Modélisation des surfaces corporelles

Modélisation des surfaces corporelles 

Modélisation 2D/ 3D des surfaces corporelles brûlées 

Les méthodes cliniques exigent une représentation des brûlures en 3D sur des schémas en 2D (Wachtel et al., 2000). C’est pourquoi cette évaluation n’est pas objective et présente des variabilités intra-inter observateur non négligeables. De nombreux auteurs se sont donc tournés vers le développement de méthodes numériques pour estimer le %TBSA. Les premiers programmes d’évaluation de la taille des brûlures  étaient principalement une représentation numérique du schéma de Lund & Browder avec l’ajout de fonctions supplémentaires. Cependant, ces méthodes restent toujours une représentation en 2D des brûlures et souffrent donc des mêmes problèmes mentionnés précédemment.

Afin de pallier cette problématique, certains auteurs se sont tournés vers le développement de programme de modélisation 3D des brûlures . Ces logiciels sélectionnent un modèle déformable (non paramétrique) provenant d’une base de données plus ou moins exhaustive suivant les données inscrites par l’utilisateur. La surface globale du modèle 3D est ensuite adaptée de manière à correspondre à l’approximation de la BSA du patient .

« BurnCase 3D » et « BAI » sont les seuls de nos jours à offrir une solution adéquate pour l’évaluation du %TBSA. Cependant, les modèles 3D sont issus d’une approximation de la BSA du patient basée sur les formules anthropométriques vues précédemment (1.2). Le fait que des modèles prédéfinis soient seulement adaptés au poids et à la taille du patient implique un décalage inconnu entre la BSA du patient réelle et la BSA du modèle 3D qui n’a pas été évalué par « BurnCase 3D » et « BAI » (Johannes Dirnberger, Michael, Robert, Herbert, & Peter, 2012). Seule une mesure du décalage de la géométrie 3D peut être évaluée en comparant les modèles obtenus à des scans 3D.

Un outil pertinent pour la modélisation 3D des surfaces corporelles : MakeHuman 

Il existe plusieurs logiciels permettant la modélisation paramétrique du corps humain, notamment pour les jeux vidéo. Le logiciel multiplateforme open source (licence LGPL) MakeHumanTM (MH) de Bastioni, Re, et Misra, (2008) est celui le plus utilisé pour la modélisation paramétrique de corps humain en 3D dans la recherche scientifique. Basé sur l’étude de plus de 3000 morphologies, MH opère une déformation paramétrique contrôlée du modèle tout en préservant les proportions corporelles du corps et donc sa morphologie. Le modèle de base est un maillage composé de quadrilatères ayant une forme humaine androgyne. La déformation du modèle est effectuée par morphing 3D. C’est toujours le même modèle de base qui est déformé avec la même topologie. MH peut modéliser de façon réaliste toutes les formes anatomiques humaines (Fonseca, Bogaerts, Hunt, & Vanhavere, 2014), grâce à une modélisation paramétrique basée sur des paramètres simples et intuitifs tels que l’âge, le genre, la taille, plusieurs mesures anthropométriques et les proportions du corps.

Plus précisément, la déformation paramétrique ou « Keyframe morphing » permet de changer la forme d’un objet tridimensionnel donnée par la relocalisation de ses sommets. Les vecteurs de ces sommets sont définis afin de décrire un chemin de déformation linéaire (interpolation linéaire en translation et rotation). Un groupe de ces vecteurs est appelé un « morphing target », qui couvre habituellement seulement un sous-ensemble de sommets du modèle complet. MakeHuman en compte plus de 60. Cette déformation est contrôlée par un facteur de forme qui définit l’impact de ces vecteurs et, par conséquent, la dimension de cette relocalisation. Enfin, les normales aux faces sont recalculées afin de limiter la déformation locale pour un maillage plus lisse et plus uniforme. C’est la fonction « mesures » de MH qui permet, à partir de mesures anthropométriques, de déformer localement le modèle 3D en fonction des « mophing target » associé à ces mesures indépendamment des autres.

La combinaison originale et intelligente de morphing en translation et rotation, associée à un facteur de forme et un lissage du maillage permet à MH de fournir une gamme de modèles réalistes.

Plusieurs études ont utilisé MH pour la création de modèles 3D humains personnalisés: essayage de vêtements virtuels (Volz, Blum, Häberling, & Khakzar, 2007) ; médecine et robotassistance (Buys, Deun, Laet, & Bruyninckx, 2011) ; ergonomie du sommeil (Van Deun, Verhaert, Buys, Haex, & Vander Sloten, 2011) ; simulation de l’exposition humaine aux UV solaire (Vernez et al., 2011) ; fantôme virtuel pour la radioprotection, radiologie et médecine nucléaire (Cassola, de Melo Lima, Kramer, & Khoury, 2009; Fonseca et al., 2014) ; autopsie virtuelle précise d’abus subis par des victimes, négligence et malnutrition sévère chez une enfant (Davy-Jow, Lees, & Russell, 2013); évaluation militaire de la vulnérabilité aux munitions fragmentées (Kulaga et al., 2014) .

Les résultats de l’étude de Van Deun et al., (2011), sont particulièrement intéressants. Leurs besoins étaient d’obtenir des modèles suffisamment précis afin de simuler la mémoire de forme du matelas. Ils leurs étaient également souhaitable de pouvoir générer des modèles à partir d’un nombre limité de mesures anthropométriques. Au moment de l’étude, MH n’offrait pas encore la possibilité d’entrer des mesures anthropométriques. Les auteurs ont donc modifié le code source de MH de manière à inclure certaines mesures anthropométriques nécessaires. En se basant sur 60 sujets (30 hommes et femmes), ils ont comparé les paramètres estimés du modèle avec les mesures réelles des sujets. La conclusion est qu’en utilisant six paramètres d’entrée tels que le sexe, l’âge, la taille, le poids (scalaire), la largeur des hanches et la circonférence de l’abdomen, les modèles résultants avaient une précision suffisante avec une erreur quadratique moyenne de 5,0 ± 3,5%.

Table des matières

INTRODUCTION
CHAPITRE 1 CONTEXT CLINIQUE
1.1 Contexte clinique et prise en charge initiale du grand brûlé
1.2 Évaluation de l’étendue des brûlures
1.2.1 Stabilisation et réanimation liquidienne
1.2.2 Méthodes cliniques
1.2.3 Erreurs liées à l’estimation de la surface corporelle
CHAPITRE 2 REVUE DE LITTÉRATURE
2.1 Modélisation des surfaces corporelles
2.1.1 Modélisation 2D/ 3D des surfaces corporelles brûlées
2.1.2 Modélisation 3D de la surface corporelle du corps humain
2.1.3 Un outil pertinent pour la modélisation 3D des surfaces corporelles MakeHuman
2.2 Anthropométrie
2.3 Modélisation statistique en science des données
2.3.1 Deux cultures : les statistiques et l’apprentissage machine
2.3.2 Modèles et hypothèses de la régression linéaire multiple en statistique
2.3.2.1 Régression linéaire multiple et ses hypothèses
2.3.2.2 Modèle linéaire général
2.3.2.3 Modèle linéaire généralisé
2.3.2.4 Modèle non linéaire
2.3.3 Problématique de l’étude et importance de la sélection de variables
2.3.3.1 Multicolinéarité et son effet sur les modèles linéaires généralisés
2.3.3.2 Surapprentissage en apprentissage machine
2.3.4 Prétraitements de données
2.3.4.1 Corrélation et allure de la distribution des variables
2.3.4.2 Centrage et normalisation
2.3.5 Les principales approches de sélection de variables en régression
2.3.6 Comparaison entre modèles linéaires et modèles d’apprentissage machine
2.3.7 Sélection de sous-ensembles de modèles linéaires
2.3.7.1 Sélection de sous-ensembles
2.3.7.2 Méthodes de réduction
2.3.8 L’apprentissage machine : application à la régression
2.3.8.1 Sélection de modèles et généralisation
2.3.8.2 Algorithmes paramétriques et non paramétriques
2.3.9 Algorithmes de sélection de variables non linéaires
2.3.9.1 Arbre décisionnel de régression – CART
2.3.9.2 Forêt d’arbres décisionnels
2.3.9.3 Boosting d’arbre de régression
2.3.9.4 Régression à vecteur de support
2.3.9.5 Réseau de Neurones
2.3.9.6 Moyenne de Réseau de Neurones
2.3.9.7 Régression multivariée par splines adaptatives
2.4 Création d’un échantillon stratifié
2.5 Métriques de validation
2.5.1 Métriques de validation des modèles prédictifs
2.5.2 Métriques de validation 3D
2.5.3 Validation de méthodes
CHAPITRE 3 HYPOTHÈSES ET OBJECTIFS DE RECHERCHE
CHAPITRE 4 PUBLISHED ARTICLE: TOWARD A QUANTIFIED ASSESSMENT OF TOTAL BODY SURFACE AREA FROM ANTHROPOMETRIC MEASUREMENTS FOR PATIENT WITH BURN INJURIES
4.1 Mise en contexte
4.2 Abstract
4.3 Introduction
4.4 Materials and methods
4.4.1 Generation of realistic three-dimensional models
4.4.2 Anthropometric measuring process
4.4.3 Multiple regression
4.5 Results
4.6 Discussion
4.7 Conclusion
CHAPITRE 5 PUBLISHED ARTICLE: THE IMPORTANCE OF A 3D-BASED APPROACHE WITH PERSONALIZED MODELS FOR ACCURATELY ASSESSING TBSA
5.1 Mise en contexte
5.2 Abstract
5.3 Introduction
5.4 Methods
5.4.1 Burn representation and calculation of the BSA, burned BSA, and TBSA
5.4.2 Importance of personalizing 3D models
5.4.3 Preliminary validation of the accuracy of the 3D models built with MakeHuman Software
5.4.4 Preliminary validation of the proposed approach
5.5 Results
5.5.1 Burn representation and calculation of the TBSA
5.5.2 Importance of personalized 3D models
5.5.3 Preliminary validation of the accuracy of the 3D models built with MakeHuman software
5.5.4 Preliminary validation of the proposed approach
5.6 Discussions and conclusion
CHAPITRE 6 PREDICTIVE MODELLING FOR PERSONALIZED THREE- DIMENSIONAL BURN INJURIES ASSESSMENTS
6.1 Mise en contexte
6.2 Abstract
6.3 Introduction
6.4 Methods
6.4.1 Reliability of anthropometric measurements in clinical settings
6.4.2 Generation of a stratified random sample
6.4.3 Selection of best feature subsets
6.4.4 Body Surface Area accuracy of 3D models
6.4.5 Morphology accuracy of 3D models
6.5 Results
6.5.1 Reliability of anthropometric measurements in clinical settings
6.5.2 Generation of a stratified random sample
6.5.3 Selection of best feature subsets
6.5.4 Body Surface Area accuracy of 3D models
6.5.5 Morphology accuracy of 3D models
6.6 Discussion
6.7 Conclusion
CHAPITRE 7 DISCUSSION GÉNÉRALE
7.1 Synthèse des travaux de recherche
7.2 Limites et recommandations
7.3 Retombés et impacts
CONCLUSION

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *