Modélisation des activités chirurgicales et de leur déroulement pour la reconnaissance des étapes opératoires

Workflow and Activity Modeling for Monitoring Surgical Procedures

• Auteur / Autrice : Nicolas Padoy
• Direction : Marie-Odile Berger, Nassir Navab
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/04/2010
• Etablissement(s) : Nancy 1 en cotutelle avec Technische Universität (Munich, Allemagne)
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Darius Burschka
• Jury : Examinateurs / Examinatrices : Marie-Odile Berger, Nassir Navab, Darius Burschka, Gregory Hager, Jocelyne Troccaz, Heinz U. Lemke, Adam Cichon
• Jury : Rapporteurs / Rapporteuses : Gregory Hager, Jocelyne Troccaz

Mots clés

Mots clés contrôlés

Salles d'opération

Analyse informatique

Chirurgie opératoire

Mots clés libres

Déroulement des Processus Chirurgicaux

Analyse des Activités Chirurgicales

Salles d'Opération Réactives au Contexte

Modèles de Markov Cachés

Cholécystectomie

Reconnaissance à partir de Reconstruction Multi-Vues

Surgical Workflow

Surgical Activity Analysis

Context Aware Operating Rooms

Hidden Markov Models

Cholecystectomy

Recognition from Multi-view Reconstruction

Résumé

Le bloc opératoire est au coeur des soins délivrés dans l'hôpital. Suite à de nombreux développements techniques et médicaux, il devient équipé de salles opératoires hautement technologiques. Bien que ces changements soient bénéfiques pour le traitement des patients, ils accroissent la complexité du déroulement des opérations. Ils impliquent également la présence de nombreux systèmes électroniques fournissant de l'information sur les processus chirurgicaux. Ce travail s'intéresse au développement de méthodes statistiques permettant de modéliser le déroulement des processus chirurgicaux et d'en reconnaitre les étapes, en utilisant des signaux présents dans le bloc opératoire. Nous introduisons et formalisons le problème consistant à reconnaitre les phases réalisées au sein d'un processus chirurgical, en utilisant une représentation des chirurgies par une suite temporelle et multi-dimensionnelle de signaux synchronisés. Nous proposons ensuite des méthodes pour la modélisation, la segmentation hors-ligne et la reconnaissance en-ligne des phases chirurgicales. La méthode principale, une variante de modèle de Markov caché étendue par des variables de probabilités de phases, est démontrée sur deux applications médicales. La première concerne les interventions endoscopiques, la cholécystectomie étant prise en exemple. Les phases endoscopiques sont reconnues en utilisant des signaux indiquant l'utilisation des instruments et enregistrés lors de chirurgies réelles. La deuxième application concerne la reconnaissance des activités génériques d'une salle opératoire. Dans ce cas, la reconnaissance utilise de l'information 4D provenant d'un système de reconstruction multi-vues

The department of surgery is the core unit of the patient care system within a hospital. Due to continuous technical and medical developments, such departments are equipped with increasingly high-tech surgery rooms. This provides higher benefits for patient treatment, but also increases the complexity of the procedures' workflow. This also induces the presence of multiple electronic systems providing rich and various information about the surgical processes. The focus of this work is the development of statistical methods that permit the modeling and monitoring of surgical processes, based on signals available in the surgery room. We introduce and formalize the problem of recognizing phases within a workflow, using a representation of interventions in terms of multidimensional time-series formed by synchronized signals acquired over time. We then propose methods for the modeling, offline segmentation and on-line recognition of surgical phases. The main method, a variant of hidden Markov models augmented by phase probability variables, is demonstrated on two medical applications. The first one is the monitoring of endoscopic interventions, using cholecystectomy as illustrative surgery. Phases are recognized using signals indicating tool usage and recorded from real procedures. The second application is the monitoring of a generic surgery room workflow. In this case, phase recognition is performed by using 4D information from surgeries performed in a mock-up operating room in presence of a multi-view reconstruction system