Extraction des données de recalage à partir des images écho-

échographiques per-opératoires

Les données de recalage sont extraites des images échographiques per-opé-ratoires. Pour rappel, ces images sont acquises au moyen d’une sonde 2D localisée directement au contact des tissus. Les signaux Doppler ainsi que mode B sont enre-gistrés simultanément et les volumes d’images 3D correspondants sont reconstruits. Cette sous-partie détaille comment les différentes données de recalage introduites dans le paragraphe 3.1 sont extraites de ces volumes d’images échographiques.

L’ensemble des algorithmes présentés dans les paragraphes suivants sont exécutés pendant la procédure chirurgicale, une fois les images échographiques acquises et avant la compensation du brain-shift. Ces algorithmes doivent donc être rapides (quelques dizaines de secondes) et quasiment entièrement automatiques afin de permettre leur utilisation dans un processus clinique.

Extraction de l’arbre vasculaire

L’arbre vasculaire est extrait des images échographiques Doppler. En effet, ces images permettent de visualiser les flux, en particulier les flux sanguins, et offre un fort contraste au niveau des vaisseaux. Comme proposé par [Rei+07b], ces derniers sont segmentés par seuillage avec un seuil fixé manuellement par un opérateur. L’étape de squelettisation est ensuite réalisée avec le même algorithme que celui décrit dans le paragraphe 3.1.1 (paramètres :l_min=d_min = 3voxels).

Extraction de l’empreinte de la sonde échographique

L’empreinte de la sonde échographique correspond à la zone d’intensité très forte se situant à l’interface entre la sonde et les tissus du cerveau dans les images

mode B et découle d’un artefact de propagation des ondes ultrasonores. En effet, ce signal se propage dans les tissus et est réfléchi lors d’un changement de milieu. Lorsque les ondes pénètrent dans les tissus du cerveau, une partie est alors réfléchie en surface formant cette bande lumineuse constituant l’empreinte de la sonde échographique (voir Figure 3.6a pour plus de détails). Cette dernière, étant très facilement identifiable, est extraite des images mode B et utilisée pour contraindre la surface du cerveau pendant la simulation.

(a)Empreinte de la sonde dans une coupe échogra-phique

(b)Extraction des bords du volume d’images écho-graphiques

(c) Nuage de points su-perposé avec une coupe échographique

Fig. 3.6.: Extraction de l’empreinte de la sonde à partir des images échographiques per-opératoires.

Comme les images mode B sont acquises en même temps que les images Doppler, leur qualité est plus faible comparée à la qualité d’une acquisition écho-graphique uniquement dédiée à du mode B. Cependant, l’empreinte de la sonde reste facilement reconnaissable et plusieurs de ses propriétés peuvent ainsi être mises en avant : sa localisation dans l’image, l’intensité forte de ses voxels et sa géométrie quasi-plane. L’algorithme présenté dans le paragraphe suivant propose alors d’extraire cette empreinte de manière automatique en tirant partie de ces propriétés.

L’empreinte de la sonde échographique étant située sur un bord du volume d’images mode B, l’enveloppe externe de ce volume est tout d’abord extraite. Le résultat est illustré par la Figure 3.6b. Un filtre passe haut, dont le seuil est fixé manuellement par un utilisateur, est ensuite appliqué. Le volume binaire ainsi obtenu est alors converti en un graphe où chaque voxel, constituant un sommet, est connecté à ses voxels proches. Pour finir, le nuage de points de l’empreinte de la sonde échographique correspond aux sommets du graphe connecté le plus grand. Ces sommets sont montrés en 3D superposés à une coupe échographique 2D dans la Figure 3.6c.

Décimation des données de recalage

Comme expliqué précédemment, les contraintes de recalage (i.e. Multiplica-teurs de Lagrange) sont exprimées pendant l’étape de compensation du brain-shift à partir des données de recalage extraites des images échographiques (i.e.squelette de l’arbre vasculaire et nuage de points de l’empreinte de la sonde). Le nombre de contraintes actives pendant la simulation (et donc la taille de la matriceHqui sera définie dans le paragraphe 3.2.2) est ainsi directement lié au nombre de points composant ces éléments. D’une part, plus le nombre de contraintes est élevé, plus leur résolution sera longue. D’autre part, des instabilités numériques peuvent ap-paraître en cas de situation sur-contrainte. En effet, les contraintes sont appliquées sur les modèles de collision, puis transmises au modèle déformable via un mapping barycentrique. Si plus de trois contraintes non alignées s’appliquent au sein du même élément tétraédrique, le nombre de degrés de liberté du maillage éléments finis ne sera pas suffisant pour toutes les satisfaire.

Par conséquent, les données de recalage sont décimées afin de réduire le nombre de contraintes actives pendant la simulation. Au regard de la résolution du maillage éléments finis (i.e.environ 2000 nœuds) et du maillage surfacique de collision du cerveau (i.e.environ 300 sommets), le squelette de l’arbre vasculaire et le nuage de points de l’empreinte de la sonde sont respectivement échantillonnés à 1 point tous les 2.5 mm et 1 point tous les 10 mm.

Désactivation des conditions aux limites à l’endroit de la craniectomie

Comme détaillé dans le paragraphe 3.1.1, les sommets du maillage surfacique de collision sur lesquels les conditions aux limites sont appliquées sont déterminés automatiquement avant l’opération. Les position et taille de la craniectomie étant alors inconnues, ces éléments ne sont pas pris en compte. Cependant, une fois la dure-mère ouverte, les contacts entre le cerveau et cette membrane doivent être désactivés dans la zone d’ouverture. En pratique, les indices des sommets correspondants doivent être retirés de la liste des points contraints. Pour cela, la zone de la craniectomie est assimilée à la partie de la surface corticale où sont acquises les images échographiques et ainsi à la position de l’empreinte de la sonde. Son nuage de points est alors recalé rigidement au maillage surfacique de cerveau via l’algorithme de l’ICP (Iterative Closest Point) présenté par [BM92]. Toutes les conditions aux limites proches du nuage de points recalé sont finalement désactivées.