Présentation Sylvain Gerbaud (02/02/2024)

  • Date : 02/02/2024 – 10h
  • Salle : Polytech salle de doc – bâtiment A
  • Zoom : https://univ-amu-fr.zoom.us/j/88082735588?pwd=QlJlZzM1WUNIRGt1ZEdrb0hLMTJhdz09
  • Sylvain Gerbaud, XLIM, Poitiers
  • Titre : Reconstructions 3D tissulaires basées sur le métabolisme sous-jacent exploré en spectroscopie par résonance magnétique
  • Résumé : Dans le domaine médical, une représentation 3D du cortex cérébral est utilisée pour évaluer des volumes tumoraux et détecter des maladies neurodégénératives comme Alzheimer ou la sclérose en plaques. Le besoin de la 3D vise à créer des modèles précis et complexes pour une meilleure visualisation anatomique et pour de la simulation. Les modèles 3D sont généralement basés sur des grilles de voxels en fonction des données provenant de diverses techniques d’imagerie. Cependant, cette représentation présente des limitations pour les calculs géométriques, en raison de la taille des voxels, et ne reflète pas fidèlement l’anatomie réelle du cerveau.
    Pour obtenir une représentation plus détaillée, des approches de modélisation 3D continue ont été proposées. Les méthodes standards dans ce domaine sont limitées. Elles ne peuvent pas représenter les lésions ni les relations entre les tissus cérébraux. Ces relations sont essentielles pour garantir et valider la cohérence des structures tissulaires dans le modèle 3D.
    Nous proposons un modèle 3D continu dédié à l’étude du cerveau , qui centralise les données anatomiques et toutes les informations issues du contexte d’application. Nous décrivons une nouvelle méthode de reconstruction pour modéliser les tissus cérébraux, enrichi par des informations de sémantique et topologiques. Ces dernières sont décrites dans notre modèle par les cartes généralisées. Notre méthode utilise un ensemble de contraintes de cohérence définies en 3D, et exploite les connaissances et informations médicales pour guider la reconstruction.
    Ensuite, nous utilisons notre modèle pour une application de visualisation et de représentation de données acquises par spectroscopie par résonance magnétique. Cela permet notamment d’étudier, au plus proche des données réelles, l’impact des différents tissus reconstruits sur le métabolisme. Enfin, nous expliquons comment ce modèle peut être utilisé pour des applications basées sur des données acquises par tomographie.