Optimisation de la planification chirurgicale en orthopédie

Introduction 

OneOrtho Medical est une société spécialisée dans la conception, l’industrialisation et la commercialisation d’implants orthopédiques sur-mesure. La société commercialise une plateforme numérique visant à améliorer la planification des interventions chirurgicales orthopédiques, couvrant diverses articulations telles que la cheville, la hanche, le genou et l’épaule.

Dans le domaine de la chirurgie orthopédique, la prévision de la taille des composants, la minimisation de la durée de l’intervention chirurgicale, la qualité de la prise en charge du patient c’est-à-dire la récupération d’une capacité motrice et d’une mobilité normale sont des critères cruciaux du succès de l’opération. Les avancées technologiques et les méthodes de modélisation basée sur l’exploitation de CT-scans permettent désormais une planification plus précise. Les chirurgiens peuvent anticiper avec exactitude le modèle de prothèse et de guide de coupe adapté à chaque cas patient ainsi que leur positionnement précis. OneOrtho Medical propose donc une plateforme de planification chirurgicale permettant au chirurgien d’assurer le bon déroulement de l’opération et de minimiser les risques de complication pour le patient tout en visant à lui rendre un maximum de mobilité.

Objectifs

Pour optimiser son processus de planification chirurgicale, OneOrtho Medical s’est associée à Neovision afin d’intégrer des solutions d’intelligence artificielle. Cette collaboration a deux objectifs principaux : d’abord, automatiser la reconstruction des articulations du membre inférieur (cheville, genou et hanche) en identifiant précisément chaque os de l’articulation. Ensuite, pour compléter le modèle osseux en 3D, des points anatomiques sont placés automatiquement en 3D à la surface des os, c’est l’étape de fonctionnalisation. Ainsi, cette collaboration vise à simplifier et accélérer la planification des opérations chirurgicales de pose de prothèses orthopédiques.

En amont d’une opération de pose de prothèse, le patient réalise une série d’examens radiologiques afin d’obtenir des CT-scans des zones articulatoires à opérer. Cette modalité d’imagerie 3D permet ensuite aux experts chez OneOrtho Medical de mener la reconstruction et la fonctionnalisation manuellement afin de finalement présenter au chirurgien orthopédique un modèle de prothèse, un guide de coupe sur-mesure et une planification opératoire sur la plateforme numérique de OneOrtho Medical.

Le processus manuel de reconstruction et de fonctionnalisation implique une série de tâches répétitives et chronophages. Avant que ces tâches soient automatisées, OneOrtho Medical mettait plusieurs jours pour répondre à une demande de planification d’un chirurgien. Il est donc important de souligner la lenteur actuelle du traitement des données chez OneOrtho Medical, aggravée par les problèmes de baisse de concentration et de fatigue liés aux tâches répétitives, ce qui peut affecter la qualité de la planification.

En effet, l’automatisation de ces étapes du processus représente un triple objectif pour OneOrtho Medical. Tout d’abord, elle vise à accélérer le processus d’annotation, ce qui rend le service plus réactif pour les chirurgiens tout en anticipant une augmentation future du nombre de cas à traiter. Ensuite, l’automatisation vise à libérer le temps précieux des experts, les orientant vers des tâches à plus forte valeur ajoutée. Enfin, cette automatisation permet à OneOrtho Medical de mieux maîtriser et de quantifier la qualité des étapes de reconstruction et de détection, tout en maintenant un contrôle humain expert sur l’ensemble du processus.

Interface de planification opératoire – Source : provient du site oneortho-medical.com

L’IA dans la médecine chirurgicale

Neovision s’est emparé du sujet de l’IA dans la médecine chirurgicale et a challengé l’état de l’art pour répondre aux besoins émergents. Dans ce cadre, Neovision joue un rôle central dans deux étapes cruciales : la segmentation des os et la détection d’objets 3D, principalement des points, mais aussi des axes et des sphères nécessaires au positionnement précis des prothèses.

Les interventions de Neovision s’étendent sur trois problématiques distinctes. Tout d’abord, le traitement des données brutes représente une étape préliminaire essentielle et complexe en raison de la variabilité de ces données cliniques. L’extraction, le nettoyage et la normalisation des images 3D pertinentes ont nécessité un important travail pour obtenir des données propres et exploitables pour les technologies de deep learning étudiées par la suite.

Ensuite, la deuxième étape concerne la reconstruction 3D des os des articulations, impliquant une tâche de segmentation 3D multi-labels sur les os spécifiques, tels que le tibia, le péroné, le talus, le calcanéus, le naviculaire, ainsi que les os du genou et de la hanche. Le modèle IA développé catégorise chaque voxel de l’image (pixel 3D), déterminant s’il appartient à l’un des os de l’articulation ou s’il n’appartient à aucun os.

Enfin, Neovision aborde la fonctionnalisation des articulations, une tâche de détection 3D de points anatomiques. Par exemple, pour la cheville, trois points doivent être détectés : le centre du plateau tibial, le sommet du dôme tibial et le sommet du dôme talaire. Ces points, initialement positionnés selon un protocole d’annotation basé sur des règles métiers liées à l’anatomie et à la géométrie osseuse, seront désormais déterminés par le modèle IA développé et respecteront les contraintes de précisions inhérentes à ces problématiques médicales complexes. Bien que la tâche soit similaire, on ne parle plus de 3 mais de 34 points à positionner pour l’opération de pose de prothèse de genou et de 47 points pour la hanche. Au vu de la complexité croissante du problème à résoudre, Neovision a dû développer une méthodologie ambitieuse capable de gérer l’importante variabilité des cas patients, et généralisable aux différentes problématiques de poses de prothèses.

Création du jeu de données

Pour résoudre des problématiques à forte complexité telles que la reconstruction et la fonctionnalisation, Neovision utilise des algorithmes de Deep Learning gourmands en données. La constitution de jeux de données d’entraînement est donc un prérequis essentiel à ces travaux. Dans un contexte médical, la base de données doit à la fois respecter l’exigence réglementaire d’anonymisation des données patients, être représentative de toutes les situations pathologiques rencontrées chez les patients, et avoir un niveau de qualité acceptable d’un point de vue clinique.

Pour chaque cas patient, Neovision a traité les données issues de ses examens radiologiques. Ces données sont directement issues de l’imageur du service de radiologie de l’hôpital et sont stockées au format DICOM. Elles présentent une importante variabilité due aux différents modèles d’imageurs, aux pratiques des radiologues ou à la façon de stocker les images scannées. Dans les faits, un dossier patient ne présente pas les données d’imagerie de façon adaptée pour les travaux de Deep Learning envisagés.

Le dossier est constitué de plusieurs acquisitions, présente des redondances, des données inexploitables ou inutiles et couvre différentes zones articulatoires. Neovision a donc dû mettre en place un algorithme robuste à cette variabilité qui soit capable de gérer n’importe quelle forme de dossier patient en préparant et nettoyant les données de façon à ce qu’elles soient exploitables pour les modèles de reconstruction et de fonctionnalisation.

Pour chaque patient, il est nécessaire de trouver dans ces données cliniques au moins une série DICOM haute résolution correspondant à l’acquisition de l’articulation à reconstruire (cheville, genou ou hanche), ainsi que des séries DICOM basse résolution pour l’acquisition d’autres articulations nécessaires à la fonctionnalisation de l’articulation d’intérêt.

Dans l’optique d’entraîner des modèles de Deep Learning, OneOrtho Medical a également fourni des annotations, c’est-à-dire des exemples de résultats attendus tant pour la reconstruction que pour la fonctionnalisation. Il s’agit d’une étape primordiale du développement d’un modèle de Deep Learning : la qualité de cette annotation impacte directement la qualité des performances, et si l’annotation est imprécise, le modèle sera entraîné à reproduire cette imprécision. Neovision a donc utilisé des outils de statistiques et de visualisation afin de maîtriser attentivement la qualité de cette annotation. L’objectif étant de faire remonter au client des erreurs d’annotations, des annotations manquantes ou imprécises pour les corriger.

Ce travail préparatoire a permis à Neovision de construire un jeu de données d’entraînement qualitatif. Il comprend pour chaque patient, une image 3D de CT-scan normalisée, un masque de segmentation 3D de chaque os de l’articulation et la position en 3D de chaque point à détecter.

Reconstruction des parties osseuses

Une fois ces données préparées, une solution de reconstruction des os en 3D a été développée en partant de l’architecture Deep Learning Attention- Unet. Le problème de reconstruction sur des données d’images médicales est équivalent, d’un point de vue IA, au problème de segmentation multi-labels 2D. Il s’agit de développer un modèle de Deep Learning qui analyse chaque voxel d’un CT-scan (un voxel est un pixel en 3D) et détermine à quel os correspond ce voxel. À partir d’un CT-scan, le modèle de Deep Learning génère donc une représentation 3D des os du patient.

Finalement, un modèle distinct a été entraîné pour segmenter chacune des 3 articulations. Pour la cheville, le modèle a permis de segmenter le naviculaire, le calcanéum, le tibia, le péroné et le talus. Concernant la hanche, la reconstruction consistait en la segmentation et en la reconstruction tridimensionnelle du bassin, du fémur vide et de la diaphyse (uniquement du côté opéré). Quant à la reconstruction du genou, Neovision s’est attelé à la segmentation et à la reconstruction tridimensionnelle du fémur vierge, de la rotule et du tibia vierge.

Les résultats de l’étude pour le problème de segmentation multi-labels sont concluants, avec un coefficient Dice dépassant les 90%, indiquant une excellente performance dans la précision de la segmentation. L’erreur moyenne point à point s’établit à environ 0,65 mm, illustrant la grande précision obtenue dans la reconstruction tridimensionnelle des structures anatomiques.

Plusieurs défis ont été identifiés qui feront l’objet de travaux futurs : d’une part, certaines zones articulatoires pour lesquelles la frontière entre deux os peut être floue sont reconstruites avec une erreur dépassant 1 mm par endroit. D’autre part, certains cas patients fortement pathologiques présentant d’importantes déformations osseuses, des calcifications ou des ostéophytes sont challengeant pour les modèles de reconstruction. Des travaux d’optimisation et de réentraînement sont envisagés pour répondre à ces défis.

Détection des points anatomiques

Neovision a conçu un algorithme de landmarking 3D qui se concentre sur l’identification précise de points anatomiques stratégiques pour chaque os. Cette approche repose sur les connaissances des chirurgiens orthopédiques, permettant la création d’une base de données de points anatomiques essentiels au bon déroulement des interventions chirurgicales.

Afin de résoudre cette problématique complexe, l’équipe Neovision a développé une approche unifiée capable de détecter tous les points anatomiques d’un patient pour une opération de pose de prothèse. Le cœur de cette approche consiste à entraîner un modèle de deep learning optimisé pour la détection d’un point anatomique, quel que soit ce point anatomique. Une fois que ce modèle a été entraîné, il suffit de lui demander de détecter tous les points d’une problématique opératoire. De cette façon, l’approche développée est générique et peut répondre de façon équivalente aux trois problématiques de pose de prothèse.

En travaillant à formaliser la problématique de détection de points anatomiques en collaboration avec les experts de OneOrtho Medical, Neovision a soulevé des incohérences entre les protocoles d’annotation constitués de règles géométriques formelles et la réalité de l’anatomie des patients.

Pour des patients présentant des pathologies importantes, la position des points anatomiques est fortement distordue et les protocoles d’annotation sont mis en défaut. L’expert suit alors plus son intuition et sa propre compréhension des règles anatomiques.

Pour Neovision, le challenge a donc été de développer un modèle IA suffisamment robuste pour correctement prédire la position des points pour des patients fortement pathologiques. Les résultats obtenus démontrent que l’IA est capable d’annoter de manière précise les points anatomiques avec une précision moyenne inférieure à 3mm. 

Face à la complexité de cette tâche de fonctionnalisation, l’importance de l’expertise et l’intuition de l’annotateur, Neovision a challengé OneOrtho Medical pour mieux quantifier la variabilité de l’annotation proposée par plusieurs experts. Lors d’un congrès médical spécialisé sur la chirurgie orthopédique du genou, OneOrtho Medical a présenté une analyse comparative des annotations menées par des experts chez OneOrtho Medical, des chirurgiens orthopédistes et l’algorithme d’IA développé par Neovision. Un des résultats de cette analyse est que pour certains points, plusieurs chirurgiens positionnent un même point à plusieurs millimètres de distance. Ce désaccord entre experts montre la complexité de la tâche à résoudre et que, dans ces cas-là, l’algorithme de détection peut difficilement dépasser le niveau de performance des experts eux-mêmes.

Positionnement des points anatomiques par l’IA pour la pose de prothèse de hanche

Conclusion

À l’issue de ces travaux, Neovision a développé un service IA de reconstruction et de fonctionnalisation qui est aujourd’hui utilisé en production dans la plateforme de planification de OneOrtho Medical. Ce service permet de faire une proposition de planification à un chirurgien en 15 minutes au lieu de plusieurs jours en maintenant un niveau de performance comparable à celui des experts. Il s’agit donc d’une considérable amélioration de l’expérience utilisateur du chirurgien, et également d’un gain de productivité pour les experts OneOrtho Medical qui peuvent consacrer leur temps à des tâches à plus forte valeur ajoutée.

Neovision a mené des travaux de recherche pour concevoir une solution IA au problème de reconstruction et de fonctionnalisation dans un contexte clinique. L’automatisation de la planification chirurgicale grâce à des modèles de Deep Learning montre les capacités hors-normes des technologies d’IA. Des perspectives sont envisagées et des progrès peuvent notamment être fait en adaptant et optimisant les solutions actuelles pour d’autres problématiques impliquant le traitement de différentes modalités d’imagerie médicale comme l’aide au diagnostic, la planification chirurgicale ou la navigation per-opératoire.

« Nous ne pouvons que recommander Neovision pour vos projets d’innovation nécessitant une expertise IA. »

Nous avons eu le plaisir de collaborer avec la société NEOVISION dans le cadre du développement d’une solution d’intelligence artificielle dédiée au traitement d’imagerie médicale, permettant la reconstruction 3D et l’annotation anatomique pour la planification 3D automatique d’implants pour la chirurgie orthopédiques.

Bien que le projet ait pris plus de temps que prévu, nous tenons à souligner la qualité exceptionnelle du travail fourni. L’équipe de NEOVISION, ainsi que son dirigeant, ont fait preuve d’un professionnalisme exemplaire, d’une grande disponibilité et d’une écoute active tout au long du processus. Leur capacité à s’adapter à nos besoins, ainsi que la mise en place d’un transfert de compétences complet, ont permis d’assurer une transition fluide et une appropriation parfaite de la solution par nos équipes.

Nous sommes extrêmement satisfaits du résultat final et de l’engagement de NEOVISION tout au long de cette collaboration. Grâce à leur expertise en IA et en traitement d’imagerie médicale, nous disposons désormais d’un outil puissant qui va significativement améliorer notre processus de planification chirurgicale. Nous ne pouvons que recommander NEOVISION pour vos projets d’innovation nécessitant une expertise en intelligence artificielle.

Christophe Alépée, CEO,
OneOrtho Medical