Recalage pré-opération / per-opération par intelligence artificielle dans la chirurgie du rachis // Pre-operative/intra-operative calibration using artificial intelligence in spinal surgery

Le projet de thèse porte sur le recalage pré-opératoire et per-opératoire par intelligence artificielle en chirurgie du rachis, au sein de l'Institut des Systèmes Intelligents et de Robotique (ISIR), unité mixte de Sorbonne Université, du CNRS et de l'Inserm. Il s'inscrit dans une dynamique multidisciplinaire à l'interface entre médecine, vision par ordinateur, robotique et apprentissage automatique.
Le contexte clinique est celui de l'augmentation continue des interventions de chirurgie du rachis, notamment les arthrodèses lombaires. Cette opération consiste à insérer des vis pédiculaires dans les vertèbres afin de stabiliser la colonne vertébrale et favoriser leur fusion. La précision du positionnement est cruciale : jusqu'à 10 % des vis posées à main levée seraient mal placées, entraînant parfois des réinterventions. Pour réduire ces risques, des systèmes de navigation 3D, de robotique ou de réalité augmentée sont de plus en plus utilisés. Tous reposent sur un enjeu central : le recalage précis entre les images préopératoires (scanner) et l'anatomie réelle du patient pendant l'intervention.
Le CT-scan est aujourd'hui la modalité de référence pour la planification, en raison de sa précision supérieure à celle de la fluoroscopie. Cependant, il n'est pas envisageable de multiplier les acquisitions per-opératoires à cause de l'irradiation. Le défi scientifique consiste donc à assurer un recalage initial (CT préopératoire / CT per-opératoire), puis un suivi continu à l'aide d'une modalité non irradiante à définir.
La difficulté majeure provient du caractère non rigide de la colonne vertébrale. Entre le scanner préopératoire (patient sur le dos) et la situation per-opératoire (patient sur le ventre), les déformations anatomiques sont importantes. De plus, le geste chirurgical induit des déplacements continus. La colonne peut être considérée comme rigide par morceaux (chaque vertèbre), mais mobile globalement. S'ajoute la contrainte de bases de données limitées en taille et en diversité.
Plusieurs axes de recherche sont proposés. D'abord, la génération de données synthétiques : à partir de scanners existants (notamment disponibles à l'hôpital Trousseau), il s'agira de simuler des déformations biomécaniquement réalistes de colonnes saines ou pathologiques. Des rendus 2D texturés pourront être produits afin d'entraîner des modèles d'apprentissage profond avec une vérité terrain connue. Ces approches intégreront des contraintes biomécaniques dans des modèles génératifs basés sur l'IA.
Ensuite, le recalage lui-même. La littérature propose majoritairement des méthodes de recalage rigide, parfois fondées sur des points anatomiques (landmarks). Des approches récentes réalisent un recalage indépendant de chaque vertèbre, éventuellement suivi d'une fusion élastique pour obtenir un champ de déformation dense. Le projet propose d'aller plus loin en développant un modèle end-to-end combinant :
1. un recalage rigide vertèbre par vertèbre ;
2. un modèle probabiliste ou biomécanique des déplacements relatifs entre vertèbres.
Ce modèle pourrait également exploiter des avancées récentes en modèles de fondation capables de reconstruire de l'information 3D à partir de données 2D, afin d'améliorer le suivi per-opératoire.
L'objectif final est de concevoir une méthode robuste, précise et cliniquement intégrable, permettant un recalage continu sans irradiation supplémentaire, et contribuant à sécuriser la pose de vis pédiculaires. Le projet est encadré par des spécialistes en vision par ordinateur, robotique médicale et IA appliquée à la santé, garantissant une approche à la fois théorique, méthodologique et clinique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The thesis project focuses on preoperative and intraoperative realignment using artificial intelligence in spinal surgery, at the Institute for Intelligent Systems and Robotics (ISIR), a joint unit of Sorbonne University, the CNRS, and Inserm. It is part of a multidisciplinary approach at the interface between medicine, computer vision, robotics, and machine learning.
The clinical context is that of a continuous increase in spinal surgery, particularly lumbar arthrodesis. This operation involves inserting pedicle screws into the vertebrae to stabilize the spine and promote fusion. Precise positioning is crucial: up to 10% of screws inserted freehand are misplaced, sometimes requiring reoperation. To reduce these risks, 3D navigation, robotics, and augmented reality systems are increasingly being used. All of these systems rely on one key factor: the precise alignment of preoperative images (CT scan) with the patient's actual anatomy during the procedure.
CT scanning is currently the gold standard for planning, due to its superior accuracy compared to fluoroscopy. However, it is not feasible to increase the number of intraoperative acquisitions due to radiation exposure. The scientific challenge is therefore to ensure initial alignment (preoperative CT scan/intraoperative CT scan), followed by continuous monitoring using a non-irradiating modality yet to be defined.
The main difficulty stems from the non-rigid nature of the spine. Between the preoperative scan (patient on their back) and the intraoperative situation (patient on their stomach), there are significant anatomical deformities. In addition, the surgical procedure causes continuous displacement. The spine can be considered rigid in sections (each vertebra), but mobile overall. Added to this is the constraint of databases that are limited in size and diversity.
Several areas of research are proposed. First, the generation of synthetic data: using existing scans (particularly those available at Trousseau Hospital), the aim will be to simulate biomechanically realistic deformities of healthy or pathological spines. Textured 2D renderings can be produced to train deep learning models with known ground truth. These approaches will integrate biomechanical constraints into AI-based generative models.
Next, the registration itself. The literature mainly proposes rigid registration methods, sometimes based on anatomical landmarks. Recent approaches perform independent registration of each vertebra, possibly followed by elastic fusion to obtain a dense deformation field. The project proposes to go further by developing an end-to-end model combining:
1. rigid vertebra-by-vertebra registration;
2. a probabilistic or biomechanical model of relative displacements between vertebrae.
This model could also exploit recent advances in foundation models capable of reconstructing 3D information from 2D data to improve intraoperative monitoring.
The ultimate goal is to design a robust, accurate, and clinically integrable method that allows for continuous registration without additional radiation and contributes to the safety of pedicle screw placement. The project is supervised by specialists in computer vision, medical robotics, and AI applied to healthcare, ensuring a theoretical, methodological, and clinical approach.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Sorbonne Université SIS (Sciences, Ingénierie, Santé)

391 Sciences Mécaniques, Acoustique, Electronique et Robotique de Paris

Ingénieur ou Master en intelligence artificielle. Compétences demandées en vision par ordinateur
Engineer or Master's degree in artificial intelligence. Image processing skills required.