Par définition, la scoliose idiopathique adolescente est une déformation tridimensionnelle complexe du système musculo-squelettique du tronc qui n'a pas de cause connue. Elle est particulièrement caractérisée, à l'interne, par une déviation latérale de la colonne vertébrale et à l'externe par une gibbosité (bosse dans le dos). Actuellement, à l'Hôpital Sainte-Justine, le suivi médical des patients scoliotiques est effectué à l'aide de radiographies prises régulièrement. Des risques de cancers sont inhérents à l'accumulation de radiations, bien que ceux-ci aient été réduits en fixant un délai de six mois entre chaque prise de radiographies.

Pour faire le suivi médical, la technique privilégiée dans le cadre de ce projet est une méthode non effractive qui consiste en l'analyse de la géométrie externe du tronc. Toutefois, les méthodes actuelles d'analyse sont limitées par la précision et la reproductibilité de leurs résultats. En effet, des marqueurs placés sur le tronc doivent être détectés manuellement pour calculer des indices cliniques. Il importe donc d'avoir une méthode automatique donnant des résultats reproductibles et possiblement plus précis.

L'objectif global de ce projet de maîtrise est d'implémenter une modélisation paramétrique de la surface du tronc en vue de faciliter l'extraction automatique d'indices quantifiant la déformation externe attribuable à la scoliose. Les objectifs spécifiques sont de modéliser le tronc par une surface paramétrique respectant une certaine tolérance par rapport aux points de données 3D provenant du système d'acquisition InSpeck (InSpeck Inc., Montréal) et d'identifier qualitativement, sur cette surface, quelques repères anatomiques utiles au calcul d'indices cliniques. Une surface paramétrique est construite, car celle-ci permet facilement le calcul de dérivées, contrairement à la surface polygonale fournie par le système d'acquisition utilisé.

La technique de reconstruction 3D utilisée dans ce projet est basée sur le système InSpeck. Celui-ci est un système de vision active non effractif composé de quatre numériseurs optiques placés autour du patient. Il est basé sur les principes de projection de Moiré avec décalage de phase et de triangulation. En moins de cinq secondes, la surface du tronc du patient est reconstituée tridimensionnellement avec une texture.

La première étape de la méthodologie consiste à faire l'extraction des sections transversales de points de la surface du fichier de données brutes. À partir de ces sections ne possédant pas nécessairement le même nombre de points, une surface B-spline est générée. Trois algorithmes de modélisation de surface B-spline ont été implémentés pour y arriver. Ces techniques sont basées sur un algorithme d'approximation d'une section de points par une courbe B-spline qui respecte une certaine tolérance développé pour ce projet. Le premier est l'algorithme approx-approx qui fait une approximation des sections de points, puis approxime les courbes-sections pour générer la surface. Le second est l'algorithme approx-interp qui approxime également les sections de points, mais fait une interpolation des courbes-sections. Le troisième est l'algorithme approx-skin qui génère la surface de la même façon que le second. Toutefois, sa méthode d'interpolation est différente.

La dernière étape de la méthodologie sert à atteindre le second objectif, soit l'identification qualitative de repères anatomiques. Pour accomplir cet objectif, le calcul des courbures moyenne et gaussienne a été effectué sur les surfaces B-spline du tronc de 44 patients. Un filtrage des données de courbures a été réalisé à l'aide d'un filtre de moyennage car les données de courbures étaient trop bruitées sur la plupart des acquisitions.

Du côté de la modélisation de surface, des expériences ont été faites afin d'identifier le meilleur algorithme pour cette application. Tout d'abord, plusieurs paramètres de l'algorithme d'approximation de points par une courbe B-spline devaient être fixés. Ainsi, les expériences effectuées ont permis de conclure que :​ 1) la méthode de moyennage pour la construction du vecteur nodal est la plus efficace;​ 2) l'approche de paramétrisation logarithmique donne des résultats légèrement plus pertinent que les autres;​ 3) la méthode d'incrémentation non linéaire, utilisée lors de la recherche du nombre de points de contrôle, permet d'accélérer le temps de calcul et 4) la tolérance maximale pour notre application est de 1 mm, soit environ la résolution du système d'acquisition.

Ensuite, des expériences ont été effectuées afin d'identifier le meilleur des trois algorithmes de modélisation de surface. Ces expériences ont démontré que l'algorithme approx-approx n'est pas pertinent pour notre application, car souvent une approximation dans la direction v (sur la verticale) n'est pas possible pour la tolérance demandée. Ces expériences ont également démontré que l'algorithme approx-skin est meilleur que l'algorithme approx-interp. Premièrement, la surface générée est représentée avec un nombre réduit d'information dans le cas de l'algorithme approx-skin. Deuxièmement, la qualité de la surface générée est supérieure du point de vue des valeurs de courbures gaussienne et moyenne. Une dernière expérience a permis de conclure que la tolérance idéale pour notre application est de 0,3 mm. En effet, une tolérance supérieure déforme la surface, ce qui se traduit par du bruit dans les valeurs de courbures. Par ailleurs, pour une tolérance inférieure, l'algorithme ne réduit pas le bruit, comme il est possible de le constater à une tolérance de 0,3 mm.

Du côté de l'identification visuelle de repères anatomiques, l'analyse des surfaces produites par l'algorithme approx-skin a permis d'en identifier plusieurs. Une compilation des résultats d'identifications d'un nombre restreint de repères, sur les 44 acquisitions, a permis de déterminer les repères anatomiques les plus propices à être détectés automatiquement. Le nombril et la vallée dorsale sont les repères anatomiques les plus faciles à identifier, suivent le bord médial des omoplates, la fourchette sternale et les clavicules. La proéminence vertébrale, les épines iliaques postero-supérieures et le sacrum n'ont pas été identifiés fréquemment. Cependant, ils pourraient l'être plus souvent si quelques précautions étaient prises lors de l'acquisition.

Le travail de maîtrise a atteint son objectif général qui était d'implémenter une modélisation paramétrique en vue de faciliter l'extraction automatique d'indices quantifiant la déformation externe due à la scoliose. Une retombée importante de ce projet est le développement d'une technique de modélisation surfacique, basée sur les B-splines, qui respecte une certaine tolérance. Cela permet d'avoir une surface dans une représentation intuitive et facile à manipuler et de connaître avec quelle précision la surface approxime les points de données. Une deuxième retombée importante est qu'il a été démontré qu'il est possible d'extraire automatiquement des repères anatomiques.

Les prochains travaux de recherche pourraient porter sur l'identification automatique de repères anatomiques. D'autres repères anatomiques pourraient également être identifiés. Ensuite de nouveaux indices cliniques quatifiant l'asymétrie antérieure du tronc pourraient être développés. Finalement, une analyse de la corrélation entre la ligne de la vallée (externe) et la ligne des apophyses épineuses (interne) pourrait être réalisée.

Adolescent idiopathic scoliosis is a complex 3D deformation of the musculo-skeletal system of the trunk which does not have any known cause. It is characterized internally by a deviation of the spine, and externally by a bump in the back. Currently at Sainte-Justine Hospital, medical follow-up of scoliotic patients is done by taking regular X-Rays;​ cancer risks inherently increase with more radiation exposures, although these risks are reduced by fixing a six-month deadline between X-Rays.

The medical follow-up procedure used in this project is a non-invasive one involving analysis of the external geometry of the trunk. Current analysis methods using external geometry are limited by a lack of precision and reproducibility in their results, since the markers placed on the trunk surface must be detected manually to calculate clinical indices. It is thus important to have an automatic method to get reproducible, and possibly more precise, results.

The global objective of this project is to implement a parametric modeling of the trunk surface in order to facilitate the automatic extraction of indices, which can then be used to quantify external deformations due to a scoliosis. Within this general context, there are two specific objectives:​ First, to model the trunk with a parametric surface that respects certain tolerances relative to the 3D data points coming from theInSpeckacquisition system (InSpeck Inc., Montréal). A parametric surface will be built because, compared to the polygonal surface provided by the acquisition system, it allows easy calculation of derivatives. The second objective will be to qualitatively identify anatomical landmarks on this surface that will be useful for determining clinical indices.

The 3D reconstruction technique used in this project is based on theInSpecksystem, which is a non-invasive active vision system comprised of four optical digitizers placed around the patient. It is based on phase-shifted Moiré projection and triangulation. In less than five seconds, the whole patient's trunk surface is rebuilt in 3D with texture.

The first step of the methodology involves extracting cross-sections of points on the trunk surface from the original data file. From these cross-sections, but not necessarily using the same number of points, a B-spline surface is generated. To do this, three B-spline surface modeling techniques were considered:​ the approx-approx, approx-interp and approx-skin algorithms. These techniques all begin by using an algorithm, developed as part of this project, that approximates a section of points using a B-spline curve which respects a specified tolerance. Following this approximation, the approx-approx algorithm then approximates the curve-sections to generate the surface. In contrast, the approx-interp algorithm uses an interpolation of the curve-sections. The third technique, the approx-skin algorithm, generates the surface in the same way as the second;​ however, its interpolation method is different.

The last step of the methodology helps to achieve the second goal of this project, which is the qualitative identification of anatomical landmarks. To achieve this goal, mean and Gaussian curvatures are calcuated on B-spline trunk surfaces from 44 patients. Filtering of the curvatures is performed using a mean filter, since the curvatures are too noisy for almost all acquisitions.

For surface modeling, the best modeling algorithm for this application was determined through experimentation. However, several parameters in the B-spline curve approximation algorithm needed to be fixed first. Experiments in this regard concluded that:​ 1) the averaging method for the construction of the nodal vector is most effective;​ 2) the logarithmic parameterization gives results slightly more interesting than the others;​ 3) the nonlinear incrementation method (used when the number of control points allowed in order to respect the tolerance needs to be fixed) makes it possible to reduce the computation time, and;​ 4) the maximum tolerance (for curve approximation) for our application is 1 mm, which is approximately the resolution of the acquisition system.

Then, experiments were carried out in order to identify the best of the three surface modeling algorithms. These experiments showed that the approx-approx algorithm is not relevant for our application, because the approximation in the v direction often cannot meet the required tolerance. These experiments also showed that the approx-skin algorithm is better than the approx-interp algorithm. First of all, the generated surface can be represented with less information using the approx-skin algorithm. Second, the quality of the generated surface is higher in terms of mean curvature and Gaussian curva- ture. This last experiment showed that the ideal tolerance for our application is 0.3 mm;​ indeed, a higher tolerance deforms the surface, which results in noise in the curvatures. Further, with a lower tolerance, the algorithm does not reduce the noise as it does in the case of a 0.3 mm tolerance.

For visual anatomical landmark identification, analyses of the surfaces produced by the approx-skin algorithm made it possible to identify several landmarks. A compilation of the results of landmark identifications from 44 acquisitions made it possible to determine the most favourable anatomical landmarks to be detected automatically. The belly button and the valley in the back are the easiest anatomical landmarks to identify, followed by the medial edge of the scapulas, the sternal fork, and the clavicles. Prominent vertebrae, the posterior superior iliac spines and the sacrum were not frequently identified. However, they could be more often identified if some precautions were taken during the acquisition.

This research project achieved its global objective to implement a parametric modeling method that can facilitate the automatic extraction of indices quantifying external deformation due to scoliosis. An important result of this project is a B-spline-based surface modeling technique that respects a tolerance. This provides an intuitive surface representation which is easy to handle and makes it easy to know the precision with which the surface approximates the data points. A second important result is a demonstration that it is possible to automatically extract anatomical landmarks.

Future research could address the automatic identification of anatomical landmarks. Other anatomical landmarks could also be considered. New clinical indices measuring the front trunk asymmetry also could be developed. Finally, the correlation between the line of the valley of the back (external) and the spinous processes line could be analysed.