Identification automatique du niveau vertébral à l’aide de l’imagerie par ultrasons

  • Superviseur :

    Houssem Gueziri

  • Domaine(s) :
    • Apprentissage machine
    • Science des données
    • Traitement d'image

But:

Utiliser des techniques d’apprentissage machine pour classifier des images échographiques

Intérêt :

L’étudiant va approfondir ses connaissances en apprentissage machine et traitement d’images.

Description :

La localisation précise du niveau vertébral représente une étape cruciale dans la chirurgie de la colonne vertébrale. La procédure standard, qui utilise la palpation manuelle de la colonne vertébrale, présente un faible taux de réussite de 30 à 63 % et doit être confirmée à l’aide de l’imagerie par fluoroscopie. Bien que cette dernière permette une identification précise du niveau vertébral, elle introduit également une exposition aux radiations pour le patient et le personnel médical.

Objectifs :
L’objectif de ce projet est d’explorer l’utilisation de l’imagerie non-ionisante par ultrasons (US) pour localiser avec précision les niveaux vertébraux sur l’anatomie du patient. Trois objectifs spécifiques doivent être abordés : (i) mettre en œuvre une méthode d’apprentissage automatique pour classer les images par ultrasons en images vertébrales ou intervertébrales, (ii) proposer un protocole/stratégie d’imagerie par ultrasons pour le comptage des niveaux vertébraux, et (iii) évaluer le système sur des données existantes.

Les compétences requises pour réaliser ce projet :

Compétences générales

  • Bonne maîtrise de l’anglais est nécessaire.
  • Familiarité avec la modélisation mathématique et l’apprentissage machine

Compétences spécifiques

  • Le langage Python est recommandé (mais pas obligatoire) pour réaliser le projet
  • Connaissances de base en programmation

Compétences professionnelles

Références bibliographiques  :

  • Hetherington, J., Lessoway, V., Gunka, V., Abolmaesumi, P. and Rohling, R., 2017. SLIDE: automatic spine level identification system using a deep convolutional neural network. International journal of computer assisted radiology and surgery, 12, pp.1189-1198.
  • Yu, S., Tan, K.K., Sng, B.L., Li, S. and Sia, A.T.H., 2014, August. Feature extraction and classification for ultrasound images of lumbar spine with support vector machine. In 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 4659-4662). IEEE.
  • Baka, N., Leenstra, S. and van Walsum, T., 2017. Ultrasound aided vertebral level localization for lumbar surgery. IEEE transactions on medical imaging, 36(10), pp.2138-2147.