Get started
Work

Méthodes d'apprentissage profond pour l'estimation de pose 3D et le recalage de nuages de points

Year: 2025
Type: dissertation
Abstract: Dans un contexte de vieillissement accéléré de la population mondiale, le nombre d'interventions chirurgicales visant à remplacer des articulations défaillantes (hanche, genou, épaule, etc.) connaît une croissance significative. La précision et la fiabilité des outils d'assistance opératoire deviennent ainsi des enjeux majeurs pour garantir la qualité des soins. C'est dans ce cadre que s'inscrit le projet MARSurg (ANR-21-CE19-0026), dont l'objectif est de développer une plateforme de réalité augmentée dédiée à la chirurgie orthopédique, en particulier pour les procédures de remplacement total de l'articulation du genou par une prothèse. Ce projet ambitionne de proposer des solutions moins invasives, tout en optimisant les performances fonctionnelles des implants, notamment en termes de stabilité et de durabilité. Cette thèse s'inscrit dans cette dynamique en s'attaquant à un problème fondamental : le recalage rigide d'informations tridimensionnelles comme les nuages de points. Ces nuages de points proviennent, d'une part, de modèles préopératoires issus de l'imagerie médicale (scanner ou IRM), et, d'autre part, de capteurs intra-opératoires de type caméra 3D ou lidar capturant la géométrie peropératoire de l'articulation exposée. Il s'agit d'une tâche essentielle en vision par ordinateur, en particulier pour le calcul précis des plans de coupe lors du remplacement articulaire. Le recalage consiste à estimer la transformation rigide (rotation et translation) permettant d'aligner au mieux deux nuages de points présentant un recouvrement partiel ou total. Pour répondre à ce défi, la thèse explore des approches d'apprentissage profond, ainsi que des méthodes hybrides intégrant des connaissances géométriques explicites, un encodage et une propagation de ces informations par apprentissage. En s'appuyant sur les avancées récentes en matière de recalage fondées sur l'utilisation des réseaux de neurones, elle propose de nouvelles architectures couvrant l'ensemble du pipeline : extraction de caractéristiques locales et globales, modélisation contextuelle par des transformeurs, appariement robuste entre nuages et estimation précise et fiable de la pose. Ces contributions tirent parti des propriétés topologiques spécifiques aux données 3D et ont été validées sur des bases de données qui font référence dans la littérature relative à ce domaine (ModelNet40, 3DMatch, KITTI, TUD-L, MVP-RG et Stanford bunny), dans des contextes variés allant de l'estimation de pose d'objets à l'alignement de scènes complexes, en environnements intérieurs comme extérieurs. Les résultats expérimentaux obtenus soulignent la précision, la robustesse et la capacité de généralisation des méthodes proposées. Ces avancées ouvrent la voie à une intégration concrète dans les systèmes d'assistance chirurgicale, avec pour objectif de fiabiliser, simplifier et sécuriser davantage le geste chirurgical.
Language: English
Open Access status: green
OpenAlex ID: W7108249610
Cites:
Cited by:
Related to: