Contexte et Objectifs :
L’identification des repères osseux est une procédure essentielle en orthopédie personnalisée, en biomécanique et en morphométrie. Ses domaines d’application incluent par exemple la planification préopératoire et la navigation peropératoire personnalisées, la mise à l’échelle personnalisée des modèles musculo-squelettiques et l’analyse statistique de la morphologie osseuse. Ces repères servent à construire des cadres de référence anatomiques personnalisés et à déterminer quantitativement la morphologie osseuse. L’identification manuelle des repères est chronophage, exige une formation médicale, est sujette à une variabilité intra et inter-observateur et ne convient pas à l’analyse de grands ensembles de données comportant de nombreux sujets. Les méthodes automatiques d’identification des repères doivent fournir des résultats reproductibles, être invariantes à l’orientation et à la position de l’os et robustes face à la grande variabilité interindividuelle des os. Bien que l’articulation de la hanche, dont l’acétabulum fait partie du bassin, soit l’une des articulations les plus étudiées du corps humain, seules quelques méthodes d’identification entièrement automatique des points de repère pelviens sur des modèles de surface ont été publiées jusqu’à présent.
L’approche de pointe en matière de repérage anatomique repose sur un processus manuel ou sur diverses méthodes telles que les atlas, les modèles statistiques de forme (SSM) et les approches basées sur la courbure. Le principal inconvénient de ces approches est leur manque d’automatisation : elles nécessitent un modèle a priori pour fonctionner correctement et sont généralement validées sur des radiographies conventionnelles, moins complexes que les scanners 3D. Dans ce contexte, les approches basées sur l’IA présentent un intérêt certain pour le développement de méthodes de repérage anatomique entièrement automatisées, préférables à une identification manuelle subjective et chronophage.
L’objectif du stage est :
- d’identifier dans la base de données du CHU de Nice des scanners du bassin sains et fracturés;
- annoter manuellement (placement des repères anatomiques) les scanners du bassin sains et fracturés ;
- proposer une approche de deep learning pour l’identification automatique des repères osseux dans le pelvis sur des CT scans (Figure 1) .
Résultats Attendus :
Les résultats attendus sont
- base de données des bassins sain et fracturés;
- base de données contenant les repères anatomiques dans des bassins sains et fracturés;
- algorithme de positionnement automatique des repères osseux dans le pelvis sur des CT scans.
Compétences Requises :
Connaissances de l’environnement hospitalier et du secteur santé, ainsi que des technologies innovantes (algorithmes IA, traitement de l’image, segmentation, modélisation, …), connaissance de l’écosystème medtech, participation à des travaux collaboratifs.
Traitements et analyses d’images médicales 3D, experience en DeepLearning – Expérience en Python et les frameworks (TensorFlow, PyTorch) – Maîtrise des logiciels d’imagerie médicale (3D slicer, ITK snap, ect) – Capacité de travailler en équipe et en autonomie – Anglais.
ceux qui sont utilisés comme vérité de terrain (en vert).
Encadrement :
Dr Abdelbasset BRAHIM : abdelbasset.brahim@univ-cotedazur.fr
Dr Isa CONSTANTINI : Isa.COSTANTINI@univ-cotedazur.fr
Prof Marc-Olivier GAUCI : Marc-Olivier.GAUCI@univ-cotedazur.fr
Durée et Lieu :
Stage M2 de 6 mois (Janvier- Juin 2026)
Equipe ICARE – FHU Plan&GO
Campus Pasteur
28 avenue Valombrose
06107 Nice
Hôpital Pasteur2
30 voie Romai
