La modélisation tridimensionnelle (3D) précise du genou occupe une place croissante en chirurgie orthopédique. Les modalités d’imagerie traditionnelles, telles que la tomodensitométrie (CT), offrent une excellente résolution de l’anatomie osseuse, mais exposent les patients à des radiations ionisantes et fournissent peu d’informations sur les tissus mous. À l’inverse, l’imagerie par résonance magnétique (IRM) offre un contraste supérieur pour le cartilage, les ménisques et les ligaments, et constitue la référence dans le diagnostic des lésions ligamentaires. Toutefois, son potentiel pour la modélisation osseuse 3D reste limité en raison de la segmentation manuelle longue et complexe. Cette thèse a pour objectif de développer et valider une méthode rapide, précise et applicable en clinique pour la reconstruction 3D du genou à partir de l’IRM, en s’appuyant sur les récents progrès de l’intelligence artificielle (IA) et du deep learning. Une approche basée sur un réseau de type UNet-R a été entraînée sur des IRM pondérées en densité protonique saturée en graisse pour segmenter l’os et le cartilage, avec un temps d’inférence inférieur à 30 secondes. Différentes stratégies ont d’abord été comparées : segmentation manuelle, automatisée, et semi-automatique avec correction experte. La précision a été évaluée par rapport à des modèles de référence issus de la numérisation laser et du scanner. La segmentation semi-automatique a atteint une précision submillimétrique proche de celle obtenue manuellement. L’automatisation complète, bien que légèrement moins précise dans certains cas, permet un gain de temps majeur. Chez des patients avec rupture du LCA, les reconstructions IRM automatisées ont montré une forte concordance géométrique avec le scanner, avec des coefficients de Dice >88 % pour le fémur et >86 % pour le tibia. Les analyses de Bland–Altman ont confirmé une réduction des biais et une meilleure concordance pour les méthodes automatisées. Ces reconstructions 3D basé sur l’IRM représentent une alternative fiable et sans irradiation, permettant d’obtenir rapidement des modèles osseux personnalisés utilisables pour la planification ou la navigation chirurgicale. Elle ouvre également des perspectives prometteuses en chirurgie arthroscopique ligamentaire assistée par réalité augmentée (RA). Des modèles 3D spécifiques au patient pourraient être projetés en peropératoire à l’aide de lunettes RA pour améliorer la perception spatiale et la précision du geste. Une telle intégration pourrait réduire les incertitudes peropératoires, notamment dans les procédures complexes comme les reconstructions du LCA ou les chirurgies multiligamentaires. Les développements futurs vont viser l’intégration directe de cette chaîne de segmentation dans les plateformes préopératoires compatibles RA, via des algorithmes de localisation et cartographie simultanées (SLAM) assurant le suivi peropératoire du patient. Associée aux progrès continus de l’IA et de l’IRM sans radiation, cette approche pourrait faire émerger une nouvelle ère de chirurgie de précision – plus personnalisée, plus efficace et plus sûre pour les patients. Cette thèse jette les bases concrètes de cette transformation, en démontrant que la modélisation 3D basée sur l’IRM ne relève plus de l’expérimentation, mais constitue dès à présent une solution clinique robuste pour la chirurgie orthopédique de demain. |
High-precision three-dimensional (3D) modeling of the knee is playing an increasingly critical role in orthopedic surgery. Conventional imaging modalities, such as computed tomography (CT), offer excellent spatial resolution for osseous anatomy but expose patients to ionizing radiation and provide limited soft tissue detail. In contrast, magnetic resonance imaging (MRI) delivers superior contrast for cartilage, menisci, and ligaments, and remains the gold standard for diagnosing ligamentous injuries. However, its potential for accurate 3D bone modeling has been constrained by the labor-intensive nature of manual segmentation.
This thesis aims to develop and validate a rapid, accurate, and clinically applicable method for MRI-based 3D knee reconstruction, leveraging recent advances in artificial intelligence (AI) and deep learning. A transformer-based UNet-R model was trained on proton density fat-saturated MRI sequences to segment bone and cartilage structures, achieving inference times under 30 seconds. Several segmentation strategies were compared, including expert manual segmentation, fully automated approaches, and semi-automated pipelines incorporating expert corrections. Anatomical accuracy was assessed against gold-standard models derived from surface laser scanning and CT.
Semi-automated segmentation yielded submillimetric accuracy, closely matching manual reference models. Fully automated segmentation, while slightly less precise in some cases, enabled major time savings. In patients with anterior cruciate ligament (ACL) tears, AI-driven MRI reconstructions showed excellent geometric concordance with CT-based models, with Dice similarity coefficients exceeding 88% for the femur and 86% for the tibia. Bland–Altman analyses further confirmed reduced bias and improved agreement in favor of AI-based methods.
These MRI-based 3D reconstructions represent a reliable, radiation-free alternative for generating anatomically accurate and patient-specific bone models, well-suited for surgical planning and intraoperative navigation. They also offer promising applications in augmented reality (AR)–assisted arthroscopic ligament surgery. Patient-specific 3D models could be projected intraoperatively via AR headsets to enhance spatial awareness and procedural precision. Such integration could reduce intraoperative uncertainty, particularly in complex cases such as ACL revision or multiligament reconstruction.
Future directions include embedding the segmentation pipeline into AR-compatible preoperative platforms using Simultaneous Localization and Mapping (SLAM) algorithms for real-time surgical tracking. Combined with the ongoing advances in AI and low-radiation imaging, this approach may usher in a new era of precision surgery—more personalized, efficient, and safer. This thesis provides a robust foundation for this transformation, demonstrating that MRI-based 3D modeling is no longer experimental, but a clinically mature solution ready for integration into modern orthopedic practice. |