Assimilation de données images pour la personnalisation d'un modèle électromécanique du coeur

Clinical data is more and more complex, with an explosion of imaging techniques and measurements. Numeric heart models can integrate and analyse these various data by adapting (personalising) them to each patient. These personalised models aim to improve the diagnosis and to find the therapies (e.g. pacing location and delays for cardiac resynchronisation therapy) that are best suited for each patient. This thesis proposes a framework to personalise an electromechanical model from time series of 3D images (such as cine-MRI or CT-scan). This personalization consists in estimating the state of the heart model (i.e. position/velocity) together with the electrical and mechanical parameters of the given electromechanical model. In this thesis, we mainly focus on estimation of the cardiac motion and of the parameters of contractility of the model. The first part of this thesis describes our improvements of the modelisation of the cardiac phases and a sensitivity analysis. The second part reports our generalisation of the segmentation and motion tracking with deformable models commonly used for the analysis of medical images. This generalisation consists in coupling a proactive deformable model with 3D images sequences. Finally, we propose a method to automatically estimate the active mechanical parameters of the model from 3D images sequences. The main issue arises from the strong non-linearity generated by the phase switches. We address this issue using variational assimilation of image data. The gradient of the error function is computed with the adjoint state method. These methods (motion/active mechanical parameters estimation) are evaluated on synthetic data and applied to clinical cine-MRI and CT-scan. This work is a first step towards the complete personalisation of the heart model and opens up possibilities for the optimisation of a therapy for each patient.Les données cliniques disponibles pour le diagnostic et la planification de thérapies sont de plus en plus variées et complexes, ce qui apporte des informations plus riches, mais rend la tâche du médecin difficile. Les modèles informatiques de cœur peuvent intégrer et analyser ces données en s'adaptant à chaque patient de manière à proposer au médecin une vue intégrée ainsi que des paramètres intrinsèques. Cependant, il faut pour cela mettre en place des méthodes d'ajustement automatique de ces modèles mathématiques aux données du patient. Dans cette thèse, nous proposons une méthodologie pour personnaliser un modèle électromécanique à partir de séquences temporelles d'images volumiques telles que des séquences ciné-IRM ou scanner. Cette personnalisation consiste en l'estimation de l'état (position/vitesse) et des paramètres électriques et mécaniques du modèle électromécanique. Nous nous intéressons ici à l'estimation du mouvement cardiaque et des paramètres de contractilité du modèle électromécanique. Dans un premier temps, la modélisation des différentes phases cardiaques a été améliorée et une étude de sensibilité a été effectuée. Puis, les approches de segmentation et de suivi du mouvement par modèles déformables ont été généralisées en couplant un modèle déformable proactif avec des séquences d'images 3D. Cette méthode est évaluée sur des données synthétiques et appliquée à des séquences ciné-IRM ou scanner. Enfin, une méthode d'estimation automatique des paramètres de contractilité à partir de séquences d'images 3D est proposée, la principale difficulté provenant des non-linéarités liées aux changements de phases. La méthode proposée est fondée sur l'assimilation de données variationnelle et le gradient du critère d'erreur est calculé à l'aide de la méthode de l'état adjoint. Cette méthode est évaluée sur des données synthétiques avant d'être appliquée à des ciné-IRM cliniques. Cette thèse pose des bases de la personnalisation du modèle électromécanique du cœur et ouvre des perspectives pour l'optimisation des traitements selon le patient considéré