Inc. 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法
CN107049475A (zh) * 2017-04-19 2017-08-18 纪建松 肝癌局部消融方法及系统
CN107545137A (zh) 2017-08-16 2018-01-05 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗计划智能优化方法
CN107441637B (zh) 2017-08-30 2019-06-07 南方医科大学 调强放疗计划中三维剂量分布的预测方法及其应用
EP4579590A1 (fr) * 2017-12-13 2025-07-02 Washington University Système et procédé de détermination de segments pour ablation
CN109077804A (zh) 2018-08-19 2018-12-25 天津大学 一种基于ct图像的微波消融治疗计划方法
CN109166613A (zh) 2018-08-20 2019-01-08 北京东方瑞云科技有限公司 基于机器学习的放射治疗计划评估系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016088075A1 (fr) * 2014-12-04 2016-06-09 Koninklijke Philips N.V. Initialisation basée sur une forme et qa d'auto-planification progressive
US20180028261A1 (en) 2015-02-17 2018-02-01 Koninklijke Philips N.V. Device and method for assisting in tissue ablation
US20190159823A1 (en) * 2017-11-28 2019-05-30 Metal Industries Research & Development Centre Pre-surgical planning apparatus and pre-surgical planning method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AMMAR JALALIMANESH ET AL: "Simulation-based optimization of radiotherapy: Agent-based modeling and reinforcement learning", MATHEMATICS AND COMPUTERS IN SIMULATION, vol. 133, 1 March 2017 (2017-03-01), NL, pages 235 - 248, XP055686968, ISSN: 0378-4754, DOI: 10.1016/j.matcom.2016.05.008 *
DANIEL JARRETT ET AL: "Applications and limitations of machine learning in radiation oncology", 3 June 2019 (2019-06-03), pages 1 - 18, XP055687043, Retrieved from the Internet <URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6724618/> [retrieved on 20200417], DOI: 10.1259/bjr.20190001 *

Also Published As

Publication number Publication date
EP3965684A1 (fr) 2022-03-16
CN114007538B (zh) 2024-03-29
JP7455862B2 (ja) 2024-03-26
FR3095332B1 (fr) 2023-07-21
CA3138208A1 (fr) 2020-12-30
JP2022537875A (ja) 2022-08-31
KR20220026534A (ko) 2022-03-04
US12127794B2 (en) 2024-10-29
IL289162A (en) 2022-02-01
CN114007538A (zh) 2022-02-01
US20220233242A1 (en) 2022-07-28
WO2020260433A1 (fr) 2020-12-30

Similar Documents

Publication Publication Date Title
FR3095332A1 (fr) Méthode de planification d’une ablation de tissus basée sur l’apprentissage profond
JP6916866B2 (ja) 画像再構成による加齢黄斑変性症を予測するための方法、実行可能プログラムを記憶するコンピュータ可読メモリ、および装置
EP4078464B1 (fr) Méthode de planification automatique d&#39;une trajectoire pour une intervention médicale
EP4338126B1 (fr) Méthode de génération d&#39;images médicales rares pour l&#39;entrainement d&#39;algorithmes d&#39;apprentissage profond
WO2015165978A1 (fr) Methode pour la quantification de la presence de graisses dans une region du cœur
Wu et al. Calibrate the inter-observer segmentation uncertainty via diagnosis-first principle
CA3176333A1 (fr) Methode de determination d&#39;une region d&#39;ablation basee sur l&#39;apprentissage profond
EP2353144A2 (fr) Procédé de traitement d&#39;image pour estimer une déformation d&#39;un cerveau d&#39;un patient
WO2021234304A1 (fr) Méthode de prédiction de la récidive d&#39;une lésion par analyse d&#39;images
EP3622478B1 (fr) Methode de segmentation d&#39;une image tridimensionnelle pour la generation d&#39;un modele de paroi du myocarde pour la detection d&#39;au moins une zone de circulation electrique singuliere
BE1028729B1 (fr) Méthode d&#39;analyse d&#39;images pour une meilleure prise de décision clinique
FR3143313A1 (fr) Dispositif d’assistance à la planification d’une intervention mini-invasive sur un os
WO2024126656A1 (fr) Dispositif d&#39;assistance à la planification d&#39;une intervention mini-invasive
WO2024110407A1 (fr) Procédé de segmentation automatique d&#39;un organe sur une image médicale en trois dimensions
EP3903280A1 (fr) Methode de prediction du risque de recidive apres un traitement d&#39;une tumeur par rayonnement
WO2026093678A1 (fr) Dispositif et procédé d&#39;entrainement d&#39;un modèle de segmentation, procédé et dispositif de segmentation d&#39;un objet en trois dimensions
EP4498961A1 (fr) Dispositif et procédé d&#39;assistance à une procédure d&#39;ablation tumorale percutanée
WO2012110737A1 (fr) Procédé de modélisation d&#39;une pièce formée de tissu osseux

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20201030

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7