tous les documents
  • tous les documents
  • Images
  • Films
  • Rushes
  • Publications
  • Audio
Recherche avancée
Ensemble de recherche :
tous les documents
  • tous les documents
  • Images
  • Films
  • Rushes
  • Publications
  • Audio
Recherche par couleur
Ensemble de recherche :
tous les documents
  • tous les documents
  • Images
  • Films
  • Rushes
  • Publications
  • Audio
Code HTML Copiez-collez le code ci-dessous pour l'intégrer dans une page Web.
Titre :
RII - Simulation de respiration avec optimisation génétique
Légende - Résumé :
Pierre-Frédéric Villard professeur et cherche au sein de l'équipe MAGRIT présente sa recherche concernant la simulation du mouvement respiratoire basée sur une étude physiologique et anatomique. L'objectif est de servir dans des simulateurs d'opérations chirurgicales ou en aide au traitement. La méthode pour ajuster automatiquement les paramètres du modèle est un algorithme évolutionnaire ad-hoc qui est en mesure d'explorer un espace de recherche à 15 dimensions. La méthode est complètement automatique et auto-adaptative.

Interview réalisée lors des Rencontres Inria Industrie "Simulation numérique pour la santé, de la cellule à l'humain virtuel ", le 21 novembre 2012 au Palais des Congrès de Strasbourg .
Nom de fichier :
Inria-803_MAGRIT-fr.mp4
Titre :
RII - Simulation de respiration avec optimisation génétique
Année :
2012
Durée (min) :
00:03:22
Publications :
https://videotheque.inria.fr/videotheque/doc/803
Autres versions :
Master VF : 803
Master VEN :
Autre : Lien externe :
Lien Equipe-projet :
Lien Centre de Recherche :
Mots clés :
N° master :
803
Durée :
03 min 22 sec
IsyTag :
biopsie - donnée - est-à-dire - idée - intercostaux - manière - paramètre - patient - respiration - simulation - tumeur
Transcription automatiqu :
mon domaine de recherche dans l'équipe magritte c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui se met la physiologie d'un patient donc la respiration en particulier que se présente aujourd'hui c'est c'est une de la respiration euh mes travaux antérieurs euh un modèle similaire à celui-ci on a euh la respiration d'un patient donc la respiration avec l'action des différents muscles les inter costauds le diaphragme et puis leur influence sur eux sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui se met la physiologie d'un patient donc la respiration en particulier que se présente aujourd'hui c'est c'est une de la respiration euh mes travaux antérieurs euh un modèle similaire à celui-ci on a euh la respiration d'un patient donc la respiration avec l'action des différents muscles les inter costauds le diaphragme et puis leur influence sur eux sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier que se présente aujourd'hui c'est c'est une de la respiration euh mes travaux antérieurs euh un modèle similaire à celui-ci on a euh la respiration d'un patient donc la respiration avec l'action des différents muscles les inter costauds le diaphragme et puis leur influence sur eux sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs un modèle similaire à celui-ci on a euh la respiration d'un patient donc la respiration avec l'action des différents muscles les inter costauds le diaphragme et puis leur influence sur eux sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les inter costauds le diaphragme et puis leur influence sur eux sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie l'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est qu'on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèque telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration pour cela j'extrait donc ce qu'on voit ici sur ce poster quinze paramètres l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux patient donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique optimisation génétique ça consiste à s'appuyer sur les lois de darwin c'est-à-dire que le le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise elle aura plus de chances que le la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne ça c'est euh c'est le croisement entre les paramètres mon aussi la mutation des gènes aucun paramètre qui est bon si on le mute il peut encore être bon voire être meilleur on a aussi euh l'immigration donc crée des nouveaux paramètres de manière aléatoire qui ont des chances d'est bon et comme ça ici je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche mais qu'on applique ces paramètres sur note simulation à nouveau euh on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée cette simulation donc en réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel réel hélas varier peut faire varier les paramètres euh soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles mais l'influence des muscles internes il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration le premier qui devient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur ce que se présente ici c'est un simulateur pour les radiologues intentionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration Le premier qui me vient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur Mais ce que je présente ici c'est un simulateur pour les radiologues interventionnels ici ce qu'on voit c'est un patient tel qu'un radiologue intentionnel a l'idée c'est donc de d'une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration Le premier qui me vient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur Mais ce que je présente ici c'est un simulateur pour les radiologues interventionnels Ici ce qu'on voit c'est un patient tel qu'un radiologue interventionnel a et l'idée c'est donc d'insérer une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas ici ce qu'on voit je vais augmenter la transparence voilà c'une tumeur euh jaune donc c'est là la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration Le premier qui me vient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur Mais ce que je présente ici c'est un simulateur pour les radiologues interventionnels Ici ce qu'on voit c'est un patient tel qu'un radiologue interventionnel a et l'idée c'est donc d'insérer une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas Ici ce qu'on voit donc je vais augmenter la transparence voilà c'est une tumeur jaune donc là c'est la sphère jaune qui est ici sur des simulateurs classiques euh le passant est statique c'est-à-dire il qu'y a pas de respiration la tumeur est immobile donc ça c'est facile de faire là biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration Le premier qui me vient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur Mais ce que je présente ici c'est un simulateur pour les radiologues interventionnels Ici ce qu'on voit c'est un patient tel qu'un radiologue interventionnel a et l'idée c'est donc d'insérer une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas Ici ce qu'on voit donc je vais augmenter la transparence voilà c'est une tumeur jaune donc là c'est la sphère jaune qui est ici et sur des simulateurs classiques le passant est statique c'est-à-dire qu'il y a pas de respiration la tumeur est immobile donc ça c'est facile de faire la biopsie ici ce qu'on voit c'est que la tumeur varie avec la la respiration donc l'idée c'est d'entraîner aux étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Mon domaine de recherche dans l'équipe Magrit c'est la simulation médicale sur des données basées patients plus spécialement tout ce qui est simulation de la physiologie d'un patient donc la respiration en particulier La recherche que je présente aujourd'hui c'est la simulation de la respiration Donc mes travaux antérieurs c'était un modèle similaire à celui-ci où on a la respiration d'un patient Donc la respiration avec l'action des différents muscles les intercostaux le diaphragme et puis leur influence sur les poumons et sur le foie L'amélioration que j'a apporté là ces dernières années c'était au niveau de l'optimisation parce que l'idée c'est quand on a un patient il y a pas mal de données qui dépendent de ce patient que ce soit des données intrinsèques telles que l'élasticité des tissus mais aussi son mode de respiration Donc pour cela j'ai extrait donc ce qu'on voit ici sur ce poster quinze paramètres Et l'objectif ici c'était d'optimiser ces quinze paramètres pour que ça corresponde au mieux au patient Donc l'idée si c'était d'utiliser des algorithmes de l'optimisation génétique L'optimisation génétique ça consiste à s'appuyer sur les lois de Darwin c'est-à-dire que le meilleur gagne en quelque sorte Donc on a quinze paramètres et on va croiser ces quinze paramètres sachant que si on a deux paramètres qui sont bons le fait qu'on les croise il y aura plus de chances que la donnée finale sera bonne Donc ça c'est le croisement entre les paramètres mais on a aussi la mutation des gènes donc un paramètre qui est bon si on le mute il peut encore être bon voire être meilleur On a aussi l'immigration donc créer des nouveaux paramètres de manière aléatoire qui ont des chances d'être bonnes et comme ça ici ce que je montre ici c'est qu'on a des données qui sont de mieux en mieux on a là un modèle qui se rapproche de plus vers ce qu'on cherche Et quand on applique ces paramètres sur notre simulation à nouveau on a une simulation qui est plus proche des données patients et qu'on peut modifier en temps réel parce que l'idée c'est de faire une simulation en temps réel et là je peux faire varier les paramètres soit de la respiration soit les paramètres des muscles l'influence des muscles intercostaux il a plusieurs applications possibles d'un modèle de respiration Le premier qui me vient en tête c'est pour la radiothérapie où on cherche à planifier un traitement en envoyant des ions de manière stratégique sur la tumeur Mais ce que je présente ici c'est un simulateur pour les radiologues interventionnels Ici ce qu'on voit c'est un patient tel qu'un radiologue interventionnel a et l'idée c'est donc d'insérer une aiguille de manière à faire une biopsie dans le foie pour voir si une cellule est cancéreuse ou pas Ici ce qu'on voit donc je vais augmenter la transparence voilà c'est une tumeur jaune donc là c'est la sphère jaune qui est ici et sur des simulateurs classiques le passant est statique c'est-à-dire qu'il y a pas de respiration la tumeur est immobile donc ça c'est facile de faire la biopsie Ici ce qu'on voit c'est que la tumeur varie avec la respiration donc l'idée c'est d'entraîner les étudiants à anticiper ce mouvement pour faire la biopsie de manière stratégique
Inria-803_MAGRIT-fr.mp4

Format : .mp4
94,9 Mo
1024 x 576 pixels
Fichier H264. Meilleure résolution disponible
Sélection
Voir Selection
Déposer ici pour retirer de la sélection