Contribution à la reconstruction temps réel des images médicales 3D pour l’aide aux diagnostics des maladies : Application en radiothérapie

Abstract

Medical imaging plays an essential role in diagnosis, planning, and therapeutic monitoring, particularly in the treatment of complex pathologies such as brain tumors. The evolution of imaging acquisition technologies, combined with the rise of artificial intelligence and image processing techniques, has made it possible to consider the 3D reconstruction of anatomical structures from series of two-dimensional slices. However, this task remains highly resource-intensive, which limits its real-time use, especially in constrained environments such as embedded medical devices. This thesis proposes an original design flow enabling real-time 3D reconstruction of medical images, with a particular focus on the detection and segmentation of brain tumors. The developed approach relies on the use of FPGA-type programmable logic circuits, which offer an optimal compromise between performance, flexibility, and energy consumption. Several aspects have been studied, including the hardware implementation of image processing and deep learning algorithms, volumetric rendering, as well as the optimization of architectures to meet real-time requirements. Furthermore, we propose an innovative deep learning methodology dedicated to the detection and segmentation of tumors in medical images, relying on CNNs and the U-Net architecture. This approach highlights the importance of enhancing the quality and relevance of features extracted upstream, through the use of advanced image preprocessing techniques. A portable and low-cost device was designed based on Raspberry Pi for the initial detection of tumors. Subsequently, the algorithm was deployed on more powerful embedded hardware platforms, such as the Ultra96-V2 and the Kria KV260, enabling real-time execution with the development of the algorithm for 3D tumor reconstruction. A performance comparison was conducted to evaluate the effectiveness of the different architectures. The results obtained demonstrate the feasibility and relevance of the proposed approach, both in terms of accuracy and speed, thus paving the way for future integration into intelligent, mobile, and autonomous medical systems. ------------------------------------------------------------------------- يشغل التصوير الطبي مكانة أساسية في التشخيص والتخطيط والمتابعة العلاجية، لا سيما في معالجة الأمراض المعقدة مثل الأورام الدماغية. تطور تقنيات اكتساب الصور، مقترنًا بارتفاع قوة تقنيات الذكاء الاصطناعي ومعالجة الصور، قد سمح بالتفكير في إعادة بناء ثلاثي الأبعاد للهياكل التشريحية من سلسلة من المقاطع ثنائية الأبعاد. ومع ذلك، تظل هذه المهمة تستهلك بشكل كبير موارد الحوسبة، مما يحد من استخدامها في الوقت الفعلي، خاصة في البيئات المقيدة مثل الأجهزة الطبية المدمجة. تقترح هذه الأطروحة تدفق تصميم أصلي يسمح بإعادة بناء الصور الطبية ثلاثية الأبعاد في الوقت الحقيقي، مع التركيز بشكل خاص على اكتشاف الأورام الدماغية وتقسيمها. النهج المطور يعتمد على استخدام الدوائر المنطقية القابلة للبرمجة من نوع FPGA، التي تقدم توازنًا مثاليًا بين الأداء والمرونة واستهلاك الطاقة. تمت دراسة عدة جوانب، بما في ذلك التنفيذ المادي لخوارزميات معالجة الصور والتعلم العميق، والتصيير الحجمي، وكذلك تحسين الهياكل لتلبية متطلبات الوقت الحقيقي. علاوة على ذلك، نقترح منهجية تعلم عميق مبتكرة مخصصة لاكتشاف وتقسيم الأورام في الصور الطبية، بالاعتماد على الشبكات العصبية التلافيفية (CNN) وهندسة U-Net. تسلط هذه المقاربة الضوء على أهمية تعزيز جودة وملاءمة الخصائص المستخرجة مسبقًا، من خلال استخدام تقنيات متقدمة لمعالجة الصور. تم تصميم جهاز محمول ومنخفض التكلفة يعتمد على Raspberry Pi للكشف الأولي عن الأورام. بعد ذلك، تم نشر الخوارزمية على منصات الأجهزة المدمجة الأكثر أداءً، مثل Ultra96-V2 وKria KV260، مما سمح بتنفيذها في الوقت الفعلي مع تطوير الخوارزمية لإعادة بناء ثلاثية الأبعاد للأورام. تم إجراء مقارنة للأداء لتقييم فعالية الهياكل المختلفة. تُظهر النتائج التي تم الحصول عليها جدوى وملاءمة النهج المقترح، سواء من حيث الدقة أو السرعة، مما يفتح الطريق أمام تكامل مستقبلي في الأنظمة الطبية الذكية والمحمولة والمستقلة. ----------------------------------------------------------------- L’imagerie médicale occupe une place essentielle dans le diagnostic, la planification et le suivi thérapeutique, notamment dans le traitement des pathologies complexes telles que les tumeurs cérébrales. L’évolution des technologies d’acquisition d’images, combinée à la montée en puissance des techniques d’intelligence artificielle et de traitement d’image, a permis d’envisager la reconstruction 3D des structures anatomiques à partir de séries de coupes bidimensionnelles. Cependant, cette tâche reste fortement consommatrice de ressources de calcul, ce qui limite son utilisation en temps réel, en particulier dans des environnements contraints comme les dispositifs médicaux embarqués. Cette thèse propose un flot de conception original permettant la reconstruction 3D d’images médicales en temps réel, avec un accent particulier sur la détection et la segmentation des tumeurs cérébrales. L’approche développée repose sur l’utilisation de circuits logiques programmables de type FPGA, qui offrent un compromis optimal entre performance, flexibilité et consommation énergétique. Plusieurs aspects ont été étudiés, notamment l’implémentation matérielle des algorithmes de traitement d’image et de l’apprentissage profond, le rendu volumique, ainsi que l’optimisation des architectures pour répondre aux exigences du temps réel. Par ailleurs, nous proposons une méthodologie d’apprentissage profond innovante dédiée à la détection et à la segmentation des tumeurs dans les images médicales, en s'appuyant sur les CNN et l’architecture U-Net. Cette approche met en évidence l’importance de renforcer la qualité et la pertinence des caractéristiques extraites en amont, à travers l’utilisation de techniques avancées de prétraitement d’images. Un dispositif portable et à faible coût a été conçu à base de Raspberry Pi pour la détection initiale des tumeurs. Par la suite, l’algorithme a été déployé sur des plateformes matérielles embarquées plus performantes, telles que l’Ultra96-V2 et la Kria KV260, permettant une exécution en temps réel avec un développement de l’algorithme pour une reconstruction 3D des tumeurs. Une comparaison des performances a été effectuée pour évaluer l'efficacité des différentes architectures. Les résultats obtenus démontrent la faisabilité et la pertinence de l'approche proposée, tant en termes de précision que de rapidité, ouvrant ainsi la voie à une intégration future dans des systèmes médicaux intelligents, mobiles et autonomes.