Replico (IMAG2-Endométriose)

Le projet Replico (IMAG2-Endométriose) a été lauréat en 2023 de l’appel à projets PRÉMATURATION, piloté par l'Innovation Lab d'IP Paris.

Il s'agit d'étendre les algorithmes de segmentation automatique développés sur la zone pelvienne des enfants aux femmes adultes souffrant d'endométriose. 

L'association d’un modèle anatomique 3D et de la modélisation des nerfs pelviens fournit des informations essentielles pour comprendre l’origine des douleurs ressenties par les patientes. Elle permet également une planification chirurgicale de haute précision, améliorant les résultats tout en évitant les atteintes aux zones très sensibles. 

Une collaboration étroite avec des chirurgiens et des radiologues depuis 2015 a permis de créer les modèles anatomiques 3D de la zone pelvienne les plus précis et spécifiques à chaque patiente, incluant les nerfs traversant cette région. Cette expérience nous confère un avantage significatif par rapport à nos concurrents.

• Deux séquences IRM sont nécessaires en entrée : une séquence T2 pondérée en cube pour la segmentation anatomique et une séquence IRM pondérée en diffusion pour la modélisation des nerfs.
• Des modèles d'apprentissage profond (deep learning) de pointe pour la segmentation 3D et la création de modèles de toutes les structures anatomiques et organes (os, vessie, artère, etc.).
• Utilisation d'algorithmes de tractographie sur l'IRM de diffusion pour extraire de grands ensembles de fibres.
• Modélisation, segmentation et reconnaissance des tracés nerveux à partir de ces ensembles, en utilisant notre méthode d'IA symbolique basée sur la modélisation floue et le raisonnement spatial.

• Nos méthodes de segmentation automatique basées sur le deep learning sont plus rapides et plus précises que celles des concurrents.
• Modélisation et segmentation des nerfs : un atout clé et original de notre projet. Les nerfs contiennent des informations cruciales pour la planification chirurgicale afin d’éviter toute séquelle sur la motricité des patientes.