Mise en correspondance de graphes utilisant la biomécanique pour le recalage intro-opératoire d'images hépatiques

This thesis presents the development of an automatic elastic registration method based on matching of vascular graphs extracted from both pre-operative and intra-operative images. The method can fuse accurate pre-operative information onto an organ undergoing small to large deformations during surgery, to compensate for the limited details provided by intra-operative imaging modalities and improve the visualization of tumor(s), vasculature and other important internal structures. Although methods dedicated to non-rigid graph matching exist, they are not efficient when noise, topology changes, and large intra-operative deformations are present. The first contribution presented is a biomechanical graph matching method (BGM) that builds on the work of Serradell et al. (2015). BGM combines the Gaussian Process Regression (GPR) matching with a biomechanical model of the organ, as a mean to discard matching hypotheses which would lead to non-plausible deformations (Garcia Guevara et al., 2018). However, BGM is not robust to noise, only matches limited size graphs and has a high computation time. The second contribution is the Adaptive Compliance Graph Matching (ACGM) method (Garcia Guevara et al., 2019), which allows to efficiently find the best graph matches with a novel compliance-based search and an adaptive rigid to soft approach. This reduces the computation time by predicting first the most plausible matching hypotheses. It also reduces the sensitivity on the search space parameters and improves the registration quality. The proposed registration methods are evaluated with realistic synthetic and real porcine datasets, showing that ACGM is compatible with intra-operative constraints.La première contribution proposée est d’abord de remplacer l’estimation de la transformation faite par GPR par un modèle biomécanique de organe, avec l’idée qu’une estimation plus proche de la physique permet de mieux éliminer les hypothèses erronées (Garcia Guevara et al., 2018). Cette méthode appelée BGM permet de réduire l’erreur de recalage mais elle reste peu robuste au bruit et a encore un coût de calcul trop élevé.L’utilisation d’une mise en correspondance basée sur la compliance est la seconde contribution de ce chapitre. Deux algorithmes ont ainsi été développés. VCGM est basé sur le modèle vascularisé du foie pour le calcul de la transformation et le calcul de la compliance. L’introduction de la mise en correspondance basée sur la compliance s’est révélé beaucoup plus efficace que l’usage de la covariance. La méthode développée ensuite, appelée ACGM, vise à réduire encore le temps de calcul grâce à une stratégie adaptative consistant à développer en premier lieu les hypothèses de mise en correspondances les plus plausibles. Cette stratégie réduit par ailleurs la sensibilité de l’algorithme au choix des paramètres de la méthode et améliore la qualité du recalage. Les méthodes utilisées ont été testées avec des jeux de données synthétiques ainsi que sur des données réelles avec comme données préopératoires des scanners et pour données per-opératoires des images CBCT et ultrasons 3D