Création de jumeaux numériques par fusion de données radiographiques et optiques pour la médecine bucco-dentaire

Contexte et objectifs cliniques

Les technologies d'imagerie récentes, telles que les radiographies CBCT (imagerie volumétrique par faisceau conique) et l'empreinte optique, ont révolutionné la façon dont les cliniciens et les chercheurs recueillent les données médicales ouvrant la voie à de nouvelles possibilités d'analyse et de modélisation patient-spécifique. Cependant, leur utilisation pour l'aide à la planification clinique reste complexe et peu ergonomique, car les praticiens doivent jongler entre les données multi-modales issues de différents systèmes d'acquisition non connectés. Par ailleurs, la segmentation précise des structures dentaires à partir d'images médicales revêt une importance cruciale dans de nombreuses applications cliniques en orthodontie, endodontie, implantologie ainsi que dans la médecine personnalisée.

Une collaboration entre les laboratoires Creatis et Lamcos et les HCL de Lyon, ce projet vise à développer des outils novateurs de segmentation automatique ou interactive qui exploitent la complémentarité des données d’image multi-modales afin de créer des jumeaux numériques patient-spécifiques, tout en répondant aux besoins des praticiens en matière de précision et d'efficacité dans la pratique quotidienne. La mise en place d’une démarche d'évaluation clinique permettra de valider l'efficacité et la pertinence des méthodes proposées.

Contexte et objectifs méthodologiques

Les méthodes de segmentation actuelles se heurtent à plusieurs défis, notamment la faible disponibilité de données annotées limitant les approches par apprentissage supervisé. En segmentation d’images dentaires, la plupart des approches de l’état de l’art traitent d’une seule modalité, souvent radiographique [1, 2], ou analysent des images d’une même modalité présentant des vues différentes [3]. L’imagerie scanner CBCT présente les avantages de faible irradiation pour le patient et de flexibilité d’utilisation pour le praticien. Cependant, les images CBCT ont une faible résolution en comparaison avec l’imagerie scanner cranio-maxillo-faciale. En revanche, les images d’empreintes optiques [4] sont de haute résolution, elles se limitent toutefois à la partie visible des dents sans information possible sur l’anatomie des racines.

Afin de surmonter ces limitations, ce projet a comme objectif de développer une méthode de segmentation d’images dentaires par apprentissage non ou faiblement supervisé en exploitant simultanément les données radiographiques et optiques. Les travaux de recherche démarreront sur des jeux de données publiques existants [5], et grâce au partenariat hospitalier, l’acquisition d’images en grand nombre sera possible à courte échéance. Ces données seront indispensables pour le développement des méthodes et pour la mise en place d’une démarche d’évaluation clinique en collaboration avec le praticien partenaire. Par ailleurs, le projet se donne comme objectifs complémentaires la création de jeux de données de référence accessibles pour favoriser la reproductibilité des recherches, ainsi que le développement d'un outil de segmentation interactive pour faciliter l’application des méthodes en contexte clinique.

Profil recherché

Titulaire de M2 recherche en informatique, traitement d'images ou apprentissage automatique avec des acquis solides en mathématiques appliquées, analyse d'images et informatique, ainsi que de bonnes compétences en programmation. Une connaissance théorique et pratique des méthodes d'apprentissage profond est nécessaire. Les connaissances en imagerie médicale sont un plus.

Équipe d’encadrement 

Directeur : Sébastien Valette, CR CNRS, Laboratoire Creatis, HdR (sebastien.valette@creatis.insa-lyon.fr)
Co-directeur : Razmig Kéchichian, MCF INSA, Laboratoire Creatis (razmig.kechichian@creatis.insa-lyon.fr)
Collaborateur : Raphaël Richert, dentiste-chirurgien, HCL, Laboratoire Lamcos (raphael.richert@insa-lyon.fr)

Candidature

Nous invitons les candidats motivés à nous envoyer leur CV accompagné d'une lettre de motivation ainsi que les relevés de notes de M1 et M2.

Bibliographie

  1. Dot, G., Schouman, T., Dubois, G., Rouch, P., & Gajny, L. (2022). Fully automatic segmentation of craniomaxillofacial CT scans for computer-assisted orthognathic surgery planning using the nnU-Net framework. European radiology, 1-10.

  2. Zhang, C., Elgharib, M., Fox, G., Gu, M., Theobalt, C., & Wang, W. (2022). An Implicit Parametric Morphable Dental Model. ACM Transactions on Graphics (TOG), 41(6), 1-13.

  3. Yang, Y., Cui, Z., Li, C., & Wang, W. (2022). ToothInpaintor: Tooth Inpainting from Partial 3D Dental Model and 2D Panoramic Image. arXiv preprint arXiv:2211.15502.

  4. Richert, R., Goujat, A., Venet, L., Viguie, G., Viennot, S., Robinson, P., ... & Ducret, M. (2017). Intraoral scanner technologies: a review to make a successful impression. Journal of healthcare engineering, 2017.

  5. Ben-Hamadou, A., Smaoui, O., Rekik, A., Pujades, S., Boyer, E., Lim, H., ... & Ladroit, E. (2023). 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge. arXiv preprint arXiv:2305.18277.