{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2365"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2365","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Segmentation automatique des dents en imagerie maxillo-faciale Cone Beam CT","abstract":"La planification de traitement et la simulation chirurgicale en médecine dentaire nécessite l’obtention de modèles 3D personnalisés du système dentaire du patient. La représentation tridimensionnelle de ces structures, et plus particulièrement des dents, fournit une compréhension poussée des relations dento-maxillo-faciales, ce qui permet au clinicien de sélectionner un plan de traitement optimisé. L’obtention de ces modèles personnalisés se faisant à l’aide de modalités d’imagerie 3D, la segmentation des organes d’intérêt est une étape essentielle à l’obtention de modèles fiables et précis. Compte tenu de la complexité morphologique des dents, mais aussi des contraintes inhérentes à l’utilisation du Cone Beam CT, une automatisation du processus de segmentation est certainement souhaitable. En ce sens, l’objectif de ce travail implique la mise en place d’une méthode entièrement automatique de segmentation individuelle des dents à partir d’images maxillo-faciales CBCT. Le processus de segmentation se divise en deux grandes étapes principales. Dans un premier temps, des sous-régions du volume 3D original sont extraites, afin de circonscrire chacune des dents au sein de volumes restreints. Cette étape se base sur l’identification automatique de repères anatomiques propres au complexe maxillo-facial. Entre autres, l’identification de la courbe décrivant la forme de l’arcade dentaire ainsi que le positionnement de plans séparant les dents sur l’arcade guident l’extraction de ces sous-volumes. Ces derniers sont ensuite utilisés de manière indépendante dans un algorithme de détection de la pulpe dentaire basé sur la reconstruction morphologique. La forme de la pulpe permet, dans un second temps, de tracer des contours significatifs de la dent via la propagation d’un front sous contraintes de gradient. Ces contours instancient un processus de segmentation par marche aléatoire afin de fournir un modèle pré-personnalisé de chaque dent. Le modèle surfacique subit ensuite une déformation par optimisation laplacienne, afin d’épouser correctement les frontières de la dent. Les modèles 3D résultants constituent une représentation fiable et précise des structures dentaires du patient. Ces modèles ont été validés à l’aide d’une base de données contenant 88 segmentations de référence, toutes produites par un expert. La performance globale de la segmentation se traduit par un indice de Dice (DICE) de 95,20±1,07 %, une différence relative de volume (RVD) de 2,57±3,21 % et une distance surfacique moyenne-symétrique (ASD) de 0,16±0,04 mm. Les résultats de ce travail démontrent que la méthode fournit automatiquement des segmentations multi-organes précises à partir d’un examen 3D de la mâchoire du patient.","abstract_html":"La planification de traitement et la simulation chirurgicale en médecine dentaire nécessite l’obtention de modèles 3D personnalisés du système dentaire du patient. La représentation tridimensionnelle de ces structures, et plus particulièrement des dents, fournit une compréhension poussée des relations dento-maxillo-faciales, ce qui permet au clinicien de sélectionner un plan de traitement optimisé. L’obtention de ces modèles personnalisés se faisant à l’aide de modalités d’imagerie 3D, la segmentation des organes d’intérêt est une étape essentielle à l’obtention de modèles fiables et précis. Compte tenu de la complexité morphologique des dents, mais aussi des contraintes inhérentes à l’utilisation du Cone Beam CT, une automatisation du processus de segmentation est certainement souhaitable. En ce sens, l’objectif de ce travail implique la mise en place d’une méthode entièrement automatique de segmentation individuelle des dents à partir d’images maxillo-faciales CBCT. Le processus de segmentation se divise en deux grandes étapes principales. Dans un premier temps, des sous-régions du volume 3D original sont extraites, afin de circonscrire chacune des dents au sein de volumes restreints. Cette étape se base sur l’identification automatique de repères anatomiques propres au complexe maxillo-facial. Entre autres, l’identification de la courbe décrivant la forme de l’arcade dentaire ainsi que le positionnement de plans séparant les dents sur l’arcade guident l’extraction de ces sous-volumes. Ces derniers sont ensuite utilisés de manière indépendante dans un algorithme de détection de la pulpe dentaire basé sur la reconstruction morphologique. La forme de la pulpe permet, dans un second temps, de tracer des contours significatifs de la dent via la propagation d’un front sous contraintes de gradient. Ces contours instancient un processus de segmentation par marche aléatoire afin de fournir un modèle pré-personnalisé de chaque dent. Le modèle surfacique subit ensuite une déformation par optimisation laplacienne, afin d’épouser correctement les frontières de la dent. Les modèles 3D résultants constituent une représentation fiable et précise des structures dentaires du patient. Ces modèles ont été validés à l’aide d’une base de données contenant 88 segmentations de référence, toutes produites par un expert. La performance globale de la segmentation se traduit par un indice de Dice (DICE) de 95,20±1,07 %, une différence relative de volume (RVD) de 2,57±3,21 % et une distance surfacique moyenne-symétrique (ASD) de 0,16±0,04 mm. Les résultats de ce travail démontrent que la méthode fournit automatiquement des segmentations multi-organes précises à partir d’un examen 3D de la mâchoire du patient.","abstract_has_math":false,"creators":["Harrison, Jérôme"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":"Mgpa","degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019-05-31","date_published":"2019-05-31","updated_at":"2026-11-18T22:08:15Z","subjects":["segmentation dentaire, Cone Beam CT, imagerie maxillo-faciale, modèles 3D"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2365"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2365","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2365/1/HARRISON_J%C3%A9r%C3%B4me.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2365","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Harrison, Jérôme"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019-05-31"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Mgpa"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["segmentation dentaire, Cone Beam CT, imagerie maxillo-faciale, modèles 3D"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2365","https://espace.etsmtl.ca/id/eprint/2365/1/HARRISON_J%C3%A9r%C3%B4me.pdf","https://espace.etsmtl.ca/id/eprint/2365/2/HARRISON_J%C3%A9r%C3%B4me-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["La planification de traitement et la simulation chirurgicale en médecine dentaire nécessite l’obtention de modèles 3D personnalisés du système dentaire du patient. La représentation tridimensionnelle de ces structures, et plus particulièrement des dents, fournit une compréhension poussée des relations dento-maxillo-faciales, ce qui permet au clinicien de sélectionner un plan de traitement optimisé. L’obtention de ces modèles personnalisés se faisant à l’aide de modalités d’imagerie 3D, la segmentation des organes d’intérêt est une étape essentielle à l’obtention de modèles fiables et précis. Compte tenu de la complexité morphologique des dents, mais aussi des contraintes inhérentes à l’utilisation du Cone Beam CT, une automatisation du processus de segmentation est certainement souhaitable. En ce sens, l’objectif de ce travail implique la mise en place d’une méthode entièrement automatique de segmentation individuelle des dents à partir d’images maxillo-faciales CBCT. Le processus de segmentation se divise en deux grandes étapes principales. Dans un premier temps, des sous-régions du volume 3D original sont extraites, afin de circonscrire chacune des dents au sein de volumes restreints. Cette étape se base sur l’identification automatique de repères anatomiques propres au complexe maxillo-facial. Entre autres, l’identification de la courbe décrivant la forme de l’arcade dentaire ainsi que le positionnement de plans séparant les dents sur l’arcade guident l’extraction de ces sous-volumes. Ces derniers sont ensuite utilisés de manière indépendante dans un algorithme de détection de la pulpe dentaire basé sur la reconstruction morphologique. La forme de la pulpe permet, dans un second temps, de tracer des contours significatifs de la dent via la propagation d’un front sous contraintes de gradient. Ces contours instancient un processus de segmentation par marche aléatoire afin de fournir un modèle pré-personnalisé de chaque dent. Le modèle surfacique subit ensuite une déformation par optimisation laplacienne, afin d’épouser correctement les frontières de la dent. Les modèles 3D résultants constituent une représentation fiable et précise des structures dentaires du patient. Ces modèles ont été validés à l’aide d’une base de données contenant 88 segmentations de référence, toutes produites par un expert. La performance globale de la segmentation se traduit par un indice de Dice (DICE) de 95,20±1,07 %, une différence relative de volume (RVD) de 2,57±3,21 % et une distance surfacique moyenne-symétrique (ASD) de 0,16±0,04 mm. Les résultats de ce travail démontrent que la méthode fournit automatiquement des segmentations multi-organes précises à partir d’un examen 3D de la mâchoire du patient."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Segmentation automatique des dents en imagerie maxillo-faciale Cone Beam CT"]}]}],"canonical_facts":{"dc:creator":["Harrison, Jérôme"],"dc:date":["2019-05-31"],"dc:description":["La planification de traitement et la simulation chirurgicale en médecine dentaire nécessite l’obtention de modèles 3D personnalisés du système dentaire du patient. La représentation tridimensionnelle de ces structures, et plus particulièrement des dents, fournit une compréhension poussée des relations dento-maxillo-faciales, ce qui permet au clinicien de sélectionner un plan de traitement optimisé. L’obtention de ces modèles personnalisés se faisant à l’aide de modalités d’imagerie 3D, la segmentation des organes d’intérêt est une étape essentielle à l’obtention de modèles fiables et précis. Compte tenu de la complexité morphologique des dents, mais aussi des contraintes inhérentes à l’utilisation du Cone Beam CT, une automatisation du processus de segmentation est certainement souhaitable. En ce sens, l’objectif de ce travail implique la mise en place d’une méthode entièrement automatique de segmentation individuelle des dents à partir d’images maxillo-faciales CBCT. Le processus de segmentation se divise en deux grandes étapes principales. Dans un premier temps, des sous-régions du volume 3D original sont extraites, afin de circonscrire chacune des dents au sein de volumes restreints. Cette étape se base sur l’identification automatique de repères anatomiques propres au complexe maxillo-facial. Entre autres, l’identification de la courbe décrivant la forme de l’arcade dentaire ainsi que le positionnement de plans séparant les dents sur l’arcade guident l’extraction de ces sous-volumes. Ces derniers sont ensuite utilisés de manière indépendante dans un algorithme de détection de la pulpe dentaire basé sur la reconstruction morphologique. La forme de la pulpe permet, dans un second temps, de tracer des contours significatifs de la dent via la propagation d’un front sous contraintes de gradient. Ces contours instancient un processus de segmentation par marche aléatoire afin de fournir un modèle pré-personnalisé de chaque dent. Le modèle surfacique subit ensuite une déformation par optimisation laplacienne, afin d’épouser correctement les frontières de la dent. Les modèles 3D résultants constituent une représentation fiable et précise des structures dentaires du patient. Ces modèles ont été validés à l’aide d’une base de données contenant 88 segmentations de référence, toutes produites par un expert. La performance globale de la segmentation se traduit par un indice de Dice (DICE) de 95,20±1,07 %, une différence relative de volume (RVD) de 2,57±3,21 % et une distance surfacique moyenne-symétrique (ASD) de 0,16±0,04 mm. Les résultats de ce travail démontrent que la méthode fournit automatiquement des segmentations multi-organes précises à partir d’un examen 3D de la mâchoire du patient."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2365","https://espace.etsmtl.ca/id/eprint/2365/1/HARRISON_J%C3%A9r%C3%B4me.pdf","https://espace.etsmtl.ca/id/eprint/2365/2/HARRISON_J%C3%A9r%C3%B4me-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["segmentation dentaire, Cone Beam CT, imagerie maxillo-faciale, modèles 3D"],"dc:title":["Segmentation automatique des dents en imagerie maxillo-faciale Cone Beam CT"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_discipline":["Mgpa"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:08:15Z"}