[go: up one dir, main page]

WO2024256355A1 - Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d'un tissu mou à partir d'une pluralité d'images acquises dans des orientations verticales différentes - Google Patents

Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d'un tissu mou à partir d'une pluralité d'images acquises dans des orientations verticales différentes Download PDF

Info

Publication number
WO2024256355A1
WO2024256355A1 PCT/EP2024/065992 EP2024065992W WO2024256355A1 WO 2024256355 A1 WO2024256355 A1 WO 2024256355A1 EP 2024065992 W EP2024065992 W EP 2024065992W WO 2024256355 A1 WO2024256355 A1 WO 2024256355A1
Authority
WO
WIPO (PCT)
Prior art keywords
soft tissue
images
parameters
values
stiffness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/065992
Other languages
English (en)
Inventor
Martin GENET
Alice PEYRAUT
Pierre-Yves BRILLET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Sorbonne Paris Nord
Original Assignee
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Sorbonne Paris Nord
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre National de la Recherche Scientifique CNRS, Ecole Polytechnique, Institut National de la Sante et de la Recherche Medicale INSERM, Universite Sorbonne Paris Nord filed Critical Centre National de la Recherche Scientifique CNRS
Publication of WO2024256355A1 publication Critical patent/WO2024256355A1/fr
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Definitions

  • the present invention relates to the field of estimation of behavioral and loading parameters of soft tissue models from images.
  • the invention relates more specifically to a computer-implemented method for determining a stiffness field of a soft structure and a loading parameter such as a force or pressure field applied to this structure, combining several images acquired in different orientations.
  • the main field of application envisaged is biomedical engineering, more specifically personalized numerical modeling applied to the diagnosis, classification, prognosis and treatment of patients.
  • the invention is particularly suitable for the in vivo and non-invasive estimation of stiffness and pressure applied to soft living tissues.
  • the invention can be applied to all objects or soft tissues, whether human, animal or plant, to non-invasively estimate internal rigidities and pressures, as well as other parameters inherent to a model, from volume images, without requiring force measurement.
  • digital models of biological tissues is an active field of biomechanics. Such models can indeed provide medical personnel with reliable tools to help in the prognosis or diagnosis of pathologies as well as in the control of the progress of medical treatments.
  • Personalized digital models also called “digital twins”, are particularly advantageous. They consist of coupling the physical modeling of a tissue with specific data obtained on a patient in order to obtain a precise, objective and quantitative vision of the state of this patient.
  • a digital model of a tissue is based on the definition of a constitutive law, which describes the behavior of the modeled tissues and involves parameters so-called constitutive materials such as tissue stiffness, in combination with loading, i.e. the stresses to which the tissue is subjected.
  • Loading involves parameters such as the force or pressure field imposed on the tissue which are typically either fixed to standard physiological values empirically or estimated from information extracted from data collected on the tissue.
  • reaction forces are not considered in this paper.
  • the boundary conditions at the base of the breast are not representative of real physiological conditions because the displacements are completely blocked. Therefore, it is not possible to estimate the reaction forces correctly.
  • the described method is not applicable to the case of strongly moving tissues.
  • the edges of a lung for example, move strongly between the end-expiration configuration and the end-inspiration configuration.
  • the aim of the invention is to meet this need.
  • the invention relates to a computer-implemented method for determining parameters comprising a stiffness field of a soft tissue (a) and a loading parameter (p) applied to the soft tissue, in particular a pressure field, in which the values are determined from at least two images of this soft tissue oriented in at least two respective different positions relative to the vertical direction: pl) of said parameters making it possible to minimize a difference between the deformations of at least a portion of the soft tissue observed from the images and the corresponding deformations determined by a model (U_( , p)) of the soft tissue which depends on said parameters.
  • al and pl are thus values taken by the fields a and p.
  • the parameters al and pl can be determined for the entire soft tissue or for a portion of the soft tissue.
  • the differences observed between the images obtained in different positions are mainly induced by gravity and can be used, within the framework of an inverse problem, to estimate the behavior of the tissues and the imposed loading.
  • soft tissue we mean an organic tissue on which gravity will have a significant effect. In other words, gravity causes a significant deformation of a soft tissue when its orientation is changed, for example a deformation of amplitude greater than or equal to 1%, 5% or 10% of at least one dimension of the soft tissue between two different orientations.
  • a soft tissue can in particular be a muscle, an organ or a fibrous tissue.
  • the invention advantageously makes it possible to estimate not only the unloaded configuration of the organ and the stiffness of the tissue, but also the loading to which the organ is subjected. This makes it possible in particular to construct better quality digital twins.
  • the invention also makes it possible to obtain more reliable values of the parameters that can be estimated by existing methods.
  • the parameterization of the stiffness field a can be a scalar parameter or several parameters, possibly spatialized, which can constitute a field of values.
  • the parameterization of the applied load p can be a scalar parameter or several parameters, possibly spatialized, which can constitute a field of values.
  • at least one displacement field jmeas is determined from the images of the soft tissue.
  • the displacement field U_ meas characterizes the deformation of the soft tissue between two positions by characterizing the changes in position of each material point between two images.
  • the determination of the values ci, pl of parameters minimizing said deviation is carried out by minimization of a function J
  • Other methods can also be used.
  • the displacement field U_meas can characterize the deformation of the entire soft tissue and can be fully determined, for example by image correlation method, before the determination of cri and pl; alternatively, t/ meas , al and pl can be determined in a single integrated correlation or data assimilation step.
  • the displacement field U_meas can also be determined locally, i.e. on one or more parts only of the soft tissue, and the values of cri and pl can be obtained for these parts only of the soft tissue.
  • the determination of the values cri, pl of parameters minimizing said deviation is carried out by the application of a statistical model, such as a neural network type model, to the images of the soft tissue or to a displacement field (/ mef ⁇ S ,jmeas £ being determined from the images of the soft tissue.
  • a statistical model such as a neural network type model
  • the statistical model used is configured, in particular trained, to determine the cri and pl values either from the soft tissue images or from the displacement fields extracted from the images.
  • the statistical model can notably be a physics-informed neural network (PINN), particularly suited for solving inverse problems involving physical data.
  • the neural network can be trained by adapting the internal weights of the network so that it produces a good input-output relationship between the input data (which can be soft tissue images or the displacement fields obtained from soft tissue images) and the results, i.e. i.e. the values ci and pl.
  • the neural network is evaluated for a large number of input data.
  • the physical model of the soft tissue as well as the cost function characterizing the deviation between the model and the data are evaluated.
  • the cost function is minimized by adapting the weights of the neural network. Once trained, the neural network is able to estimate very quickly the values al and pl associated with a displacement field or images.
  • the method comprises, before determining the values cri, pl of parameters minimizing said difference, a step of acquiring images of the soft tissue, in which the soft tissue is placed in a first position to acquire a first image then in a second position oriented differently with respect to the vertical direction to acquire a second image.
  • the images are obtained by computed tomography, ultrasound and/or magnetic resonance imaging (MRI).
  • the soft tissue is an organ of a patient.
  • the images of the soft tissue may in particular be acquired in vivo on the patient positioned at least in supination and pronation.
  • the method may comprise acquiring the images.
  • the two images acquired with the soft tissue in different orientations correspond for example to images where the soft tissue has undergone a significant rotation between the two images, for example greater than 30°, in particular 90° or 180°.
  • the method may comprise the step of modifying the orientation of a support on which the soft tissue rests, in a controlled manner, the acquisition of the images being carried out in connection with the control of the orientation of the support; the latter is for example a table on which a patient can rest.
  • the orientation change can be done around one or two horizontal geometric axes of rotation.
  • the soft tissue is a lung, a brain or a breast.
  • the loading parameter may in particular be the pleural pressure in the case of the lung and the cerebral pressure in the case of the brain.
  • the invention also relates to a system for imaging the human or animal body configured to allow the acquisition of images of a soft tissue of said body positioned in at least two different positions relative to the vertical, and comprising a processor executing a program making it possible to determine at least from these images said values ci and pl by implementing the method according to the invention, as defined above.
  • the imaging system may be a tomographic, ultrasound or MRI imaging system.
  • It may include a body reception surface whose orientation relative to the vertical can be modified, in particular automatically by the system, so as to change the orientation of the body between the acquisitions of the different images.
  • This surface is for example a table rotating around one or two horizontal axes and capable of taking two differently oriented positions, for example at 90° to each other, for example each at 45° to the vertical.
  • the invention also relates to a computer program product comprising a code which, when executed on a processor, makes it possible to implement the different steps of the method according to the invention, as defined above.
  • the invention also relates to a simulator of the mechanical behavior of a soft tissue, comprising a digital twin of a soft tissue obtained by implementing the method according to the invention as defined above, this soft tissue being in particular a lung or the brain, and this digital twin being recorded in a computer memory.
  • a simulator may comprise any computer system making it possible to exploit all of the data constituting the digital twin, in particular a microcomputer and/or a server, as well as an interface making it possible to interface this twin with a CAD tool for example.
  • the invention also relates to a method for manufacturing soft tissue protection equipment, in which a simulator as defined above is used in a phase of modeling the equipment to determine the mechanical stresses on the tissue in the event of mechanical stress through the equipment, and the equipment is manufactured after such a modeling phase.
  • the modeling phase makes it possible, for example, to determine the shape and the material(s) of the equipment leading to optimization of the protection of the soft tissue, depending on manufacturing constraints for example.
  • Figure 1 shows different image acquisition schemes of a lung.
  • Figure 2 is a graph showing the distribution of the error in identifying the stiffness of a structure as a function of the measurement noise, the identification being obtained by a known method using two supine images, where the stiffness and the loading are identified together.
  • Figure 3 is a graph showing the distribution of the identification error of the pressure applied to a structure as a function of the measurement noise, the identification being obtained by a known method using two supine images, where the stiffness and the loading are identified together.
  • Figure 4 is a graph showing the distribution of the error in identifying the stiffness of a structure as a function of the measurement noise, the identification being obtained by a known method using two prone images, where the stiffness and the loading are identified together.
  • Figure 5 is a graph showing the distribution of the identification error of the pressure applied to a structure as a function of the measurement noise, the identification being obtained by a known method using two prone images, where the stiffness and the loading are identified together.
  • Figure 6 is a graph showing the distribution of the error in identifying the stiffness of a structure as a function of the measurement noise, the identification being obtained by a method according to the invention using two prone images and two supine images, where the stiffness and the loading are identified together.
  • Figure 7 is a graph showing the distribution of the identification error of the pressure applied to a structure as a function of the measurement noise, the identification being obtained by a method according to the invention using two prone images and two supine images, where the stiffness and the loading are identified together.
  • Figure 8 is a graph showing the distribution of error in the identified stiffness of a lung as a function of noise as obtained by a known determination method using a supine image, the loading being known.
  • Figure 9 is a graph showing the distribution of error in the identified lung stiffness as a function of noise as obtained by a known determination method using a prone image with known loading.
  • Figure 10 is a graph showing the distribution of error in the identified lung stiffness as a function of noise as obtained by a determination method using a prone image and a supine image, with the loading being known.
  • Figure 11 represents an imaging system according to the invention.
  • the vertical direction is a direction parallel to the gravity field.
  • the invention is implemented in the context of the construction of a digital twin of a lung.
  • Figure 1 shows different diagrams for acquiring images of a lung for implementing the method according to the invention.
  • the orientation of the patient is defined by the arrow denoted g indicating the direction of the gravitational field.
  • An arrow pointing downwards in the figure corresponds, for example, to a pronation (or procubitus) position of the patient while an arrow pointing upwards in the figure corresponds to a supination (or decubitus) position.
  • the configurations of the lung at different times between the states of maximum expiration and maximum inspiration are denoted pi to p n .
  • the states p e and pi correspond respectively to the configuration of the lung in maximum expiration and maximum inspiration.
  • the displacement field between two states p a and pb is noted uy ⁇ bd in the case of two states in pronation, U a ⁇ bd in the case of two states in supination and U_ L P ⁇ S in the case of two states pi, the starting state being in the pronation position and the arrival state being in the supination position.
  • the deformation of the organ can be considered to be exclusively due on the one hand to pleural pressure, negative pressure ensuring that the lung remains inflated, and on the other hand to gravity, whose influence on the deformation is less compared to pleural pressure but nevertheless notable. Since the deformation of the lung is particularly sensitive to pleural pressure, it is important to have access to its precise value.
  • the stiffness of the tissues is also a parameter that is important to identify in the context of this example. Indeed, stiffness could constitute an important biomarker allowing the diagnosis and prognosis of pulmonary diseases such as fibrosis. Two stiffnesses are then particularly interesting: healthy stiffness and fibrotic stiffness, higher due to the stiffening of tissues induced by fibrosis.
  • the healthcare staff usually performs as a routine operation the acquisition of two images of the patient's lungs, both taken with the patient in the same position: one image at the end of expiration, and one image at the end of inspiration. This corresponds to case A presented in Figure 1.
  • Case A does not allow to estimate both pleural pressure, healthy stiffness and fibrotic stiffness but only two of these quantities, for example healthy stiffness and fibrotic stiffness.
  • the method according to the invention uses images acquired in different positions of the patient, which in particular also makes it possible to estimate pleural pressure.
  • Case B presented in Figure 1 corresponds to the acquisition of three images: one image in the state of maximum inspiration in the pronation position and two images in the state of maximum expiration, one in the pronation position and the other in the supination position.
  • Case C presented in Figure 1 corresponds to the acquisition of four images: two images in the state of maximum inspiration and two images in the state of maximum expiration, one in the pronation position and the other in the supination position.
  • case B makes it possible to obtain the field of displacements between the configuration at the end of expiration and at the end of inspiration in pronation, as well as the field of displacements between the configuration at the end of expiration in pronation and the configuration at the end of expiration in supination, due solely to gravity.
  • case C makes it possible to obtain the field of displacements between the configuration at the end of expiration and at the end of inspiration in pronation, as well as the field of displacements between the configuration at the end of expiration and at the end of inspiration in supination.
  • the difference between these two fields is solely due to gravity.
  • the data are then assimilated into a tailored model, thus resulting in a personalized model, i.e. a digital twin.
  • a numerical model, for example a finite element model, of the lung is then constructed from the information obtained from the images, in particular the geometry of the organ and the porosity field in this example.
  • the images obtained provide access to the porosity field of the lungs.
  • poromechanical law is advantageously formulated in this embodiment to model the lung.
  • the poromechanical law used can be that described in the publications Patte, C., Genet, M., & Chapelle, D. (2022).
  • the displacement field between the end-of-expiration configuration and the end-of-inspiration configuration constitutes the U_meas measurement.
  • the objective of the estimation step with the FEMU method is to find the 0 parameters that minimize the difference between P 7160 - 5 and the displacement field calculated with the numerical model of the lung that depends on the 0 parameters, which we denote by 1/(0).
  • J is a discrete function. This function can be minimized with a classical derivative-free optimization algorithm, but any known optimization method could also be used.
  • cost functions can be used to determine the optimal 0 parameters. They can notably be based on the principle of deviation from equilibrium or directly on the intensity of the images.
  • the parameters are estimated by implementing a statistical model, such as a neural network-type model, to obtain the parameters directly from the soft tissue images or from the displacement field determined from the soft tissue images.
  • a statistical model such as a neural network-type model
  • the method according to the invention is generalized to the case where there are more than two images and/or more than two orientations of the soft tissue relative to the vertical direction.
  • the use of more than two images makes it possible to obtain a plurality of fields of displacements U_meas by comparing the images two by two and thus to improve the precision of the estimation of the optimal parameters 0, or even to allow the identification of additional parameters.
  • synthetic data from a lung are used to validate the invention. While the invention makes it possible to identify parameters from real data measured on an individual, it is difficult to quantify the error made on the identified parameters because the exact values corresponding to the real situation are not known. Thus, in this example, the inventors have validated the method according to the invention using synthetically generated data.
  • two synthetic measurements are created, one corresponding to a measurement of the displacement field between the end-of-expiration state and the end-of-inspiration state in the prone position and the other corresponding to a measurement of the displacement field between the end-of-expiration state and the end-of-inspiration state in the supine position.
  • the 0 parameters are set to physiological values 0 O and the associated displacement field is calculated via the numerical model of the lung used.
  • the resulting displacement field is disturbed by random Gaussian noise in order to take into account the characteristic noise of real measurements, the origin of which is diverse, for example from the imaging equipment used.
  • the intensity of the disturbance is characterized by the signal-to-noise ratio, noted SNR. The smaller the SNR, the greater the impact of the noise on the images.
  • a simplified linear spring model is used. This example corresponds to a highly identifiable case, for which the expected results are known.
  • the displacement of the spring relative to an unloaded configuration depends on the ratio between the load and the stiffness.
  • the displacement between two positions of different vertical orientation depends on the orientation of the spring with respect to gravity.
  • the stiffness and the load can take any value
  • the invention makes it possible to make these two parameters identifiable.
  • the difference between the displacement obtained in the case of decubitus and the displacement obtained in the case of procubitus is due to gravity.
  • Using the images in both positions therefore makes it possible to access additional information, thus allowing the identification of stiffness and loading.
  • Figures 2 and 4 represent the distribution of the error, denoted e, on the identified stiffness as a function of the measurement noise, denoted SNR, by applying a determination method on supine images (curve fl, figure 2) and on prone images (curve f3, figure 4).
  • Figure 6 represents the distribution of the error e on the identified stiffness as a function of the SNR noise by applying the method according to the invention on prone and supine images (curve f5, figure 6).
  • Figures 3, 5, 7 represent the distribution of the error, noted e, on the identified loading as a function of the measurement noise, noted SNR, by applying a determination method on supine images (curve f2, figure 3), on prone images (curve f4, figure 5), and by applying the method according to the invention on supine and prone images (curve f6, figure 7).
  • curve d corresponds to the initial distribution, i.e. the values at which the parameters are initialized before optimization. preferably initializes parameter values in an interval close to the mean values of the parameters, for example plus or minus 30% around a known mean value of the parameters. This allows, in the case of in silico illustrations, to avoid an initialization systematically close to the exact solution and therefore to avoid distorted results; ultimately this corresponds to realistic cases of estimation where the real value is not known and cannot be used as initialization.
  • Figures 8 to 10 represent the distribution of the error, denoted e, on the identified stiffness as a function of the measurement noise, denoted SNR, for a loading assumed to be known, by applying a determination method on supine images (curve f7, Figure 8) and on prone images (curve f8, Figure 9), as well as by applying the method according to the invention on prone and supine images (curve f9, Figure 10). It is clear from these graphs that satisfactory identification of the stiffness is possible on the basis of a single image when the loading is known, the determination of the stiffness being improved by using both images. However, as illustrated in Figures 2 to 7, identification of both the stiffness and the loading is not possible on the basis of a single image. The method according to the invention makes it possible to determine the stiffness and the loading in this case. Other variations and improvements may be provided without departing from the scope of the invention.
  • the method according to the invention can be applied to a number of images of the soft tissue greater than two.
  • the images can also be taken when the soft tissue is in different configurations.
  • an in vivo lung has a different configuration at the end of inspiration and at the end of expiration.
  • three images as illustrated in case B of FIG. 1, for example an image at the end of expiration and an image at the end of inspiration in the prone position and an image at the end of expiration in the decubitus position.
  • Pulmonary fibrosis is characterized by non-homogeneous stiffening of the lung tissues. Thus, in the fibrotic lungs there are several sections with different stiffnesses. By increasing the number of images used, the different stiffnesses can be better identified by allowing more displacement fields to be measured between two images among the images used.
  • the invention requires images of the soft tissue taken in at least two different orientations relative to the vertical direction. These orientations are not limited to pronation and supination positions.
  • a soft tissue, or a patient for in vivo measurements may be oriented at different angles relative to the vertical when taking images.
  • a patient may be lying on a table when taking an image in pronation and/or supination, and the table may be held horizontally and/or tilted by rotation about one or two horizontal axes perpendicular to each other.
  • the rotation of the table about a horizontal axis may in particular be between 0° and 45°.
  • the movement of the table facilitates the acquisition of the different images and the positioning of the patient, in particular when the patient is with reduced mobility or unconscious.
  • Figure 11 shows an imaging system 10 according to the invention.
  • the imaging system 10 can in particular be used to acquire images of a soft tissue of a animal or human and may be a tomographic imaging, ultrasound or MRI system. It comprises an imaging device 11 and a receiving surface 12, for example a table, intended to receive the patient 13.
  • the receiving surface is, in the illustrated example, rotatable about a horizontal axis so as to be able to take different positions in which the orientation of the patient 13 relative to the vertical direction is different.
  • the invention is not limited to the case of the lung. In particular, it is also applicable to the brain and facilitates the classification, diagnosis, prognosis and treatment of brain diseases. It can also facilitate the detection of head trauma via rapid estimation of cranial pressure.
  • the brain is composed of soft tissues, on which gravity has a significant influence. It is subjected to cranial pressure, the estimation of which in vivo, carried out via a lumbar puncture, is very invasive. Unlike the lung, for which a displacement field is accessible in a single position (by comparing images at the end of expiration and at the end of inspiration for example) thanks to the pleural pressure differential, the cranial pressure remains constant.
  • the use of gravity therefore makes it possible to access a displacement field which, thanks to the method according to the invention, makes it possible to identify both parameters such as tissue rigidity and cranial pressure.
  • the invention makes it possible to obtain a more reliable model of the brain via better identification of the model parameters.
  • This can, for example, help with the sizing of sports equipment, in particular protective helmets for sports involving risks of head trauma such as rugby or American football.
  • the invention can help to estimate the increase in cranial pressure following an impact according to the configuration (material, dimensions, etc.) of the helmet.
  • the increase in pressure in the skull following an impact is a major issue and is the subject of particular attention in the development of safety devices.
  • many safety devices in the automotive industry are developed using biomechanical models of the body and particularly of the human head.
  • a better estimation of cranial pressure values following an impact makes it possible to design more efficient safety devices.
  • Biomechanical modeling is an important step in the manufacturing of protective equipment. Indeed, it allows to perform tests and optimize in silico the topology and geometry of this equipment, which reduces the costs associated with physical models.
  • physical tests are carried out on dummies whose physical properties may diverge from those of people, and they do not provide access to quantities of interest such as the increase in cranial pressure following an impact.
  • Coupling a model of equipment, for example a helmet, with a model of the brain would improve access to this information. Indeed, modeling an impact on a helmet provides access to constraints transmitted to the brain, which then makes it possible to determine potential damage. Identifying stiffness and pressure parameters in the brain could therefore optimize the manufacturing of a personalized helmet that best protects people such as professional athletes.
  • the method according to the invention can be applied to all objects or soft tissues, whether human, animal or plant, to estimate non-invasively internal rigidities and pressures from volumetric images without requiring force measurement.
  • This has many applications such as the classification of diseases from identified pressure values, diagnostic assistance or the sizing of protective or safety equipment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

L'invention concerne un procédé mis en œuvre par ordinateur de détermination de paramètres comprenant un champ de rigidité d'un tissu mou ( α ) et un paramètre de chargement ( p ) appliqué au tissu mou, notamment un champ de pression, dans lequel on détermine à partir d'au moins deux images de ce tissu mou orienté dans au moins deux positions respectives différentes par rapport à la direction verticale, les valeurs ( α1, p1) desdits paramètres permettant de minimiser un écart entre les déformations d'au moins une partie du tissu mou observées à partir des images et les déformations correspondantes déterminées par un modèle ( U ( α , p )) du tissu mou qui dépend desdits paramètres.

Description

Description
Titre : Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d’un tissu mou à partir d’une pluralité d’images acquises dans des orientations verticales différentes
Domaine technique
La présente invention concerne le domaine de l’estimation de paramètres de comportement et de chargement de modèles de tissus mous à partir d’images.
L’invention concerne plus précisément un procédé mis en œuvre par ordinateur de détermination d’un champ de rigidité d’une structure molle et d’un paramètre de chargement tel qu’un champ d’effort ou de pression appliqué sur cette structure combinant plusieurs images acquises dans des orientations différentes.
Le principal domaine d’application envisagé est l’ingénierie biomédicale, plus spécifiquement la modélisation numérique personnalisée appliquée au diagnostic, à la classification, au pronostic et au traitement de patients. L’invention est particulièrement adaptée à l’estimation, in vivo et non invasive, de rigidité et de pression appliquée sur des tissus vivants mous.
Plus généralement, l’invention peut s’appliquer à tous les objets ou tissus mous, qu’ils soient humains, animaux ou végétaux, pour estimer de façon non invasive des rigidités et des pressions internes, ainsi que d’autres paramètres inhérents à un modèle, à partir d’images volumiques, sans nécessiter de mesure de force.
Technique antérieure
La construction de modèles numériques de tissus biologiques est un domaine actif de la biomécanique. De tels modèles peuvent en effet fournir au personnel médical des outils fiables pour aider au pronostic ou au diagnostic de pathologies ainsi qu’au contrôle du déroulé des traitements médicaux. Les modèles numériques personnalisés, aussi appelés « jumeaux numériques », sont particulièrement avantageux. Ils consistent à coupler la modélisation physique d’un tissu avec des données spécifiques obtenues sur un patient afin d’obtenir une vision précise, objective et quantitative, de l’état de ce patient.
La création d’un modèle numérique d’un tissu repose sur la définition d’une loi constitutive, qui décrit le comportement des tissus modélisés et fait intervenir des paramètres matériaux dits constitutifs tels que la rigidité du tissu, en combinaison avec un chargement, c’est-à-dire les sollicitations auxquelles le tissu est soumis. Le chargement fait intervenir des paramètres tels que le champ de force ou de pression imposé sur le tissu qui sont typiquement soit fixés à des valeurs physiologiques standards de manière empirique, soit estimés à partir d’informations extraites de données recueillies sur le tissu.
Pour la construction de jumeaux numériques, il n’est en général pas possible d’identifier tous les paramètres d’un modèle complexe de tissu ou d’organe à partir d’images cliniques. Par conséquent, il s’avère souvent nécessaire de fixer des paramètres à des valeurs physiologiques.
Cette solution est toutefois peu satisfaisante. En effet, les paramètres matériaux ainsi que les paramètres de chargement, notamment le champ de pression interne lorsqu’il est présent, varient très fortement d’un individu à l’autre. De plus, les données physiologiques sont généralement issues d’expériences ex vivo, éventuellement menées sur des animaux, ce qui introduit un biais important sur les valeurs de paramètres expérimentaux obtenues.
L’utilisation de données acquises est donc importante pour la production de modèles numériques personnalisés, permettant notamment de prendre en compte la grande variabilité des paramètres entre individus. L’estimation des paramètres à partir de mesures, lorsque cela est possible, demeure la solution la plus fiable pour la construction de modèles basés sur des données.
Cependant, il n’est en général pas possible d’identifier des paramètres constitutifs ou des paramètres de chargement uniquement à partir d’images, puisqu’une mesure de force est nécessaire pour compléter la donnée cinématique présente dans les images. En particulier, l’absence de mesures de forces internes au tissu empêche la bonne identification des paramètres constitutifs.
En particulier, il est généralement délicat de mesurer la valeur de la pression interne appliquée sur certains tissus, alors même que cette pression peut constituer un biomarqueur important pour le diagnostic et le pronostic de pathologies. C’est par exemple le cas du poumon, soumis à une pression pleurale, c’est-à-dire une pression négative gardant les poumons gonflés, pour laquelle une mesure in vivo est très difficile. La méthode de mesure classique de cette pression consiste en l’utilisation de ballons œsophagiens. Cette méthode est cependant à la fois trop imprécise et trop invasive pour être réalisée en intervention de routine.
L’article Visentin, F., Groenhuis, V., Maris, B., Dall’Alba, D., Siepel, F., Stramigioli, S. & Fiorini, P. (2019). Iterative simulations to estimate the elastic properties from a series of MRI images followed by MRI-US validation. Medical & Biological Engineering & Computing décrit l’utilisation d’images obtenues par IRM dans le contexte de la modélisation des déformations du sein pour estimer la rigidité d’une reproduction physique d’un sein. Les images sont obtenues en plaçant le modèle de sein dans deux positions différentes. La déformation du modèle est due uniquement à la gravité. La comparaison entre les images obtenues permet l’estimation de la rigidité du modèle.
A l’équilibre, les forces à distance, ici la gravité, s’équilibrent avec les forces de contact, aussi appelées forces de réaction, exercées par les systèmes avoisinants. Les forces de réaction ne sont pas considérées dans cet article. De plus, les conditions aux limites à la base du sein ne sont pas représentatives de conditions physiologiques réelles car les déplacements sont complètement bloqués. Par conséquent, il n’est pas possible d’estimer correctement les forces de réaction. En outre, le procédé décrit n’est pas applicable au cas de tissus se déplaçant fortement. Les bords d’un poumon, par exemple, se déplacent fortement entre la configuration de fin d’expiration et la configuration de fin d’inspiration.
Ainsi, la solution décrite n’a pas pour vocation d’estimer le chargement auquel est soumis l’organe étudié.
Il existe donc un besoin pour proposer des procédés d’estimation de paramètres de comportement mais aussi de chargement, permettant la construction de jumeaux numériques plus fiables.
Le but de l’invention est de répondre à ce besoin.
Exposé de l’invention
Pour ce faire, l’invention concerne un procédé mis en œuvre par ordinateur de détermination de paramètres comprenant un champ de rigidité d’un tissu mou (a) et un paramètre de chargement (p) appliqué au tissu mou, notamment un champ de pression, dans lequel on détermine à partir d’au moins deux images de ce tissu mou orienté dans au moins deux positions respectives différentes par rapport à la direction verticale, les valeurs
Figure imgf000005_0001
pl) desdits paramètres permettant de minimiser un écart entre les déformations d’au moins une partie du tissu mou observées à partir des images et les déformations correspondantes déterminées par un modèle (U_( , p)) du tissu mou qui dépend desdits paramètres. al et pl sont ainsi des valeurs prises par les champs a et p. Les paramètres al et pl peuvent être déterminés pour l’ensemble du tissu mou ou pour une partie du tissu mou.
Ainsi, dans l’invention on peut utiliser une pluralité d’images, de préférence biomédicales, d’un tissu mou placé dans au moins deux orientations différentes par rapport à la direction verticale de sorte à utiliser la gravité, qui est une force parfaitement connue, pour identifier plusieurs paramètres de comportement, dont au moins la rigidité, et de chargement, notamment la pression, d’un modèle de tissu mou soumis à un chargement.
En mettant en œuvre le procédé selon l’invention, les différences observées entre les images obtenues dans des positions différentes sont principalement induites par la gravité et peuvent être utilisées, dans le cadre d’un problème inverse, pour estimer le comportement des tissus et le chargement imposé.
Par « tissu mou », il faut comprendre un tissu organique sur lequel la gravité aura un effet non négligeable. Autrement dit, la gravité provoque une déformation sensible d’un tissu mou lorsque son orientation est modifiée, par exemple une déformation d’amplitude supérieure ou égale à 1%, 5% ou 10% d’au moins une dimension du tissu mou entre deux orientations différentes. Un tissu mou peut notamment être un muscle, un organe ou un tissu fibreux.
Dans une situation in vivo, la pression est difficilement mesurable de façon non invasive. L’invention permet avantageusement d’estimer non seulement la configuration déchargée de l’organe et la raideur du tissu, mais également le chargement auquel l’organe est soumis. Cela permet notamment de construire des jumeaux numériques de meilleure qualité.
L’invention permet également d’obtenir des valeurs plus fiables des paramètres pouvant être estimés par les procédés existants.
En fonction des modèles numériques U( ,p) mis en œuvre, la paramétrisation du champ de rigidité a peut être un paramètre scalaire ou plusieurs paramètres, éventuellement spatialisés, pouvant constituer un champ de valeurs. De même, la paramétrisation du chargement p appliqué peut être un paramètre scalaire ou plusieurs paramètres, éventuellement spatialisés, pouvant constituer un champ de valeurs. Selon une caractéristique avantageuse, au moins un champ de déplacementjmeas est déterminé à partir des images du tissu mou. Le champ de déplacement U_meas caractérise la déformation du tissu mou entre deux positions en caractérisant les changements de position de chaque point matériel entre deux images.
De préférence, la détermination des valeurs c i, pl de paramètres minimisant ledit écart est réalisée par minimisation d’une fonction J
Figure imgf000007_0001
||, ce qui correspond à la méthode des déplacements. D’autres méthodes (écart à l’équilibre, erreur en relation de comportement, méthode des champs virtuels, etc.) peuvent également être utilisées.
Le champ de déplacement U_meas peut caractériser la déformation de l’ensemble du tissu mou et peut être entièrement déterminé, par exemple par méthode de corrélation d’images, avant la détermination de cri et de pl ; alternativement, t/meas, al et pl peuvent être déterminés dans une unique étape de corrélation intégrée ou d’assimilation de données. Le champ de déplacement Umeas peut également être déterminé localement, c’est-à-dire sur une ou plusieurs parties seulement du tissu mou, et les valeurs de cri et pl peuvent être obtenues pour ces parties seulement du tissu mou.
Avantageusement, la détermination des valeurs cri, pl de paramètres minimisant ledit écart est réalisée par l’application d’un modèle statistique, tel qu’un modèle de type réseau de neurones, aux images du tissu mou ou à un champ de déplacement (/mefïS,jmeas £tant déterminé à partir des images du tissu mou.
Le modèle statistique utilisé est configuré, notamment entraîné, pour déterminer les valeurs cri et pl soit à partir des images du tissu mou soit à partir des champs de déplacement extrait des images.
Le modèle statistique peut notamment être un réseau de neurones informé par la physique (ou « physics-informed neural network », PINN), particulièrement adapté pour la résolution de problèmes inverses intégrant des données physiques. Le réseau de neurones peut être entraîné en adaptant les poids internes du réseau de sorte qu’il produise une bonne relation entrée-sortie entre les données d’entrées (qui peuvent être des images de tissu mou ou les champs de déplacement obtenus à partir d’images de tissu mou) et les résultats, c’est- à-dire les valeurs c i et pl. A cette fin, le réseau de neurones est évalué pour un nombre important de données d’entrée. Le modèle physique du tissu mou ainsi que la fonction coût caractérisant l’écart entre le modèle et les données sont évalués. La fonction coût est minimisée en adaptant les poids du réseau de neurones. Une fois entraîné, le réseau de neurones est capable d’estimer très rapidement les valeurs al et pl associées à un champ de déplacement ou à des images.
Selon une caractéristique avantageuse, le procédé comprend avant la détermination des valeurs cri, pl de paramètres minimisant ledit écart une étape d’acquisition des images du tissu mou, dans laquelle le tissu mou est placé dans une première position pour acquérir une première image puis dans une deuxième position orientée différemment par rapport à la direction verticale pour acquérir une deuxième image.
De préférence, les images sont obtenues par tomodensitométrie, par échographie ultrasons et/ou par imagerie par résonance magnétique (IRM). De préférence encore, le tissu mou est un organe d’un patient. Les images du tissu mou peuvent notamment être acquises in vivo sur le patient positionné au moins en supination et en pronation. Le procédé peut comporter l’acquisition des images.
Les deux images acquises avec le tissu mou dans des orientations différentes correspondent par exemple à des images où le tissu mou a subi une rotation significative entre les deux images, par exemple supérieure à 30°, notamment de 90° ou de 180°. Le procédé peut comporter l’étape consistant à modifier l’orientation d’un support sur lequel repose le tissu mou, de façon contrôlée, l’acquisition des images s’effectuant en lien avec le contrôle de l’orientation du support ; ce dernier est par exemple une table sur laquelle peut reposer un patient.
La modification de l’orientation peut s’effectuer autour d’un ou de deux axes géométriques de rotation horizontaux.
Selon un mode de réalisation de l’invention, le tissu mou est un poumon, un cerveau ou un sein. Le paramètre de chargement peut notamment être la pression pleurale dans le cas du poumon et la pression cérébrale dans le cas du cerveau.
L’invention a encore pour objet un système d’imagerie du corps humain ou animal configuré pour permettre l’acquisition d’images d’un tissu mou dudit corps positionné dans au moins deux positions différentes par rapport à la verticale, et comportant un processeur exécutant un programme permettant de déterminer au moins à partir de ces images lesdites valeurs c i et pl en mettant en œuvre le procédé selon l’invention, tel que défini plus haut.
Le système d’imagerie peut être un système d’imagerie tomographique, d’échographie ultrasons ou d’IRM.
Il peut comporter une surface de réception du corps dont l’orientation par rapport à la verticale est modifiable, notamment de façon automatique par le système, de manière à changer l’orientation du corps entre les acquisitions des différentes images. Cette surface est par exemple une table tournant autour d’un ou de deux axes horizontaux et pouvant prendre deux positions orientées différemment, par exemple à 90° l’une de l’autre, par exemple chacune à 45° de la verticale.
L’invention a encore pour objet un produit programme d’ordinateur comportant un code qui, lorsqu’ exécuté sur un processeur, permet de mettre en œuvre les différentes étapes du procédé selon l’invention, tel que défini plus haut.
L’invention a encore pour objet un simulateur du comportement mécanique d’un tissu mou, comportant un jumeau numérique d’un tissu mou obtenu par la mise en œuvre du procédé selon l’invention tel que défini plus haut, ce tissu mou étant notamment un poumon ou le cerveau, et ce jumeau numérique étant enregistré dans une mémoire informatique. Un tel simulateur peut comporter tout système informatique permettant d’exploiter l’ensemble des données constituant le jumeau numérique, notamment un micro-ordinateur et/ou un serveur, ainsi qu’une interface permettant d’interfacer ce jumeau avec un outil de CAD par exemple.
L’invention a encore pour objet un procédé de fabrication d’un équipement de protection d’un tissu mou, dans lequel on utilise un simulateur tel que défini ci-dessus dans une phase de modélisation de l’équipement pour déterminer les sollicitations mécaniques du tissu en cas de sollicitation mécanique à travers l’équipement, et l’on fabrique l’équipement après une telle phase de modélisation. La phase de modélisation permet par exemple de déterminer la forme et le ou les matériaux de l’équipement conduisant à optimiser la protection du tissu mou, en fonction de contraintes de fabrication par exemple.
Brève description des dessins [Fig 1] La figure 1 représente différents schémas d’acquisition d’images d’un poumon.
[Fig 2] La figure 2 est un graphique représentant la distribution de l’erreur d’identification de la raideur d’une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé connu utilisant deux images en décubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 3] La figure 3 est un graphique représentant la distribution de l’erreur d’identification de la pression appliquée sur une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé connu utilisant deux images en décubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 4] La figure 4 est un graphique représentant la distribution de l’erreur d’identification de la raideur d’une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé connu utilisant deux images en procubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 5] La figure 5 est un graphique représentant la distribution de l’erreur d’identification de la pression appliquée sur une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé connu utilisant deux images en procubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 6] La figure 6 est un graphique représentant la distribution de l’erreur d’identification de la raideur d’une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé selon l’invention utilisant deux images en procubitus et deux images en décubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 7] La figure 7 est un graphique représentant la distribution de l’erreur d’identification de la pression appliquée sur une structure en fonction du bruit de mesure, l’identification étant obtenue par un procédé selon l’invention utilisant deux images en procubitus et deux images en décubitus, où la raideur et le chargement sont identifiés ensemble.
[Fig 8] La figure 8 est un graphique représentant la distribution de l’erreur sur la raideur identifiée d’un poumon en fonction du bruit telle qu’obtenue par un procédé de détermination connu utilisant une image en décubitus, le chargement étant connu. [Fig 9] La figure 9 est un graphique représentant la distribution de l’erreur sur la raideur identifiée du poumon en fonction du bruit telle qu’obtenue par un procédé de détermination connu utilisant une image en procubitus, le chargement étant connu.
[Fig 10] La figure 10 est un graphique représentant la distribution de l’erreur sur la raideur identifiée du poumon en fonction du bruit telle qu’obtenue par un procédé de détermination utilisant une image en procubitus et une image en décubitus, le chargement étant connu.
[Fig 11] La figure 11 représente un système d’imagerie selon l’invention.
Description détaillée
Dans le cadre de l’invention, la direction verticale est une direction parallèle au champ de gravité.
Dans un mode de réalisation avantageux, l’invention est mise en œuvre dans le cadre de la construction d’un jumeau numérique d’un poumon.
La figure 1 représente différents schémas d’acquisition d’images d’un poumon pour la mise en œuvre du procédé selon l’invention. L’orientation du patient est définie par la flèche notée g indiquant la direction du champ gravitationnel. Une flèche orientée vers le bas de la figure correspond par exemple à une position en pronation (ou procubitus) du patient tandis qu’une flèche orientée vers le haut de la figure correspond à une position en supination (ou décubitus). Les configurations du poumon à différents instants entre les états d’expiration maximale et d’inspiration maximale sont notées pi à pn. Les états pe et pi correspondent respectivement à la configuration du poumon en expiration maximale et en inspiration maximale. Le champ de déplacement entre deux états pa et pb est noté uy^b dans le cas de deux états en pronation, U a^b dans ie cas Je deux états en supination et U_LP^S dans le cas de deux états pi, l’état de départ étant en position de pronation et l’état d’arrivée étant en position de supination.
Dans le cas du poumon, la déformation de l’organe peut être considérée comme étant exclusivement due d’une part à la pression pleurale, pression négative assurant que le poumon reste gonflé, et d’autre part à la gravité, dont l’influence sur la déformation est moindre par rapport à la pression pleurale mais néanmoins notable. La déformation du poumon étant particulièrement sensible à la pression pleurale, il est important d’avoir accès à sa valeur précise. La raideur des tissus est également un paramètre qu’il est important d’identifier dans le cadre de cet exemple. En effet, la raideur pourrait constituer un biomarqueur important permettant le diagnostic et le pronostic de maladies pulmonaires comme la fibrose. Deux raideurs sont alors particulièrement intéressantes : la raideur saine et la raideur fibrosée, plus élevée en raison de la rigidification des tissus induite par la fibrose.
En cas de maladies pulmonaires, le personnel soignant procède généralement en opération de routine à l’acquisition de deux images des poumons du patient, toutes deux réalisées avec le patient dans une même position : une image en fin d’expiration, et une image en fin d’inspiration. Cela correspond au cas A présenté sur la figure 1.
Le cas A ne permet pas d’estimer à la fois la pression pleurale, la raideur saine et la raideur fibrosée mais uniquement deux de ces quantités, par exemple la raideur saine et la raideur fibrosée.
Le procédé selon l’invention exploite des images acquises dans des positions différentes du patient, ce qui permet notamment d’estimer aussi la pression pleurale.
Le cas B présenté à la figure 1 correspond à l’acquisition de trois images : une image en état d’inspiration maximale en position de pronation et deux images en état d’expiration maximale, l’une en position de pronation et l’autre en position de supination.
Le cas C présenté à la figure 1 correspond à l’acquisition de quatre images : deux images en état d’inspiration maximale et deux images en état d’expiration maximale, l’une en position de pronation et l’autre en position de supination.
L’utilisation d’une pluralité d’images, réalisées sur un patient placé dans au moins deux orientations verticales différentes, par exemple en procubitus et en décubitus, permet d’obtenir plus d’informations sur le comportement des tissus et donc d’augmenter le nombre de paramètres identifiables, ou la précision de l’estimation.
Ainsi, les images obtenues dans le cas B permettent d’obtenir le champ des déplacements entre la configuration en fin d’expiration et en fin d’inspiration en pronation, ainsi que le champ des déplacements entre la configuration en fin d’expiration en pronation et la configuration en fin d’expiration en supination, dus uniquement à la gravité. De même, le cas C permet d’obtenir le champ des déplacements entre la configuration en fin d’expiration et en fin d’inspiration en pronation, ainsi que le champ des déplacements entre la configuration en fin d’expiration et en fin d’inspiration en supination. La différence entre ces deux champs est uniquement due à la gravité. Les données sont ensuite assimilées dans un modèle adapté, aboutissant ainsi à un modèle personnalisé, c’est-à-dire à un jumeau numérique.
Un modèle numérique, par exemple un modèle éléments finis, du poumon est ensuite construit à partir des informations obtenues à partir des images, notamment la géométrie de l’organe et le champ de porosité dans cet exemple. Les images obtenues donnent accès au champ de porosité des poumons. Considérant que ces derniers sont poreux et qu’une phase solide comprenant les tissus et le sang coexiste avec une phase fluide comprenant l’air circulant dans les poumons, une loi dite poromécanique est avantageusement formulée dans ce mode de réalisation pour modéliser le poumon.
La loi poromécanique utilisée peut être celle décrite dans les publications Patte, C., Genet, M., & Chapelle, D. (2022). A quasi-static poromechanical model of the lungs. Biomechanics and Modeling in Mechanobiology, 21(2), 527-551, Patte, C., Brillet, P. Y., Fetita, C., Bernaudin, J. F., Gille, T., Nunes, H., ... & Genet, M. (2022). Estimation of regional pulmonary compliance in idiopathic pulmonary fibrosis based on personalized lung poromechanical modeling. Journal of Biomechanical Engineering, 144(9), 091008, et Laville, C., Fetita, C., Gille, T., Brillet, P. Y., Nunes, H., Bernaudin, J. F., & Genet, M. (2023). Comparison of optimization parametrizations for regional lung compliance estimation using personalized pulmonary poromechanical modeling. Biomechanics and Modeling in Mechanobiology, 1-13.
D’autres lois peuvent également être choisies en fonction du compromis entre précision et complexité du modèle souhaité. A titre d’exemple, une loi hyperélastique telle qu’une loi de Ogden-Ciarlet-Geymonat ou une loi de Mooney-Rivlin peut être utilisée. Ces lois sont décrites dans les publications Ogden, R. W. (1972). Large deformation isotropie elasticity: On the correlation of theory and experiment for compressible rubberlike solids. Proceedings of the Royal Society of London. A. Mathematical and Physical Sciences, 328(1575), 567-583, Ciarlet, P. G., & Geymonat, G. (1982). Sur les lois de comportement en élasticité non-linéaire compressible . Comptes Rendus de l’Académie Des Sciences Série II, 295, 423 — 426, et Weiss, J. A., Maker, B. N., & Govindjee, S. (1996). Finite element implementation of incompressible, transversely isotropic hyperelasticity . Computer Methods in Applied Mechanics and Engineering, 135(1-2), 107-128. Les différents paramètres et la pression pleurale sont ensuite estimés via une étape d’estimation. Cette étape est basée dans ce mode de réalisation sur la méthode FEMU, également connue sous le nom de méthode des déplacements. D’autres méthodes d’estimation peuvent toutefois être utilisées telles que la méthode de l’écart à l’équilibre ou la méthode des champs virtuels. Ces méthodes sont décrites dans la publication Avril, S., Bonnet, M., Bretelle, A. S., Grédiac, M., Hild, F., lenny, P., ... & Pierron, F. (2008). Overview of identification methods of mechanical parameters based on full-field measurements. Experimental Mechanics, 48, 381-402.
On note ici 0 les paramètres de comportement et de chargement (comprenant la pression appliquée) à identifier.
Le champ des déplacements entre la configuration en fin d’expiration et la configuration en fin d’inspiration constitue la mesure U_meas . L’objectif de l’étape d’estimation avec la méthode FEMU est de trouver les paramètres 0 qui minimisent l’écart entre P7160-5 et le champ des déplacements calculé avec le modèle numérique du poumon qui dépend des paramètres 0, que l’on note 1/(0).
Cela est avantageusement fait en minimisant une fonction dite fonction coût
Figure imgf000014_0001
Dans ce mode réalisation, J est une fonction discrète. Cette fonction peut être minimisée avec un algorithme classique d’optimisation sans dérivées, mais n’importe quelle méthode d’optimisation connue pourrait également être utilisée.
D’autres fonctions coûts peuvent être utilisées pour déterminer les paramètres 0 optimaux. Elles peuvent notamment être basées sur le principe de l'écart à l'équilibre ou directement sur l'intensité des images.
Les articles Allaire, G. (2007). Numerical analysis and optimization: An introduction to mathematical modelling and numerical simulation. Oxford University Press et Bard, Y. (1974). Nonlinear parameter estimation (No. 04; QA276. 8, B3.) décrivent différentes méthodes de minimisation d’une fonction coût.
En variante, on estime les paramètres en mettant en œuvre un modèle statistique, tel qu’un modèle de type réseau de neurones, pour obtenir les paramètres directement à partir des images du tissu mou ou à partir du champ de déplacement déterminé à partir des images du tissu mou. Le procédé selon l’invention se généralise au cas où l’on a plus de deux images et/ou plus de deux orientations du tissu mou par rapport à la direction verticale. L’utilisation de plus de deux images permet d’obtenir une pluralité de champs des déplacements U_meas en comparant les images deux à deux et ainsi d’améliorer la précision de l’estimation des paramètres 0 optimaux, voire de permettre l’identification de paramètres additionnels.
Exemples
Dans un exemple, des données synthétiques d’un poumon sont utilisées pour valider l’invention. Si l’invention permet d’identifier des paramètres à partir de données réelles mesurées sur un individu, il est difficile de quantifier l’erreur commise sur les paramètres identifiés car les valeurs exactes correspondant à la situation réelle ne sont pas connues. Ainsi, dans cet exemple, les inventeurs ont procédé à la validation du procédé selon l’invention en utilisant des données générées de manière synthétiques.
A cette fin, deux mesures synthétiques sont créées, l’une correspondant à une mesure du champ des déplacement entre l’état de fin d’expiration et l’état de fin d’inspiration en procubitus et l’autre correspondant à une mesure du champ des déplacement entre l’état de fin d’expiration et l’état de fin d’inspiration en décubitus. Pour cela, les paramètres 0 sont fixés à des valeurs physiologiques 0O et le champ de déplacements associé est calculé via le modèle numérique du poumon utilisé.
Le champ de déplacements obtenu est perturbé par un bruit gaussien aléatoire afin de prendre en compte le bruit caractéristique de mesures réelles, dont l’origine est diverse, provenant par exemple de l’équipement d’imagerie utilisé. L’intensité de la perturbation est caractérisée par le rapport signal sur bruit, noté SNR. Plus le SNR est petit, plus l’impact du bruit sur les images est grand.
Pour un SNR donné, plusieurs estimations des paramètres sont réalisées jusqu’à convergence de la distribution du paramètre identifié. Le processus d’optimisation précédemment décrit est ensuite appliqué.
Dans un autre exemple, un modèle simplifié de ressort linéaire est utilisé. Cet exemple correspond à un cas hautement identifiable, pour lequel les résultats attendus sont connus. Dans ce modèle, le déplacement du ressort par rapport à une configuration déchargée dépend du rapport entre le chargement et la raideur. Le déplacement entre deux positions d’orientation verticale différente dépend quant à lui à l’orientation du ressort par rapport à la gravité. Ainsi, la raideur et le chargement peuvent prendre n’importe quelle valeur
1 p— ma i i ' i respectant le rapport u = — - — ou u correspond au déplacement, p au chargement, m a la masse, g à l’accélération de la pesanteur et a à la raideur, dans le cas du procubitus. Dans le
Figure imgf000016_0001
cas du décubitus, on obtient u = — - — . Le processus d’optimisation revient ici à trouver des paramètres (a, p) qui permettent d’approcher le plus possible u(a, p) d’un déplacement donné u0. Ainsi, tout chargement p respectant la condition p = au0 + mg, pour toute valeur de raideur a, permet d’obtenir la mesure u0. Il existe donc une infinité de couples (c , p) = (a, au0 + mg) satisfaisant u = u0. Il est donc impossible d’identifier à la fois la raideur et le chargement dans le cas d’images obtenues seulement sur le dos ou seulement sur le ventre.
L’invention permet de rendre identifiables ces deux paramètres. En effet, la différence entre le déplacement obtenu dans le cas du décubitus et le déplacement obtenu dans le cas du procubitus est due à la gravité. Utiliser les images dans les deux positions permet par conséquent d’accéder à des informations supplémentaires, permettant ainsi l’identification de la raideur et du chargement.
Les figures 2 à 7 illustrent ces résultats.
Les figures 2 et 4 représentent la distribution de l’erreur, notée e, sur la raideur identifiée en fonction du bruit de mesure, noté SNR, en appliquant un procédé de détermination sur des images en décubitus (courbe fl, figure 2) et sur des images en procubitus (courbe f3, figure 4). La figure 6 représente la distribution de l’erreur e sur la raideur identifiée en fonction du bruit SNR en appliquant le procédé selon l’invention sur des images en procubitus et en décubitus (courbe f5, figure 6).
Les figures 3, 5, 7 représentent la distribution de l’erreur, notée e, sur le chargement identifié en fonction du bruit de mesure, noté SNR, en appliquant un procédé de détermination sur des images en décubitus (courbe f2, figure 3), sur des images en procubitus (courbe f4, figure 5), et en appliquant le procédé selon l’invention sur des images en décubitus et procubitus (courbe f6, figure 7).
L’écart-type G de la distribution d’erreur autour des valeurs moyennes représentées par les courbes fl à f6 est également représenté sur chacune des figures 2 à 7.
Pour chacune des figures 2 à 7, la courbe d correspond à la distribution initiale, c’est-à-dire les valeurs auxquelles les paramètres sont initialisés avant optimisation. On initialise de préférence les valeurs de paramètres dans un intervalle proche des valeurs moyennes des paramètres, par exemple plus ou moins 30% autour d’une valeur moyenne connue des paramètres. Cela permet, dans le cas d’illustrations in silico, d’éviter une initialisation systématiquement proche de la solution exacte et donc d’éviter des résultats faussés ; in fine cela correspond à des cas réalistes d’estimation où la valeur réelle n’est pas connue et ne peut pas être utilisée comme initialisation.
On constate que pour des niveaux de bruit faibles à typiques de mesures réelles (SNR variant de plus l’infini à 10), il est possible d’identifier à la fois la raideur et le chargement avec le procédé selon l’invention (courbes f5, f6). L’identification devient toutefois impossible pour des petits SNR, car dans de tels cas, la mesure est totalement parasitée par le bruit.
En revanche, quel que soit le niveau de bruit, on constate qu’il est impossible de d’identifier correctement à la fois la raideur et le chargement dans le cas d’une mesure unique en décubitus et dans le cas d’une mesure unique en procubitus : les courbes fl à f4 ne convergent pas vers la valeur correcte de la raideur et du chargement.
L’ajout d’images dans une position supplémentaire permet donc d’identifier un paramètre additionnel et ainsi d’améliorer les modèles développés en les rendant plus personnalisés à chaque patient.
A titre de comparaison, les figures 8 à 10 représentent la distribution de l’erreur, notée e, sur la raideur identifiée en fonction du bruit de mesure, noté SNR, pour un chargement supposé connu, en appliquant un procédé de détermination sur des images en décubitus (courbe f7, figure 8) et sur des images en procubitus (courbe f8, figure 9), ainsi qu’en appliquant le procédé selon l’invention sur des images en procubitus et en décubitus (courbe f9, figure 10). Il ressort de ces graphiques qu’une identification satisfaisante de la raideur est possible sur la base d’une seule image lorsque le chargement est connu, la détermination de la raideur étant améliorée en utilisant les deux images. Mais, comme illustré aux figures 2 à 7, l’identification à la fois de la raideur et du chargement n’est pas possible sur la base d’une seule image. Le procédé selon l’invention permet de déterminer la raideur et le chargement dans ce cas. D’autres variantes et améliorations peuvent être prévues sans pour autant sortir du cadre de l’invention.
En particulier, le procédé selon l’invention peut être appliqué à un nombre d’images du tissu mou supérieur à deux. Les images peuvent également être prises lorsque le tissu mou est dans des configurations différentes. Par exemple, un poumon in vivo a une configuration différente en fin d’inspiration et en fin d’expiration. Comme décrit en référence à la figure 1, il est possible de comparer deux images du poumon en fin d’inspiration et deux images du poumon en fin d’expiration, les images étant prises en procubitus et en décubitus. Il est également possible d’utiliser trois images, comme illustré au cas B de la figure 1, par exemple une image en fin d’expiration et une image en fin d’inspiration en procubitus et une image en fin d’expiration en décubitus.
Il est envisageable d’utiliser un nombre d’images plus important pour apporter une modélisation plus fine du tissu mou. Cela est particulièrement avantageux dans le cadre de fibroses pulmonaires. Les fibroses pulmonaires sont caractérisées par une rigidification non homogène des tissus pulmonaires. Ainsi, il existe dans les poumons fibrosés plusieurs sections présentant des rigidités différentes. En augmentant le nombre d’images utilisées, les différentes rigidités peuvent être mieux identifiées en permettant de mesurer de plus nombreux champs de déplacements entre deux images parmi les images utilisées.
L’invention requiert des images du tissu mou prises selon au moins deux orientations différentes par rapport à la direction verticale. Ces orientations ne sont pas limitées à des positions en pronation et en supination. Un tissu mou, ou un patient pour des mesures in vivo, peut être orienté selon différents angles par rapport à la verticale lors de la prise d’images. A titre d’exemple, un patient peut être allongé sur une table lors de la prise d’image en pronation et/ou en supination, et la table peut être maintenue à l’horizontale et/ou inclinée par rotation autour d’un ou de deux axes horizontaux perpendiculaires entre eux. La rotation de la table autour d’un axe horizontal peut notamment être comprise entre 0° et 45°. De manière avantageuse, le mouvement de la table facilite l’acquisition des différentes images et le positionnement du patient, notamment lorsqu’il s’agit d’un patient à mobilité réduite ou inconscient.
La figure 11 représente un système d’imagerie 10 selon l’invention. Le système d’imagerie 10 peut notamment être utilisé pour acquérir des images d’un tissu mou d’un animal ou d’un humain et peut être un système d’imagerie tomographique, d’échographie ultrasons ou d’IRM. Il comprend un dispositif imageur 11 et une surface de réception 12, par exemple une table, destinée à recevoir le patient 13.
La surface de réception est, dans l’exemple illustré, mobile en rotation autour d’un axe horizontal de manière à pouvoir prendre différentes positions dans lesquelles l’orientation du patient 13 par rapport à la direction verticale est différente.
L’invention n’est pas limitée au cas du poumon. En particulier, elle s’applique également au cerveau et facilite la classification, le diagnostic, le pronostic et le traitement de maladies cérébrales. Elle peut également faciliter la détection d’un traumatisme crânien via une estimation rapide de la pression crânienne.
Le cerveau est composé de tissus mous, sur lesquels la gravité a une influence importante. Il est soumis à une pression crânienne dont l’estimation in vivo, réalisée via une ponction lombaire, est très invasive. Contrairement au poumon, pour lequel un champ de déplacements est accessible dans une seule position (en comparant des images en fin d’expiration et en fin d’inspiration par exemple) grâce au différentiel de pression pleurale, la pression crânienne reste constante. L’utilisation de la gravité permet dès lors d’accéder à un champ de déplacement qui permet, grâce au procédé selon l’invention, d’identifier à la fois des paramètres comme la rigidité des tissus et la pression crânienne.
L’invention permet d’obtenir un modèle plus fiable du cerveau via une meilleure identification des paramètres du modèle. Cela peut par exemple aider au dimensionnement de matériel sportif, notamment les casques de protection pour les sports comportant des risques de traumatismes crâniens tels que le rugby ou le football américain. En effet, l’invention peut aider à estimer l’augmentation de pression crânienne suite à un choc selon la configuration (matériau, dimensions, . . .) du casque.
De façon plus générale, l’augmentation de pression dans le crâne suite à un choc est une problématique importante et fait l’objet d’une attention toute particulière dans le développement de dispositifs de sécurité. A titre d’exemple, de nombreux équipements de sécurité dans le milieu de l’automobile sont développés en utilisant des modèles biomécaniques du corps et particulièrement de la tête humaine. Une meilleure estimation des valeurs de pression crânienne suite à un choc permet de concevoir des équipements de sécurité plus performants. La modélisation biomécanique est une étape importante de la fabrication d’équipements de protection. En effet, elle permet d’effectuer des tests et d’optimiser in silico la topologie et la géométrie de ces équipements, ce qui permet de réduire les coûts associés à des modèles physiques. De plus, les tests physiques se font sur des mannequins dont les propriétés physiques peuvent diverger de celles des personnes, et ils ne permettent pas d’avoir accès à des quantités d’intérêt comme l’augmentation de la pression crânienne suite à un choc. Coupler un modèle d’équipement, par exemple de casque, avec un modèle du cerveau permettrait d’améliorer l’accès à cette information. En effet, modéliser un impact sur un casque permet d’avoir accès à des contraintes transmises au cerveau, ce qui permet alors de déterminer des dommages potentiels. L’identification de paramètres de rigidité et de pression dans le cerveau pourrait donc permettre d’optimiser la fabrication d’un casque personnalisé protégeant au mieux des personnes telles que des sportifs professionnels.
Plus largement, le procédé selon l’invention peut s’appliquer à tous les objets ou tissus mous qu’ils soient humains, animaux ou végétaux, pour estimer de façon non invasive des rigidités et des pressions internes à partir d’images volumiques sans nécessiter de mesure de force. Cela présente de nombreuses applications comme la classification de maladies à partir des valeurs identifiées de pression, l’aide au diagnostic ou le dimensionnement de matériel de protection ou de sécurité.

Claims

Revendications
1. Procédé mis en œuvre par ordinateur de détermination de paramètres comprenant un champ de rigidité d’un tissu mou (a) et un paramètre de chargement (p) appliqué au tissu mou, notamment un champ de pression, dans lequel on détermine à partir d’au moins deux images de ce tissu mou orienté dans au moins deux positions respectives différentes par rapport à la direction verticale, les valeurs pl) desdits paramètres
Figure imgf000021_0001
permettant de minimiser un écart entre les déformations d’au moins une partie du tissu mou observées à partir des images et les déformations correspondantes déterminées par un modèle (U_ a, p~)) du tissu mou qui dépend desdits paramètres.
2. Procédé selon la revendication 1, dans lequel un champ de déplacement jmeas est déterminé à partir des images du tissu mou et la détermination des valeurs (cri, pl) de paramètres minimisant ledit écart est réalisée par minimisation d’une fonction
Figure imgf000021_0002
3. Procédé selon la revendication 1, dans lequel la détermination des valeurs (cri, pl) de paramètres minimisant ledit écart est réalisée par l’application d’un modèle statistique, tel qu’un modèle de type réseau de neurones, aux images du tissu mou ou à un champ de déplacement t/meas, jjmeas ^tant déterminé à partir des images du tissu mou.
4. Procédé selon l’une des revendications précédentes, comprenant avant la détermination des valeurs (cri, pl) de paramètres minimisant ledit écart une étape d’acquisition des images du tissu mou, dans laquelle le tissu mou est placé dans une première position pour acquérir une première image puis dans une deuxième position orientée différemment par rapport à la direction verticale pour acquérir une deuxième image.
5. Procédé selon la revendication précédente, les images étant obtenues par tomodensitométrie, par échographie ultrasons et/ou par imagerie par résonance magnétique.
6. Procédé selon la revendication précédente, le tissu mou étant un organe d’un patient.
7. Procédé selon la revendication précédente, les images du tissu mou étant acquises in vivo sur le patient positionné au moins en supination et en pronation.
8. Procédé selon l’une des revendications précédentes, le tissu mou étant un poumon, un cerveau ou un sein.
9. Système d’imagerie (10) du corps humain ou animal configuré pour permettre l’acquisition d’images d’un tissu mou dudit corps (13) positionné dans au moins deux positions différentes par rapport à la verticale, et comportant un processeur exécutant un programme permettant de déterminer au moins à partir de ces images lesdites valeurs (al, pl) de paramètres en mettant en œuvre le procédé selon l’une quelconque des revendications précédentes.
10. Système d’imagerie selon la revendication 9, étant un système d’imagerie tomographique, d’échographie ultrasons ou d’IRM.
11. Système selon la revendication 9 ou 10, comportant une surface de réception (12) du corps dont l’orientation par rapport à la verticale est modifiable, notamment de façon automatique par le système, de manière à changer l’orientation du corps entre les acquisitions des différentes images, cette surface étant notamment une table tournant autour d’un ou de deux axes horizontaux et pouvant prendre deux positions orientées différemment, par exemple à 90° l’une de l’autre, par exemple chacune à 45° de la verticale.
12. Produit programme d’ordinateur comportant un code qui, lorsqu’ exécuté sur un processeur, met en œuvre les différentes étapes du procédé tel que défini dans l’une quelconque des revendications 1 à 8.
13. Simulateur du comportement mécanique d’un tissu mou, comportant un jumeau numérique d’un tissu mou obtenu par la mise en œuvre du procédé selon l’une quelconque des revendications 1 à 8, ce tissu mou étant notamment un poumon ou le cerveau, et ce jumeau numérique étant enregistré dans une mémoire informatique.
14. Procédé de fabrication d’un équipement de protection d’un tissu mou, dans lequel on utilise un simulateur tel que défini à la revendication 13 dans une phase de modélisation de l’équipement pour déterminer les sollicitations mécaniques du tissu en cas de sollicitation mécanique à travers l’équipement, et l’on fabrique l’équipement après une telle phase de modélisation.
PCT/EP2024/065992 2023-06-12 2024-06-10 Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d'un tissu mou à partir d'une pluralité d'images acquises dans des orientations verticales différentes Pending WO2024256355A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2305932 2023-06-12
FR2305932A FR3149490A1 (fr) 2023-06-12 2023-06-12 Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d’un tissu mou à partir d’une pluralité d’images acquises dans des orientations verticales différentes

Publications (1)

Publication Number Publication Date
WO2024256355A1 true WO2024256355A1 (fr) 2024-12-19

Family

ID=88689995

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/065992 Pending WO2024256355A1 (fr) 2023-06-12 2024-06-10 Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d'un tissu mou à partir d'une pluralité d'images acquises dans des orientations verticales différentes

Country Status (2)

Country Link
FR (1) FR3149490A1 (fr)
WO (1) WO2024256355A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325572A1 (en) * 2018-04-20 2019-10-24 Siemens Healthcare Gmbh Real-time and accurate soft tissue deformation prediction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325572A1 (en) * 2018-04-20 2019-10-24 Siemens Healthcare Gmbh Real-time and accurate soft tissue deformation prediction

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ALLAIRE, G.: "Numerical analysis and optimization: An introduction to mathematical modelling and numerical simulation", 2007, OXFORD UNIVERSITY PRESS
AVRIL, S.BONNET, M.BRETELLE, A. S.GRÉDIAC, M.HILD, F.IENNY, P.PIERRON, F.: "Overview of identification methods of mechanical parameters based on full-field measurements", EXPERIMENTAL MECHANICS, vol. 48, 2008, pages 381 - 402
CIARLET, P. G.GEYMONAT, G.: "Sur les lois de comportement en élasticité non-linéaire compressible", COMPTES RENDUS DE L'ACADÉMIE DES SCIENCES SÉRIE II, vol. 295, 1982, pages 423 - 426
LAVILLE, C., FETITA, C., GILLE, T., BRILLET, P. Y., NUNES, H., BERNAUDIN, J. F., & GENET, M.: "Comparison of optimization parametrizations for regional lung compliance estimation using personalized pulmonary poromechanical modeling", BIOMECHANICS AND MODELING IN MECHANOBIOLOGY, 2023, pages 1 - 13
OGDEN, R. W.: "Large deformation isotropic elasticity: On the correlation of theory and experimentfor compressible rubberlike solids.", PROCEEDINGS OF THE ROYAL SOCIETY OF LONDON. A. MATHEMATICAL AND PHYSICAL SCIENCES, vol. 328, no. 1575, 1972, pages 567 - 583
PATTE, C.BRILLET, P. Y.FETITA, C.BERNAUDIN, J. F.GILLE, T.NUNES, H.GENET, M.: "Estimation of regionalpulmonary compliance in idiopathic pulmonary fibrosis based on personalized lung poromechanical modeling", JOURNAL OF BIOMECHANICAL ENGINEERING, vol. 144, no. 9, 2022, pages 091008
PATTE, C.GENET, M.CHAPELLE, D.: "A quasi-static poromechanical model of the lungs", BIOMECHANICS AND MODELING IN MECHANOBIOLOGY, vol. 21, no. 2, 2022, pages 527 - 551, XP037740554, DOI: 10.1007/s10237-021-01547-0
VISENTIN FRANCESCO ET AL: "Iterative simulations to estimate the elastic properties from a series of MRI images followed by MRI-US validation", vol. 57, no. 4, 27 November 2018 (2018-11-27), DE, pages 913 - 924, XP093136225, ISSN: 0140-0118, Retrieved from the Internet <URL:https://ris.utwente.nl/ws/files/90477734/Visentin2018_Article_IterativeSimulationsToEstimate.pdf> DOI: 10.1007/s11517-018-1931-z *
WEISS, J. A.MAKER, B. N.GOVINDJEE, S.: "Finite element implementation of incompressible, transversely isotropic hyperelasticity", COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING, vol. 135, no. 1-2, 1996, pages 107 - 128

Also Published As

Publication number Publication date
FR3149490A1 (fr) 2024-12-13

Similar Documents

Publication Publication Date Title
US20120253233A1 (en) Algorithm for quantitative standing balance assessment
Ciniglio et al. The design and simulation of a 16-sensors plantar pressure insole layout for different applications: From sports to clinics, a pilot study
Sevil et al. Detection and characterization of physical activity and psychological stress from wristband data
Davoodnia et al. Deep multitask learning for pervasive BMI estimation and identity recognition in smart beds
CN119273659B (zh) 一种基于大数据的眼部健康状态监测与评估方法及装置
CA2992591A1 (fr) Dispositif de mesures biomecaniques des vaisseaux et d&#39;analyse volumetrique des membres
WO2018130521A1 (fr) Logiciel locogramme: outil pour analyser les exercices de marche
Wairagkar et al. A novel approach for modelling and classifying sit-to-stand kinematics using inertial sensors
US20180168500A1 (en) System and Method for Identification of Brain Injury
Aghanavesi et al. A multiple motion sensors index for motor state quantification in Parkinson's disease
Kelly et al. Feasibility of sensor technology for balance assessment in home rehabilitation settings
Polvorinos-Fernández et al. Evaluating motor symptoms in Parkinson’s disease through wearable sensors: a systematic review of digital biomarkers
WO2024256355A1 (fr) Procédé mis en œuvre par ordinateur de détermination de paramètres de comportement et de chargement d&#39;un tissu mou à partir d&#39;une pluralité d&#39;images acquises dans des orientations verticales différentes
EP1596713A1 (fr) Microcapteur de pression arterielle et appareil de mesure l`utilisant
CN119014857A (zh) 一种基于体重秤的健康检测方法
Bernabei et al. Automatic detection of tic activity in the Tourette Syndrome
Patte Personalized pulmonary mechanics: modeling, estimation and application to pulmonary fibrosis
EP3946019A1 (fr) Méthode et système de détection et d&#39;analyse d&#39;un syndrome de la traversée thoracobrachiale (sttb)
Nguyen et al. An instrumented measurement scheme for the assessment of upper limb function in individuals with Friedreich Ataxia
WO2020065228A1 (fr) Méthode de validation d&#39;un modèle numérique
KR102895418B1 (ko) 딥러닝 기반 인공지능 전문가 시스템 기반의 질병 예측 방법, 서버 및 컴퓨터 프로그램
JP2011257816A (ja) 受診者状態推定装置及びプログラム
Zampier et al. On the accuracy of methods identifying gait events using optical motion capture and a single inertial measurement unit on the sacrum
CN119444737B (zh) 基于人工智能的Wilson病损害程度评估系统及其方法
WO2025132351A1 (fr) Procédé et système de prédiction de l&#39;état de la colonne vertébrale d&#39;un individu

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24731603

Country of ref document: EP

Kind code of ref document: A1