SCHAEFER 2017 Archivage

Reconstruction de la déformée d’une aiguille
instrumentée
Pierre-Loup Schaefer
To cite this version:

Pierre-Loup Schaefer. Reconstruction de la déformée d’une aiguille instrumentée. Mathématiques
générales [math.GM]. Université Grenoble Alpes, 2017. Français. �NNT : 2017GREAS025�. �tel-
01692611�
HAL Id: tel-01692611

https://theses.hal.science/tel-01692611
Submitted on 25 Jan 2018
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THÈSE
Pour obtenir le grade de
DOCTEUR DE L’UNIVERSITÉ DE GRENOBLE

Spécialité : EDISCE
Arrêté ministériel : du 7 août 2006
Présentée par
Pierre-Loup SCHAEFER
Thèse dirigée par Alexandre MOREAU-GAUDRY

et codirigée par Grégory CHAGNON, Philippe CINQUIN
préparée au sein du laboratoire Techniques de l’Ingénierie Médicale

et de la Complexité - Informatique, Mathématiques et Applications de
Grenoble (TIMC-IMAG)
et de l’école doctorale d’Ingénierie pour la Santé, la Cognition et l’En-
vironnement (EDISCE)
Reconstruction de la déformée
d’une aiguille instrumentée
Thèse soutenue publiquement le 28 Mars 2017,

devant le jury composé de :
M. Frédéric BOYER
Professeur, IRRCCyN, Nantes, Rapporteur
M. Christophe RABUT
Professeur émérite, INSA Toulouse, Rapporteur
M. Pascal HAIGRON
PU, Université de Rennes 1, Examinateur
M. Adrian KASTLER
PH, Centre Universitaire Hospitalier de Grenoble Alpes, Examinateur
M. Alexandre MOREAU-GAUDRY
PUPH, TIMC-IMAG, UJF-CNRS, Grenoble, Directeur de thèse
M. Grégory CHAGNON
MDC, TIMC-IMAG, UJF-CNRS, Grenoble, Co-Directeur de thèse
M. Philippe CINQUIN
PUPH, TIMC-IMAG, UJF-CNRS, Grenoble, Co-Directeur de thèse
TABLE DES MATIÈRES
Table des figures xi
Liste des tableaux xv
I Présentation du sujet 1
1 Contexte 3
1.1 Gestes Médico-Chirurgicaux Assistés par Ordinateur . . . . . . . . . . . . 3
1.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Radiologie interventionelle . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Techniques d’imageries . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Environnement de navigation en radiologie interventionelle . . . . 8
1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Contexte de la thèse dans les GMCAO . . . . . . . . . . . . . . . . . . . . 12
2 Introduction 13
2.1 Approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Organisation du manuscrit . . . . . . . . . . . . . . . . . . . . . . . . . 13
II Boite à outils 15
3 Introduction 17
4 Repère mobile 19
4.1 Repère mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
vi Table des matières
4.2 Repère de Frenet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 Théorie des poutres 23

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.2.1 Définitions principales . . . . . . . . . . . . . . . . . . . . . . . 24
5.2.2 Hypothèses fondamentales . . . . . . . . . . . . . . . . . . . . . 24
5.2.3 Variables de la poutre . . . . . . . . . . . . . . . . . . . . . . . . 25
5.3 Théorie des poutres en deux et trois dimensions . . . . . . . . . . . . . . . 25
5.3.1 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4 Théorie de Reissner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.4.1 Paramétrisation de la poutre . . . . . . . . . . . . . . . . . . . . 27
5.4.2 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.4.3 Equations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.4.4 Interprétation physique des grandeurs γ et κ . . . . . . . . . . . . 30
6 Algèbre et groupes de Lie 33

6.1 Groupes de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.2 Espace tangent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.3 Algèbres de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.4 Application exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7 Splines 37
7.1 Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.2 B-Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
8 Méthodes descriptives d’analyse statistique de données multivariées 43

8.1 Analyse en composantes principales . . . . . . . . . . . . . . . . . . . . . 43
8.2 Analyse en composantes principales fonctionelles . . . . . . . . . . . . . . 44
8.3 Analyse en composantes principales fonctionelles multidimensionelles . . . 45
9 Conclusion 47
III Reconstruction à partir de capteurs de déformation 49
10 Capteurs de déformation 51
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
10.2 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
10.3 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Table des matières vii
11 Reconstruction simple 57
11.1 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11.1.1 Méthodes 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
11.1.2 Méthodes 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
11.1.3 Bilan méthodes de reconstruction . . . . . . . . . . . . . . . . . 61
11.2 Hypothèses et système physique . . . . . . . . . . . . . . . . . . . . . . . 61
11.2.1 Informations apportées par les triplets de capteurs . . . . . . . . . 61
11.2.2 Modélisation de la poutre non déformée . . . . . . . . . . . . . . 62
11.2.3 Déformation de poutre et système différentiel associé . . . . . . . 62
11.2.4 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
11.3 Résolution du système physique . . . . . . . . . . . . . . . . . . . . . . . 67
11.4 Reconstruction de la déformée . . . . . . . . . . . . . . . . . . . . . . . . 70
12 Capteurs de déformation avancés 73

12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 73
12.2 Déformation d’un capteur . . . . . . . . . . . . . . . .. . . . . . . . . . 73
12.2.1 Capteur parallèle à la fibre neutre . . . . . . .. . . . . . . . . . 74
12.2.2 Capteur sécant à la fibre neutre . . . . . . . . .. . . . . . . . . . 79
12.3 Bilan des grandeurs de déformation issus de la déformation des capteurs . . 89
12.4 Bilan des grandeurs de déformation issus de la déformation des capteurs . . 89
13 Reconstruction avancée 91
13.1 Reconstruction à partir de la flexion et de la torsion . . . . . . . . . . . . . 91
13.2 Cas de charges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
IV Optimisation de la qualité de reconstruction par l’étude de déforma-

tions existantes 95
14 Etude d’une population d’aiguilles 97

14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
14.2 Caractérisation des déformations . . . . . . . . . . . . . . . . . . . . . . 97
14.3 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
14.3.1 Avant-propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
14.3.2 Approximation des dérivées de fonctions . . . . . . . . . . . . . 99
14.3.3 Sélection du paramètre de lissage . . . . . . . . . . . . . . . . . 101
14.3.4 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
14.4 Matériel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
14.4.1 Données expérimentales . . . . . . . . . . . . . . . . . . . . . . 103
14.4.2 Données cliniques . . . . . . . . . . . . . . . . . . . . . . . . . 104
14.5 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
14.5.1 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
14.5.2 Ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . 108
viii Table des matières
14.5.3 Lissage par B-Spline 3D . . . . . . . . . . . . . . . . . . . . . . 112

14.5.4 Validation croisée . . . . . . . . . . . . . . . . . . . . . . . . . . 114
14.5.5 Fonctions courbures et angles d’orientation . . . . . . . . . . . . 115
14.6 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
14.6.1 Approximation de formes . . . . . . . . . . . . . . . . . . . . . 122
14.6.2 Approximations de la courbure et de l’angle d’orientation . . . . 127
14.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
14.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
15 Optimisation des positions des capteurs 133

15.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
15.2 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
15.3 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
15.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
15.4.1 Positions optimales des triplets de capteurs pour les aiguilles de
porcs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
15.4.2 Reconstruction des aiguilles de porcs avec les positions optimales 146
15.4.3 Reconstruction des aiguilles patients avec les positions optimales 152
15.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
15.5.1 Positions optimales des capteurs . . . . . . . . . . . . . . . . . . 157
15.5.2 Reconstruction avec les positions optimales . . . . . . . . . . . . 159
15.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
16 Reconstruction avec les modes 163

16.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
16.2 Modes de déformations . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
16.2.1 Fondements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
16.2.2 Modes de déformations à partir des points de contrôles . . . . . . 164
16.2.3 Modes de déformations des fonctions courbures et angle d’orienta-
tion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
16.3 Reconstruction à partir des modes . . . . . . . . . . . . . . . . . . . . . . 174
16.3.1 Principes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
16.3.2 Combinaison linéaire de modes de déformations . . . . . . . . . 174
16.3.3 Choix du paramètre η . . . . . . . . . . . . . . . . . . . . . . . 177
16.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
16.4.1 Paramètres optimaux de la méthode de reconstruction avec modes 178
16.4.2 Validation de la reconstruction avec modes . . . . . . . . . . . . 181
16.4.3 Reconstruction des fonctions courbures et angles de déformations 185
16.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
16.5.1 Nombres de modes et paramètre η . . . . . . . . . . . . . . . . . 186
16.5.2 Reconstruction avec modes . . . . . . . . . . . . . . . . . . . . . 187
16.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Table des matières ix
17 Hypothèses de déformations 189

17.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
17.2 Cas de charges expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . 189
17.3 Impact sur la reconstruction des grandeurs de déformations . . . . . . . . 190
17.3.1 Cisaillement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
17.3.2 Traction-compression . . . . . . . . . . . . . . . . . . . . . . . . 191
17.3.3 Flexion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
17.3.4 Torsion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
17.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
V Conclusion 201
18 Conclusion 203
18.1 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
18.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
VI Annexes 207
19 Annexes 209
19.1 . . . . .
Paramètres des aiguilles utilisées . . . . . . . . . . . . . . . . . 209
19.2 Définition du tenseur Ω . . . . .
. . . . . . . . . . . . . . . . . . . . . . 210
19.3 Antisymétrie de Ω . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 210
19.4 Reconstruction . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 212
19.4.1 Reconstruction : Aiguille de porcs . . . . . . . . . . . . . . . . . 212
19.4.2 Reconstruction : Aiguilles patients . . . . . . . . . . . . . . . . . 215
19.5 Modes de déformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
TABLE DES FIGURES
1.1 Image échographique d’un coeur. . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Image scanner d’un coeur. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Image IRM d’un coeur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Schéma des éléments opératoires. . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Station IMACTIS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1 Exemple de repère mobile. . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.2 Repère de Frenet d’une hélice. . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.1 Exemple de poutre circulaire. . . . . . . . . . . . . . . . . . . . . . . . . . 23

5.2 Morceau infinitésimal de poutre à l’état initial et déformé. . . . . . . . . . . . 24
5.3 Paramétrage de la poutre par repère mobile. . . . . . . . . . . . . . . . . . . 28
5.4 Schéma de déformation de poutre par cisaillement. . . . . . . . . . . . . . . . 31
5.5 Schema de déformation de poutre par torsion. . . . . . . . . . . . . . . . . . 31
6.1 Espace tangent d’un groupe de Lie. . . . . . . . . . . . . . . . . . . . . . . 34
7.1 Schéma de la récursivité du calcul des bases B-Splines. . . . . . . . . . . . . . 39

7.2 Fonctions de base Bi,0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.6 B-Spline 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
10.1 Section d’aiguille instrumentée. . . . . . . . . . . . . . . . . . . . . . . . . 52

10.2 Morceau infinitésimal de poutre déformée. . . . . . . . . . . . . . . . . . . . 52
10.3 Plan de la section de poutre contenant les triplets de capteurs. . . . . . . . . . . 53
10.4 Plan osculateur de la déformée d’une poutre. . . . . . . . . . . . . . . . . . . 54
xii Table des figures
11.1 Poutre et son repère mobile (e1 , e2 , e3 ) avant déformation. . . . . . . . . . . . 62

11.2 Poutre et son repère mobile (T, N1 , N2 ) après déformation. . . . . . . . . . . . 63
12.1 Vue 2D de la déformation d’une poutre avec capteurs parallèles. . . . . . . . . 74

12.2 Vue 3D de la déformation d’une poutre avec capteurs parallèles. . . . . . . . . 75
12.3 Section d’une poutre avec capteur de déformation. . . . . . . . . . . . . . . . 75
12.4 Vue 2D de la déformation d’une poutre avec des capteurs sécants. . . . . . . . 80
12.5 Section d’une poutre avec capteur de déformation. . . . . . . . . . . . . . . . 80
12.6 Vue 3D de la déformation d’une poutre avec des capteurs sécants. . . . . . . . 81
14.1 Chronologie des principaux travaux sur la régularisation adaptée au problème

d’estimation d’une fonction et de ses dérivées. . . . . . . . . . . . . . . . . . 101
14.2 Algorithme par croissance de régions : schéma 1 . . . . . . . . . . . . . . . . 105
14.5 Logiciel CamiTK. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
14.6 Résultat de segmentation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
14.7 Algorithme polyline : schéma 1 . . . . . . . . . . . . . . . . . . . . . . . . 109
14.12 Représentation de la polyline associée aux voxels issus de la segmentation d’une
aiguille. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
14.13 Polyline associée aux voxels de l’aiguille . . . . . . . . . . . . . . . . . . . 112
14.14 Courbure de l’aiguille reconstruite n◦ 8. . . . . . . . . . . . . . . . . . . . . 116
14.15 Torsion de l’aiguille reconstruite n◦ 8. . . . . . . . . . . . . . . . . . . . . . 116
14.16 Exemple d’instabilité du repère de Frenet d’une courbe presque droite. . . . . . 117
14.17 Repère de rotation minimale d’une hélice . . . . . . . . . . . . . . . . . . . 118
14.18 Déformée d’une aiguille lors d’une insertion dans des tissus. . . . . . . . . . . 120
14.19 Principe de l’algorithme de calcul du repère de rotation minimale par double ré-
flection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
14.20 Repère de rotation minimale d’une courbe presque droite calculée par la méthode
de double réflection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
14.21 Partie externe et interne de l’aiguille. . . . . . . . . . . . . . . . . . . . . . 123
14.22 Histogramme des longueurs des aiguilles de porcs (en mm). . . . . . . . . . . 123
14.23 Flèche d’une aiguille déformée . . . . . . . . . . . . . . . . . . . . . . . . 124
14.24 Reconstruction des aiguilles de porcs . . . . . . . . . . . . . . . . . . . . . 125
14.25 Histogramme des flèches des aiguilles de porcs (en mm). . . . . . . . . . . . . 126
14.26 Reconstruction des aiguilles patients . . . . . . . . . . . . . . . . . . . . . . 126
14.27 Histogramme des flèches des aiguilles de patients (en mm). . . . . . . . . . . . 127
14.28 Fonctions courbure et angle d’orientation de l’aiguille de porc n◦ 4. . . . . . . . 127
14.29 Fonctions courbure et angle d’orientation de l’aiguille de porc n◦ 6. . . . . . . . 128
Table des figures xiii
14.30 Fonctions courbure et angle d’orientation de l’aiguille patient n◦ 3. . . . . . . . 128

14.31 Fonctions courbure et angle d’orientation de l’aiguille patient n◦ 5. . . . . . . . 129
14.32 Erreurs et étapes de reconstructions. . . . . . . . . . . . . . . . . . . . . . . 129
15.1 Cas de charges théorique d’une aiguille. . . . . . . . . . . . . . . . . . . . . 134

15.2 Erreur de reconstruction 2D pour une position donnée de capteurs à partir de cas
de charges. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
15.3 Erreur de reconstruction pour une position donnée de capteurs à partir de données
réelles d’aiguilles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
15.4 Position optimales des triplets de capteurs. . . . . . . . . . . . . . . . . . . . 144
15.5 Fonction coût 1D du problème d’optimisation. . . . . . . . . . . . . . . . . . 145
15.6 Fonction coût 2D du problème d’optimisation. . . . . . . . . . . . . . . . . . 146
15.7 Distance entre les positions optimales des triplets de capteurs. . . . . . . . . . 147
15.8 Comparaison des résultats des positions optimales de triplets de capteurs . . . . 148
15.10 Effet du positionnement des capteurs sur la reconstruction des aiguilles de porcs
pour 6 à 10 triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . 148
15.9 Effet du positionnement des capteurs sur la reconstruction des aiguilles de porcs
pour 1 à 5 triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . 149
15.11 Nombres de triplets de capteurs nécessaires à la reconstruction des aiguilles de
porcs en fonction de l’erreur de reconstruction maximale souhaitée. . . . . . . . 150
15.12 Erreur moyenne de reconstruction des aiguilles de porcs en fonction du position-
nement des triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . 151
15.13 Gain relatif de précision avec les positions optimales de capteurs par rapport aux
positions équidistantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
15.14 Effet du positionnement des capteurs sur la reconstruction des aiguilles patients
pour 1 à 5 triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . 152
15.15 Effet du positionnement des capteurs sur la reconstruction des aiguilles patients
pour 6 à 10 triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . 153
15.16 Nombres de triplets de capteurs nécessaires à la reconstruction des aiguilles pa-
tients en fonction de l’erreur de reconstruction maximale souhaitée. . . . . . . . 154
15.17 Erreur moyenne de reconstruction des aiguilles patients en fonction du position-
nement des capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
15.18 Gain relatif de précision avec les positions optimales de capteurs par rapport aux
positions équidistantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
16.1 Aiguille moyenne des aiguilles de porcs. . . . . . . . . . . . . . . . . . . . . 167

16.2 Mode de déformation 1 des aiguilles de porcs. . . . . . . . . . . . . . . . . . 168
16.5 Mode de déformation 1 de la courbure et de l’angle d’orientation. . . . . . . . . 172
16.6 Mode de déformation 2 de la courbure et de l’angle d’orientation. . . . . . . . . 173
xiv Table des figures
16.7 Erreur de reconstruction moyenne en millimètre avec les modes pour 1 triplet de
capteurs de l’ensemble des aiguilles de porcs en fonction du nombre de modes et
du paramètre η. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
16.8 Erreur de reconstruction moyenne en millimètre avec les modes pour 2 triplets de
du paramètre η. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
16.9 Erreur de reconstruction moyenne en millimètres avec les modes pour 3 triplets de
du paramètre η . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
16.10 Diagramme en boites de l’erreur de reconstruction des aiguilles de porcs selon le
nombre de triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . 182
16.11 Gain relatif de précision pour l’ensemble des aiguilles de porcs obtenue avec la
reconstruction avec les modes par rapport à la reconstruction classique. . . . . . 183
16.12 Diagramme en boites de l’erreur de reconstruction des aiguilles patients selon le
nombre de triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . 184
16.13 Gain relatif de précision pour l’ensemble des aiguilles patients obtenue avec la
reconstruction avec les modes par rapport à la reconstruction classique. . . . . . 185
16.14 Reconstruction de la courbure à partir des modes. . . . . . . . . . . . . . . . 185
16.15 Reconstruction de l’angle d’orientation à partir des modes. . . . . . . . . . . . 186
17.1 Effort axial appliqué sur l’extrémité d’une poutre droite. . . . . . . . . . . . . 190
17.2 Effort axial appliqué sur l’extrémité d’une poutre droite. . . . . . . . . . . . . 191
17.3 Schema de déformation de poutre par flambage. . . . . . . . . . . . . . . . . 191
17.4 Courbe contrainte-déformation de l’acier inoxydable à différentes température. . 194
17.5 Déformation d’une aiguille avec et sans courbure. . . . . . . . . . . . . . . . 195
17.6 Déformation d’une aiguille avec et sans torsion. . . . . . . . . . . . . . . . . 197
17.7 Ratio entre les extrémités distales des deux aiguilles déformées avec et sans torsion
en fonction de la valeur constante de la courbure et du moment de torsion à la base
de l’aiguille. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
19.1 Reconstruction des aiguilles de porcs (1/3) . . . . . . . . . . . . . . . . . . . 212

19.4 Reconstruction des aiguilles patients . . . . . . . . . . . . . . . . . . . . . . 215
19.5 Modes de la courbure. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
19.6 Modes de la courbure. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
LISTE DES TABLEAUX
1.1 Comparaison des différentes techniques d’imagerie. . . . . . . . . . . . . . . 8

1.2 Positionnement relatif des éléments d’un système de navigation . . . . . . . . 10
1.3 Erreur du système de navigation . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Avantages et limitations de la station de travail IMACTIS. . . . . . . . . . . . 11
5.1 Constantes liées à la poutre. . . . . . . . . . . . . . . . . . . . . . . . . . . 25
12.1 Bilan des informations obtenus à partir des capteurs selon leurs types et la méthode
utilisée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
14.1 Données statistiques des flèches des aiguilles porcs reconstruites. . . . . . . . . 125
14.2 Données statistiques des flèches des aiguilles patients reconstruites. . . . . . . . 126
15.1 Modèle de forces des aiguilles de références. . . . . . . . . . . . . . . . . . . 134

15.2 Nombres de positions entières de triplets de capteurs différentes en fonction du
nombre de triplets de capteurs pour une aiguille de 200 mm. . . . . . . . . . . 141
15.3 Positions optimales (mm) des triplets de capteurs sur l’ensembles des aiguilles de
porcs en fonction du nombre de triplet et des algorithmes d’optimisations. . . . 143
15.4 Erreur de reconstruction moyenne pour des positions équidistantes et optimales de
triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
15.5 Erreur de reconstruction moyenne pour des positions équidistantes et optimales de
triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
15.6 Erreur de reconstruction moyenne des aiguilles patients en fonction du nombre de
triplets et de leurs positions. . . . . . . . . . . . . . . . . . . . . . . . . . . 155
16.1 Différents facteurs lors d’insertions d’aiguilles . . . . . . . . . . . . . . . . . 164

16.2 Valeurs du nombre de mode m et du paramètre η qui minimisent l’erreur moyenne
de reconstruction par modes de l’ensemble des aiguilles de porcs selon le nombre
de triplets de capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
xvi Liste des tableaux
16.3 Erreur moyenne de reconstruction de l’ensemble des aiguilles de porcs dans le cas
de reconstructions avec ou sans modes pour des positions optimales de capteurs. 182
16.4 Erreur moyenne de reconstruction de l’ensemble des aiguilles patients dans le cas
de reconstructions avec ou sans modes pour des positions optimales de capteurs. 184
17.1 Forces et moments axiaux maximaux. . . . . . . . . . . . . . . . . . . . . . 190

17.2 Erreurs de précisions maximales expérimentales et théoriques selon le type de
déformations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
19.1 Valeurs des paramètres d’une aiguille en acier inoxydable de 20 gauges de lon-
gueur 200 mm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Première partie
Présentation du sujet
CHAPITRE 1
CONTEXTE
1.1 Gestes Médico-Chirurgicaux Assistés par Ordinateur

1.1.1 Définition
Les Gestes Médico-Chirurgicaux Assités par Ordinateur (GMCAO) désignent l’ensemble
des méthodes pratiques et technologiques destinées à assister le praticien hospitalier lors
d’une intervention médicale ou chirurgicale.
L’objectif des GMCAO est d’aider le médecin ou le chirurgien à effectuer la planification
et la réalisation d’interventions et de gestes médicaux de différents types (diagnostiques,
thérapeutiques) de la façon la plus précise et la moins invasive possible en utilisant les
informations et les capacités offertes par les technologies de l’imagerie, l’informatique et
la robotique.
Les conséquences positives de l’utilisation des GMCAO tel que le rapprochement du ré-
sultat de l’intervention de l’objectif prévu, la diminution du temps de l’intervention ou la
réduction de l’invasivité se traduisent par une augmentation de la qualité de l’intervention
qui bénéficie directement au patient.
Cette assistance se caractérise par le rassemblement de plusieurs domaines de compétences
de pointes tel que la médecine, les mathématiques, l’informatique ou la robotique.
Un domaine particulièrement bien adapté à l’utilisation des GMCAO est le domaine de la
radiologie interventionelle.
1.2 Radiologie interventionelle

1.2.1 Présentation
La radiologie interventionelle est un sous-domaine de la radiologie. Son principal objectif
est l’accès, le traitement, le prélèvement de tissus sur un organe du corps à l’aide d’une
4 Chapitre 1. Contexte
procédure de minimalement invasive assistée par une imagerie. La radiologie intervention-

nelle est un domaine qui prend de plus en plus d’importance. Cet intérêt croissant est dû au
fait que de nombreuses opérations nécessitant auparavant des interventions chirurgicales
classiques peuvent être aujourd’hui traitées par radiologie interventionelle. Les avantages
que procurent l’utilisation de la radiologie interventionelle par rapport à la chirurgie inter-
ventionelle classique sont nombreux et non négligeables. Ainsi la minimisation des lésions
et traumatismes physiques permet de diminuer le risque de l’intervention pour le patient,
de faciliter et d’accélerer sa récupération.
La radiologie interventionelle subit les défauts inhérents aux méthodes minimalement in-
vasives, qui se traduisent par la réduction des capacités gestuelles et visuelles du praticien.
Ce dernier a besoin d’outils spécialement adaptés pour la bonne réalisation de l’interven-
tion. Les GMCAO font partie des outils qui permettent d’assister le radiologue dans la
réalisation de son geste.
1.2.2 Techniques d’imageries

Cette partie présente les principales techniques d’imagerie susceptibles d’être utilisées pour
assister à la réalisation d’une intervention.
1.2.2.1 Echographie
L’échographie est une méthode d’imagerie datant du début des années 1950 dont le fonc-
tionnement consiste à envoyer des ondes ultrasonores dans les tissus avec une sonde écho-
graphique et à mesurer leurs échos à partir de récepteurs contenus dans cette même sonde.
Un traitement informatique permet alors de reconstruire une image 2D ou 3D en niveaux
de gris à partir de ces informations.
Cette technique d’imagerie permet d’observer aussi bien les tissus "durs" que les tissus
"mous" comme le montre la figure 1.1.
Un des avantages de l’échographie est de permettre la visualisation en temps réel sans
employer de rayonnements ionisants, contraitement à d’autres méthodes de visualisation.
La portabilité du dispositif en fait également un outil très facile à déployer et peu couteux.
Néanmoins les images obtenues peuvent parfois présenter des difficultés à être exploitées
de par leur qualité insuffisante. En effet celle-ci dépend de plusieurs variables telles que la
résolution, le bruit présent sur l’image (le speckle 1 ), l’échogénicité 2 des tissus ainsi que
l’habilité du praticien à positionner la sonde de manière appropriée.
Parmi les travaux traitant de l’utilisation de l’échographie dans le cadre de la radiologie
interventionelle on peut citer les travaux de Hungr et Troccaz, concernant la conception
d’un robot de curietherapie de la prostate. Cette procédure est généralement réalisée sous
contrôle échographique per-opératoire par sonde endorectale. Le robot de curietherapie
1. Bruit dû aux interférences entre les ondes lors de leurs réflexions sur les impuretés du milieu de propa-
gation.
2. Capacité des tissus à réfléchir les ondes ultrasonores.
1.2. Radiologie interventionelle 5
permet ainsi le placement dans la prostate des aiguilles par rapport à un planning dosimé-
trique en utilisant les images de la sonde échographique [HBLT12, LHB+ 12].
On peut également citer les travaux de Mignon relatif au guidage d’aiguille [MPT15].
A l’aide d’un robot d’insertion et d’une imagerie échographique il est possible de plani-
fier et de contrôler les mouvements de l’aiguille pour réaliser des trajectoires d’insertions
complexes.
F IGURE 1.1. – Image échographique d’un coeur.
1.2.2.2 Scanner
Le scanner est une méthode d’imagerie utilisée depuis les années 1970 qui fonctionne par
mesure d’absorption des rayons X par les tissus. Les données obtenues sont traitées pour
reconstruire une image 2D ou 3D.
Le scanner permet d’obtenir en quelques secondes/minutes des portions complètes de l’or-

ganisme affichant un niveau de constraste supérieur à celui de l’échographie. Néanmoins
c’est une technique d’imagerie dont l’utilisation entraîne l’exposition du patient à des
rayons ionisants. La répétition et l’intensité de ces expositions peuvent être nocives pour
l’organisme.
F IGURE 1.2. – Image scanner d’un coeur.
1.2.2.3 IRM
L’imagerie par résonance magnétique (IRM) est une technique d’imagerie utilisée depuis
le début des années 1980 reposant sur le principe de la résonance magnétique nucléaire
(RMN). L’application de champs magnétiques ayant des intensités, des valeurs et des pro-
priètés spatiales différentes permet par la mesure d’aimentation des atomes de reconstruire
avec précision une image 2D ou 3D de la composition moléculaire des tissus.
Cette technique permet d’obtenir un constraste plus élévé que le scanner dans le cas de
tissus mous. A l’inverse les tissus durs, tel que les os, trop pauvres en hydrogène (les
mesure d’aimentation s’effectuant sur les atomes d’hydrogène), ne permettent pas d’obtenir
un constraste satisfaisant comme illustré dans la figure 1.3.
L’IRM est une technique d’imagerie non irradiante contrairement aux scanners et qui donne
des images de qualité. Elle présente pour désavantages d’avoir une durée d’acquisition
relativement longue et certains patients peuvent présenter des contre-indications à cause de
la présence dans leur corps de métaux ou d’implants médicaux.
Parmi les travaux traitant de l’utilisation de l’IRM dans le cadre de la radiologie interven-
tionelle, on peut citer les travaux de Fouard et Cinquin concernant le développement du
LPR (Light Puncture Robot), robot compatible IRM spécialement développé pour assister
le clinicien dans la réalisation de ponctions du thorax ou de l’abdomen [ZBF+ 08, BZJ+ 08].
F IGURE 1.3. – Image IRM d’un coeur.
1.2.3 Synthèse
En se basant sur la partie précédente, on peut dégager trois critères permettant de juger
de la pertinence de l’utilisation d’une méthode d’imagerie dans le cadre de la radiologe
interventionelle :
• la qualité : le résultat renvoyé par la méthode d’imagerie est un critère déterminant
quant à son emploi. La qualité des images se juge sur plusieurs paramètres tels que
la précision, la résolution, le bruit ou bien le format de l’image (2D/3D). Les besoins
diffèrent selon le type d’intervention et dépendent de nombreux facteurs tels que
l’instrumentation utilisée ou les tissus concernés. Il est néanmoins évident que plus
les images seront de bonne qualité, plus l’intervention s’en trouvera facilitée et aura
de meilleures chances de succès.
• les rayons ionisants : leur utilisation répétée peut faire courir un risque au patient et
nécessite alors une juste évaluation du rapport bénéfices/risques avant l’imagerie.
• le temps réel : une méthode fonctionnant en temps réel permet d’avoir une image-
rie en direct de l’intervention en cours, offrant ainsi au praticien non seulement un
moyen de visualisation mais aussi un moyen de guidage dynamique. Les interrup-
tions de l’intervention, nécessaires lorsque l’imagerie utilisée n’est pas temps réel,
nuisent à la qualité de celle-ci et contribuent à la rendre plus longue.
TABLE 1.1. – Comparaison des différentes techniques d’imagerie.

Qualité Non ionisants Temps réel
Echographie - + +
Scanner + - -
IRM + + -
A la lueur des comparaisons des techniques d’imagerie présentées dans le tableau 1.1, il
apparait qu’aucune des techniques d’imagerie utilisées n’est exempte de défauts.
1.2.4 Environnement de navigation en radiologie interventionelle

1.2.4.1 Définition
Pour pallier les différents défauts des techniques d’imagerie, une nouvelle approche a été
développée dans laquelle l’imagerie est couplée à un système aidant le chirurgien à visua-
liser la cible et naviguer dans un environnement virtuel représentatif de la réalité : ce sont
les environnements de navigation. On se focalise par la suite sur les environnements dédiés
à la navigation d’aiguilles.
1.2.4.2 Principes de la radiologie interventionnelle naviguée

Avant l’intervention, on crée un modèle précis de la zone à opérer du patient. Cette opéra-
tion consiste le plus souvent en une acquisition par imagerie.
Lors de l’intervention, le praticien utilise des ancillaires spéciaux, ici des aiguilles dont la
position est contrôlée en continu par le système de navigation. La position de l’aiguille est
affichée en temps réel sur les images du patient acquises précédemment et actualisées au
fur et à mesure que le praticien effectue son intervention, s’aidant ainsi du dispositif pour
naviguer dans les tissus.
1.2.4.3 Avantages
Les éléments d’information sur la position de l’aiguille sont particulièrement utiles pour
le praticien, celui-ci n’ayant pas de vision directe de celle-ci. L’utilisation d’un environne-
ment de navigation permet de s’affranchir de la nécessité d’effectuer des imageries pendant
l’intervention, celles-ci étant pré-opératoires. On évite ainsi les interruptions de l’interven-
tion, réduisant son temps et améliorant sa qualité.
1.2.4.4 Défauts
Une des faiblesses des environnements de navigation concerne la précision de la locali-
sation des instruments dans le corps du patient. En effet la tâche des environnements de
localisation consiste à positionner les instruments à l’intérieur du corps à partir des infor-
mations de localisation des instruments à l’extérieur de celui-ci. La figure 1.4 présente la
position des éléments les uns par rapport aux autres.
Ainsi le positionnement de l’extrémité distale de l’aiguille par rapport à la cible dans les
tissus (1 → 4) est rendu possible par la connaissance des positionnements relatifs suivants :
1 → 2 positionnement relatif du capteur patient par rapport à la cible dans les tissus
2 → 3 positionnement relatif de l’extrémité proximale de l’aiguille par rapport au
capteur patient
3 → 4 positionnement relatif de l’extrémité distale de l’aiguille par rapport à l’extré-
mité proximale de l’aiguille
Le tableau 1.2 détaille les technologies et les limitations permettant le positionnement re-
latif des éléments entre eux.
F IGURE 1.4. – Schéma des éléments opératoires.

1) Tissu cible. 2) Capteur électromagnétique fixé sur le patient. 3) Capteur
électromagnétique fixé sur l’extrémité proximale de l’aiguille. 4) Extrémité distale de
l’aiguille
L’erreur de localisation de l’aiguille par rapport à la zone cible dans le corps du patient se
décompose alors de la façon suivante :
erreurlocalisation =erreurdformations tissus

+erreurrecalage
+erreurdformations aiguilles
Le tableau 1.3 rassemble les ordres de grandeur de ces trois erreurs. On remarque ainsi
que dans le cadre d’une intervention utilisant des aiguilles percutanées la déformation de
l’aiguille dans les tissus est l’une des principales causes d’imprécision de la localisation
de l’aiguille.
TABLE 1.2. – Positionnement relatif des éléments d’un système de navigation

Position relative Technique Limitation
Déformations des tissus

1→2 Imagerie
du patient
Précision de la technologie
2→3 Recalage
utilisée
3→4 Modélisation Déformation de l’aiguille
TABLE 1.3. – Erreur du système de navigation

Erreur Ordre de grandeur
déformations des tissus 1 cm
recalage 1 mm
déformations de l’aiguille 1 cm
1.2.4.5 Environnement IMACTIS
L’environnement de navigation de la société IMACTIS est constitué d’une station infor-

matique, d’un repère patient et d’un porte aiguille. Un scanner préopératoire du patient est
effectué et fourni à la station de travail. Le système détecte la position et l’orientation du
porte-aiguille et affiche en temps réel la trajectoire anticipée de l’aiguille comme le montre
la figure 1.5. Cette trajectoire est affichée dans deux coupes 2D reconstruites extraites du
volume scanner. Le praticien déplace le porte-aiguille sur la peau du patient et l’utilise
comme un viseur pour explorer l’anatomie et planifier son geste (Fig.1.5). Une fois le tra-
jet optimal choisi, le porte-aiguille permet de guider l’aiguille tout en offrant un contrôle
dynamique de l’orientation.
1.3. Conclusion 11
F IGURE 1.5. – Station IMACTIS.

Image haut : Utilisation d’une station IMACTIS lors d’une intervention.
Image bas : Capture d’écran de la station IMACTIS
TABLE 1.4. – Avantages et limitations de la station de travail IMACTIS.

Avantages Limitations
Diminution du nombre de
Déformations de l’aiguille non
contrôle par imagerie
prise en compte
Temps réel
Mouvements externes du patient
compensés
1.3 Conclusion
Les interventions médicales minimalement-invasives sont de plus en plus utilisées de nos
jours, par exemple dans le domaine de la radiologie interventionelle. A ce titre, l’utilisation
d’aiguilles percutanées lors de biopsies ou de ponctions n’est pas dénuée de contraintes
pour le praticien. La principale problématique que soulève l’utilisation de ce type d’outils
concerne la position de l’aiguille dans les tissus. Le succès et la qualité de la réalisation de

l’acte chirurgical découle directement de la capacité du praticien à connaitre précisément la
trajectoire et la position de l’aiguille dans les tissus. Différents facteurs tels que la limitation
des moyens d’imagerie (contraintes, précisions,...) compliquent cette tâche de localisation.
De plus, la perception du praticien se trouve altérée par les phénomènes de déformation
des tissus et de l’aiguille lors de l’insertion. Le développement et l’utilisation de système
de navigation se sont avérés comme une solution crédible pour pallier ces problèmes. Ces
systèmes sont conçus pour aider à la planification du geste et au contrôle de la trajectoire
de l’aiguille. Pour de tels systèmes, l’intégration de modèles d’aiguille avancés prenant en
compte notamment la déformation dans les tissus est devenu une condition sine qua non
à l’obtention de résultats de qualité. Néanmoins la plupart des environnements actuels de
navigation de gestes interventionnels avec aiguille font l’hypothèse de son indéformabilité
lors de son insertion dans les tissus, hypothèse non vérifiée en pratique clinique dont les
conséquences peuvent être nocives pour le patient. Cette déformation de l’aiguille et des
tissus lors de la réalisation du geste chirurgical induit une perte de précision de la locali-
sation de l’aiguille dans le corps du patient altérant les résultats du système de navigation
(positionnement incorrect dans les tissus, trajectoire erronée...)
1.4 Contexte de la thèse dans les GMCAO

La prise en compte de la déformation de l’aiguille lors de l’insertion de celle-ci dans les
tissus apporterait un gain de précision non négligeable sur la modélisation du trajet de l’ai-
guille et de sa position dans les tissus, entrainant la mise à disposition pour le praticien
d’une représentation plus réaliste de l’environnement chirurgical lors de l’intervention.
Pour rendre compte des déformations, nous allons considérer l’utilisation d’une aiguille
instrumentée, c’est à dire ici une aiguille munie de capteurs de déformation situés en sur-
face de l’aiguille fournissant des informations locales de déformation. La problématique
qui apparait et à laquelle nous allons tâcher de répondre dans ce manuscrit est la suivante :
Comment reconstruire le plus précisément possible en 3D et en temps réel la déformée

d’une aiguille instrumentée à partir de données fournies par ses capteurs ?
CHAPITRE 2
INTRODUCTION
2.1 Approche
Ce travail de thèse s’inscrit dans le cadre du programme de recherche GAME-D (Guidage
d’une Aiguille Médicale instrumentéE Déformable), d’une durée de 45 mois, et financé par
une allocation nationale de recherche (ANR-12-TECS-0019). Ce travail consiste à pour-
suivre celui initié par Adeline Robert. Il s’agit d’explorer, d’élaborer et d’évaluer de nou-
veaux outils permettant, d’une part, de localiser, en 3D et en temps réel, la déformée d’une
aiguille instrumentée et d’autre part, d’optimiser l’instrumentation de cette aiguille. Les
problématiques sont les suivantes :
• Comment reconstruire la forme globale d’une aiguille à partir des informations lo-
cales fournies par les capteurs ?
• Où placer les capteurs de déformations sur l’aiguille pour avoir la reconstruction la
plus précise possible ?
2.2 Organisation du manuscrit

La partie préliminaire II intitulée "Boite à outils" sera consacrée à la présentation des outils
mathématiques et physiques utilisés dans cette thèse. Cette présentation se voudra volontai-
rement succincte, le but étant moins de définir précisément les objets, qui sont relativement
standards, que de circonscrire le périmètre des connaissances qui seront ensuite employées
par la suite. La suite du manuscrit s’articule autour de deux thématiques principales :
• la reconstruction de déformées d’aiguille : l’aiguille étant supposée instrumentée à
l’aide de capteurs disposés sur sa longueur, on s’intéresse à la meilleure manière
de reconstruire la forme de l’aiguille à partir des informations des capteurs. Un état
de l’art des connaissances en la matière permet d’obtenir une première méthode de
reconstruction. Une réflexion plus approfondie sur les capteurs de déformation est
ensuite menée au cours de laquelle on montrera comment obtenir des informations
14 Chapitre 2. Introduction
supplémentaires sur la déformation de l’aiguille. On explicitera comment utiliser ce

surplus d’informations pour améliorer la méthode de reconstruction obtenue précé-
demment. Enfin dans la dernière partie, on présentera une méthode de reconstruction
qui s’appuie sur des données expérimentales de déformations.
• l’optimisation de la position des capteurs sur l’aiguille : On étudiera, à partir de
données expérimentales d’insertions d’aiguilles, les propriétés physiques des défor-
mations d’aiguilles en appliquant un modèle d’aiguille spécialement développé. En
faisant appel à des scanners expérimentaux et cliniques d’insertions aiguilles, un tra-
vail sera effectué pour extraire les caractéristiques géomètriques des aiguilles et les
traiter de façon à pouvoir constituer un ensemble de données statistiques de défor-
mation. Le problème de disposition des capteurs permettant d’atteindre la recons-
truction d’aiguille la plus précise possible prendra alors la forme d’un problème de
minimisation utilisant ces données expérimentales.
Deuxième partie
Boite à outils
CHAPITRE 3
INTRODUCTION
On présente dans cette partie les différents outils mathématiques et physiques qui seront
utilisés dans la suite du manuscrit. On se restreint uniquement aux définitions et à quelques
exemples simples, le but étant pour le lecteur de se familiariser avec les concepts et les
notations. Les questions plus avancées concernant leurs utilisations et les liens avec la thé-
matique de recherche seront abordées dans l’état de l’art au début des chapitres concernés.
Comme indiqué précédemment, le chapitre 11 sera consacrée à la reconstruction de la
forme de l’aiguille à partir des données des capteurs. Dans cette partie, le modèle d’ai-
guille mis au point pour situer les capteurs et caractériser sa déformation, sera paramétré
par des repère mobiles. Ce type de paramétrisation nous permettra de bâtir le système dif-
férentiel reliant la géométrie de l’aiguille aux données de déformations des capteurs grâce
à l’utilisation de la théorie des poutres de Reissner. La résolution de ce système se fera
alors à l’aide d’une méthode reposant sur les groupes et algèbres de Lie.
Le chapitre 15 concerne l’optimisation des positions des capteurs sur l’aiguille. Notre ap-
proche repose sur l’utilisation de scanners de piqués d’aiguilles. Pour pouvoir décrire les
formes de ces aiguilles dans l’espace, nous utiliserons un modèle à base de B-Splines.
La caractérisation des déformations de ces aiguilles se fera à l’aide d’un outil statistique
approprié : l’analyse en composante principales.
Ces principaux outils sont présentés dans la suite de ce chapitre.
CHAPITRE 4
REPÈRE MOBILE
4.1 Repère mobile

Un repère mobile est un repère qui se déplace sur une courbe.
Définition : un arc paramétré régulier de classe Cn est un couple (I, f) tel que :
• I est un intervalle inclus dans R
• f est définie sur I à valeur dans un espace euclidien. (Dans la suite, cet espace sera
R3 .)
• f est de classe Cn sur I
• f0 ne s’annule pas sur I
On note h., .i le produit scalaire euclidien usuel. On définit le repère mobile tangent à l’arc
(I, f) comme le triplet de fonctions vectorielles (fi )i∈{1,2,3} tel que :
∀i ∈ {1, 2, 3}, fi : R → R3
f0
f1 =
kf0 k
hf1 , f2 i = 0
hf1 , f3 i = 0
hf2 , f3 i = 0
Dans le cas où (fi )i∈{1,2,3} est un ensemble de fonctions orthonormées, on a alors :
∀i ∈ {1, 2, 3}, fi , fj = δi, j (4.1)

On dit alors que le repère mobile (fi )i∈{1,2,3} est orthonormé. La figure 4.1 présente un
exemple de repère mobile.
20 Chapitre 4. Repère mobile
F IGURE 4.1. – Exemple de repère mobile.

Illustration du repère mobile (f1 , f2 , f3 ) pour la courbe f.
4.2 Repère de Frenet

Le repère de Frenet est un repère mobile (T, N, B) défini par les trois fonctions vectorielles
T (le vecteur tangent), N (le vecteur normal) et B (le vecteur binormal).
Soit (I, f) un arc paramétré de classe C2 de R dans R3 . Soit t0 un élément de I, on définit s

comme l’abscisse curviligne d’origine t0 :
Z t
s(t) = f0 (x) dx (4.2)

t0
L’application s est strictement croissante de I dans J = s(I). De plus en posant
g :J → R3 (4.3)
t 7→ f(s−1 (t)) (4.4)
alors (J, g) est un reparamétrage de l’arc paramètré (I, f) par l’abscisse curviligne : c’est un
paramétrage normal, c’est à dire que l’on a la propriété suivante :
∀t ∈ J, g0 (t) = 1 (4.5)

On définit alors le repère de Frenet de la façon suivante :
dg
T= (4.6)
dt
dT
dt
N = dT (4.7)
dt

B = T∧N (4.8)
Le repère (T, N, B) est un repère orthonormé et a les propriétés géomètriques suivantes :

• T(t) est le vecteur tangent à la courbe en g(t)
• N(t) est le vecteur normal, il est dirigé vers le centre du cercle osculateur en g(t)
4.2. Repère de Frenet 21
• B(t) est le vecteur binormal, c’est le produit vectoriel de T(t) et de N(t)

Ces vecteurs vérifient les formules de dérivations suivantes :
dT
= κN (4.9)
dt
dN
= −κT + τB (4.10)
dt
dB
= −τN (4.11)
dt
où κ et τ sont respectivement la courbure et la torsion mathématique, les fonctions scalaires
associées au repère de Frenet. Elles sont définies de la manière suivante suivante :
kg0 (t) ∧ g00 (t)k

κ(t) = (4.12)
kg0 (t)k3
h(g0 (t) ∧ g00 (t)) .g000 (t)i
τ(t) = (4.13)
kg0 (t) ∧ g00 (t)k2
A titre d’illustration, les figures 4.2a et 4.2b représentent le repère de Frenet d’une hélice.
Le repère de Frenet a pour principal avantage sa simplicité de calcul. Néanmoins le fait

qu’il présente des singularités aux points d’inflexion fait qu’il n’est pas calculable pour
toutes les courbes.
(a) Vue de 3D (b) Vue de côté
F IGURE 4.2. – Repère de Frenet d’une hélice.

Représentation des vecteurs de Frenet T (vecteur rouge), N (vecteur vert), B (vecteur bleu)
d’une courbe en forme d’hélice.
CHAPITRE 5
THÉORIE DES POUTRES
5.1 Introduction
La résistance des matériaux est un domaine de la mécanique des milieux continus qui traite
de la déformation des solides. Par la formulation d’hypothèses et l’utilisation de modèles,
on peut étudier et prévoir différentes caractéristiques d’un solide lors de sa déformation.
Selon les caractéristiques géométriques de ce solide, différents modèles peuvent être élabo-
rés. La théorie des poutres rassemble l’ensemble des modèles applicables à un solide dont
l’une des dimensions est beaucoup plus grande que ses deux autres (figure 5.1).
r0
F IGURE 5.1. – Exemple de poutre circulaire.

Le rayon de la poutre est noté r0 et sa longueur est notée L.
24 Chapitre 5. Théorie des poutres
5.2 Notions
5.2.1 Définitions principales
Fibre neutre : La fibre neutre est une courbe définie comme l’ensemble des centres de gra-
vités des sections droites de la poutre. On s’appuie alors sur la fibre neutre pour modéliser
la poutre.
Déformation : Soient deux points d’une poutre définissant un segment. On note l0 la lon-
gueur de ce segment à l’état initial et l la longueur à l’état déformé (F IGURE 5.2).
F IGURE 5.2. – Morceau infinitésimal de poutre à l’état initial et déformé.

La longueur à l’état initial est noté l0 et la longueur à l’état déformée est notée l.
On définit alors la déformation ε par la formule suivante :
l − l0 ∆L
ε= =
l0 l0
La déformation ε est sans unité.
5.2.2 Hypothèses fondamentales

Sont présentées ici les hypothèses fondamentales sur lesquelles reposent la théorie des
poutres. Leurs validités sont des conditions sine qua non à la validité des résultats de la
théorie des poutres.
5.2.2.1 Géomètrie du solide
Les solides considérés en théorie des poutres sont des solides ayant une dimension d’ordre
supérieure aux deux autres. Il n’existe pas dans la littérature de valeur minimale concernant
le rapport entre la dimension la plus grande et les dimensions les plus petites. Néanmoins,
les modèles considérés ont souvent un rapport minimal de l’ordre de 10 bien qu’il soit
parfois suggéré qu’un facteur 3 puisse suffire dans certains cas.
5.3. Théorie des poutres en deux et trois dimensions 25
5.2.2.2 Régularité du matériau
Les propriétés caractéristiques du milieu considéré varient de façons cohérentes. Elles

peuvent être représentées par des fonctions ayant certaines propriétés de continuité et de
dérivabilité.
5.2.2.3 Principe de Saint-Venant
Il s’agit d’un principe qui stipule que l’état mécanique pour des points situés à une distance
suffisante des points d’application des charges extérieures ne dépend que du torseur résul-
tant des forces extérieures. Ce principe implique que les résultats de la théorie des poutres
ne sont valides qu’en des points suffisamment éloignés des points d’applications des efforts
extérieurs.
5.2.3 Variables de la poutre

Les constantes liées aux propriétés physiques et géométriques de la poutre sont définies
dans le tableau 5.1.
Variable Description
E Module de Young du matériau de la poutre
G Module de cisaillement du matériau de la poutre
I Moment quadratique de la poutre en flexion
J Moment quadratique de la poutre en torsion
A Aire de la section de la poutre
K Facteur de cisaillement
TABLE 5.1. – Constantes liées à la poutre.
5.3 Théorie des poutres en deux et trois dimensions

5.3.1 Etat de l’art
• La théorie des poutres 2D considère uniquement les déformations planes des poutres.
Deux théories existent : la théorie d’Euler-Bernoulli [BC09] qui néglige l’effet du
cisaillement et la théorie de Timoshenko [TG09] qui tient compte de l’effet du ci-
saillement. Dans les deux cas, bien que ces théories constituent un point d’entrée et
un outil d’étude intéressant, elles ne correspondent pas à nos besoins. En effet au
dela de l’aspect dimensionnelle et du fait que nous souhaitons mener une étude en
3D et non en 2D, les hypothèses qui sous-tendent ces théories (hypothèses de petites
déformations, de petits déplacements) sont trop restrictives. Nous allons donc nous
tourner pour la suite de notre étude vers la théorie des poutres 3D.
• La théorie des poutres non-linéaire 3D n’est pas une simple extention de la théorie
2D. La difficulté supplémentaire réside dans le fait que la formulation 3D des rota-
tions ne sont pas des quantités vectorielles, contrairement à la formulation 2D, mais
des objets appartenant à la variété différentielle SO(3). Ainsi la paramétrisation de la
poutre, qui permet d’exprimer les rotations de chaque section de poutre au cours de
la déformation, est une étape essentielle de chaque méthode et influence le traitement
et l’approche mise en place ensuite. Cet état de l’art n’a pas pour but d’être exhaustif
mais plutôt de proposer aux lecteurs une brève description des différentes approches
existantes de théorie des poutres 3D.
Tameroglu S. Finite Theory of Thin Elastic Rods (1969) [Tam71] : L’approche de Ta-
meroglu repose sur l’utilisation des repères mobiles matériels et de Frenet pour les états
déformés et non déformés. Une fois les matrices de transfert et les conditions de com-
patibilité posées, une approche physique permet d’obtenir les équations d’équilibre d’une
poutre dans le cas de petites déformations. Comme indiqué dans la partie sur les repères
mobiles, le repère de Frenet n’est pas défini pour les courbes présentant des points d’in-
flexion et des segments droits, ce qui peut poser des problèmes avec les modèles étudiés,
a fortiori les poutres droites. De plus la formulation des matrices de transferts entre les
deux repères mobiles distincts conduit à des expressions excessivement complexes et donc
difficilement exploitables.
Reissner E. On One-Dimensional Large-Displacement Finite-Strain Beam Theory (1973)

[Rei73] : la théorie de Reissner traite de la déformation statique des poutres en grands
déplacements, en grandes déformations et en rotations finies. La paramétrisation utilisée
par Reissner s’appuie, comme Tameroglu, sur les repères mobiles mais à l’inverse de ce
dernier, il n’utilise pas le repère de Frenet. L’approche se base sur les équations d’équi-
libre des forces et des moments. L’application du principe des travaux virtuels, principe
communément utilisé en physique, permet d’obtenir un système reliant les efforts et les
déformations unidimensionnels mais permettant néanmoins de rendre compte de l’aspect
tridimensionel de la modélisation. Le modèle utilisé est géométriquement exact, c’est à
dire qu’il est capable de fournir les mesures des déformations d’une manière exacte tout
en n’imposant aucune restriction sur l’amplitude des déplacements ou des rotations. Le
qualificatif géométriquement exacte caractérise une approche dont le traitement de la géo-
mètrie des modèles et des équations est réalisé de manière exacte et pour laquelle les seules
approximations faites le sont dans le cadre de la résolution.
Un des avantages de la théorie de Reissner est la prise en compte intrinsèque dans celle-ci
des phénomènes de traction-compression et de cisaillement, à l’inverse des autres théories
utilisant les hypothèses d’inextensibilité comme celle d’Euler-Bernoulli.
Simo J.C. A finite strain beam formulation. The three-dimensional dynamic problem.
Part I (1985) [Sim85] : les travaux de Simo consistue une référence dans le domaine de
la théorie des poutres non-linéaires 3D. Ils sont une généralisation au cas dynamique des
5.4. Théorie de Reissner 27
travaux de Reissner. La paramétrisation utilisée par Simo se base sur so(3), l’algèbre de
Lie associée au groupe de Lie des rotations SO(3). Simo a développé une expression claire
et compacte de la déformation d’une poutre, basée sur un tenseur qui définit la rotation de
la section de poutre. Cela permet l’expression des contraintes résultantes et l’obtention des
déformations par application d’un bilan de puissance-énergie. Ce travail est une référence
dans le domaine de la théorie des poutres 3D qui a donné naissance à de nombreuses autres
théories ou de méthodes d’éléments finis.
La première étape à accomplir lors d’une étude avec les théories des poutres est la pa-
ramétrisation. L’analyse précédente de la littérature nous a permis d’identifier différentes
approches (angles d’Euler, paramétrage par vecteurs). Notre choix s’est porté sur la pa-
ramétrisation par repère mobile comme présenté dans la théorie de Reissner. Ce type de
paramétrisation s’avère très pratique dans notre cas, notamment pour définir les positions
des capteurs sur l’aiguille et faire le lien avec leurs données. On dispose ainsi d’une théo-
rie puissante s’appuyant sur un minimum d’hypothèses restrictives dont les principes sont
exposés dans la section qui suit.
5.4 Théorie de Reissner

5.4.1 Paramétrisation de la poutre
A l’état non-déformé, selon les hypothèses précédentes, la poutre droite de section circu-
laire constante est droite. On note son rayon r0 et sa longueur L. On définit une paramétri-
sation normale de sa fibre neutre r :
r : [0, L] → R3
∀s ∈ [0, L], r0 (s) = 1

On note t le vecteur dérivée de r :
∀s ∈ [0, L], t(s) = r0 (s)

∀s ∈ [0, L], kt(s)k = r0 (s) = 1

Donc t est le vecteur unitaire tangent à la fibre neutre r.

On peut définir n1 et n2 deux fonctions vectorielles telles que :
n1 : [0, L] → R3
n2 : [0, L] → R3
∀s ∈ [0, L], ht(s), ni (s)i = hn1 (s), n2 (s)i = 0
∀s ∈ [0, L], kn1 (s)k = kn2 (s)k = 1
∀s ∈ [0, L], t(s) ∧ n1 (s) = n2 (s)
Donc (t, n1 , n2 ) est un repère mobile orthonormé orienté. La section de poutre en r(s) est
le plan ayant pour vecteur normal t(s). La fibre neutre est noté r à l’état non déformé et R à
l’état déformé. De même la notation (t, n1 , n2 ) correspond au repère à l’état non déformé,
celui-ci est noté (T, N1 , N2 ) à l’état déformé. La section de poutre en R(s) est le plan ayant
pour vecteur normal T(s).
n1 N1 T
t
n2 N2
(a) Poutre et son paramétrage par re- (b) Poutre et son paramétrage par repère mobile
père mobile (t, n1 , n2 ) avant dé- (T, N1 , N2 ) après déformation.
formation.
F IGURE 5.3. – Paramétrage de la poutre par repère mobile.
5.4.2 Variables
Cette section présente les variables utilisées dans la théorie des poutres de Reissner.
5.4.2.1 Cas de charges

Dans son article, Reissner introduit les forces et moments linéiques externes appliqués
à la poutre p et m ainsi que les forces et moments internes à la poutre P et M. Leurs
décompositions dans la base (T, N1 , N2 ) sont les suivantes :
p = pt T + p1 N1 + p2 N2
m = mt T − m2 N1 + m1 N2
P = Pt T + P1 N1 + P2 N2
M = Mt T − M2 N1 + M1 N2
5.4.2.2 Grandeurs de déformations

Dans sa théorie, Reissner introduit les variables γ et κ qu’il nomme virtual force and
moment strains et qu’on pourrait traduire par forces et moments de déformations virtuels
linéiques. Les décompositions de ces variables dans la base (T, N1 , N2 ) sont les suivantes :
γ = γt T + γ1 N1 + γ2 N2
κ = κt T − κ2 N1 + κ1 N2
La variable γt , composante de la force de déformation virtuelle portée par T, est reliée à la

traction-compression. De même γ1 et γ2 , composantes de la force de déformation virtuelle
portées par N1 et N2 , sont reliées au cisaillement.
La variable κt , composante du moment de déformation virtuel portée par T, est reliée à la
torsion. De même κ1 et κ2 , composantes du moment de déformation virtuel portées par N1
et N2 , sont reliées à la flexion.
Ces notions sont développées plus précisément dans la suite de ce chapitre.
5.4.3 Equations
Cette section présente les équations utilisées dans la théorie des poutres de Reissner.
5.4.3.1 Lois de déformation

Dans le cas d’une poutre droite à l’état initial, l’évolution du repère matériel est régie par
l’équation différentielle suivante :
0 
T 0 T
  
κ1 κ2
 N1  =  −κ1 0 κt   N1  (5.1)
N2 −κ2 −κt 0 N2
L’expression de la dérivée de la déformée de la poutre est la suivante :
R0 = (1 + γt )T + γ1 N1 + γ2 N2 (5.2)
5.4.3.2 Lois de comportement

Dans le cas de déformations élastiques et linéaires, on a les lois de comportement sui-
vantes :
Pt = EAγt P1 = GKγ1 P2 = GKγ2 (5.3)

Mt = GJκt M1 = EIκ1 M2 = EIκ2
où E, G, I, J, A et K sont les constantes liés aux propriétés physiques et géométriques de la

poutre définies dans le paragraphe 5.2.3.
5.4.3.3 Equations intrinsèques de la poutre

Les équations reliant les grandeurs physiques sur une section de poutre sont les suivantes :
P0 + p = 0, M0 + R0 × P + m = 0 (5.4)
Dans le cas d’une poutre initialement droite leurs décompositions dans la base (T, N1 , N2 )
est la suivante :
Pt0 − κ1 P1 − κ2 P2 + pt = 0 (5.5)
P10 + κ1 Pt − κt P2 + p1 = 0
P20 + κ2 Pt + κt P1 + p2 = 0
Mt0 + κ1 M2 − κ2 M1 + γ1 P2 − γ2 P1 + mt = 0 (5.6)
M10 + κ2 Mt − κt M2 + (1 + γt )P1 − γ1 Pt + m1 = 0
M20 − κ1 Mt + κt M1 + (1 + γt )P2 − γ2 Pt + m2 = 0
5.4.4 Interprétation physique des grandeurs γ et κ

5.4.4.1 Lien entre traction-compression et γt
Soit une poutre encastrée de section constante d’aire A et de longueur l0 au repos. On

applique à son autre extrémité une force Pt uniformément répartie, normale à sa section,
résultant en une contrainte σ . La longueur de la poutre ainsi déformée est alors notée l.
La déformation en traction-compression εT est alors la suivante :
l − l0
εT =
l0
D’après la loi de Hooke on a alors :
σ = EεT
Pt
⇒ = EεT
A
Or d’après la loi de comportement (équation 5.3) on a Pt = EAγt . On a alors :
εT = γt
Par conséquent γt est la déformation en traction-compression de la poutre.
5.4.4.2 Lien entre cisaillement et γ1 , γ2
Soit une poutre soumis uniquement aux phénomènes de cisaillement dans le plan (TRNi )
comme illustrée dans la figure 5.4. On note ϕ l’angle de cisaillement de la poutre, c’est à
dire l’angle entre le vecteur T du repère mobile (T, N1 , N2 ) et la normale R0 à une section.
F IGURE 5.4. – Schéma de déformation de poutre par cisaillement.
D’après l’équation 5.2, l’expression de la dérivée de la déformée de la poutre donne alors :
R 0 = T + γi N 1
On a alors la relation suivante :

tan(ϕ) = γi
La variable γi est appelé déformation en cisaillement.
5.4.4.3 Lien entre torsion mécanique et κt
Soit une poutre encastrée de section circulaire constante de longueur l ayant pour moment
quadratique J et module de cisaillement G. On applique à son autre extrémité un moment
de torsion Mt . On note ϕ l’angle de torsion de la poutre.
F IGURE 5.5. – Schema de déformation de poutre par torsion.
On a la relation :
Mt l
ϕ=
GJ
Or d’après la loi de comportement (équation 5.3) on a Mt = GJκt . On a alors :
ϕ
κt =
l
Par conséquent κt est l’angle unitaire de torsion mécanique de la poutre.
5.4.4.4 Lien entre flexion et κ1 , κ2

Soit une poutre soumis uniquement aux phénomènes de flexion. La courbe de la fibre neutre
de la poutre déformée est notée R. La courbure est alors donnée par la formule suivante :
kR0 ∧ R00 k
κ=
kR0 k3
et on a :
R0 = T, R00 = κ1 N1 + κ2 N2
On a alors :
q
κ = κ12 + κ22

κ1
Par conséquent la norme du vecteur est la courbure de la poutre.
κ2
CHAPITRE 6
ALGÈBRE ET GROUPES DE LIE
La théorie des algèbres et groupes de Lie a été developpé par Sophus Lie au cours des
années 1890 [Lie80].
6.1 Groupes de Lie

Un groupe de Lie est un groupe ayant une structure de variété différentielle et dont l’addi-
tion et la muliplication sont différentiables.
Exemple : Les groupes O(3) et SO(3) sont des groupes de Lie matricielles.
O(3) = M ∈ M3,3 (R), MT M = MMT = I3

SO(3) = M ∈ M3,3 (R), MT M = MMT = I3 , det(M) = 1

Le groupe O(3) est le groupe des matrices orthogonales en dimension 3. Le groupe SO(3)
est le groupe des matrices de rotation en dimension 3.
6.2 Espace tangent

L’espace tangent d’une variété différentielle est un espace vectoriel défini en un point dérivé
de cette variété. Soit x un élément d’un groupe de Lie G. On définit l’espace tangent Tx G
comme l’espace vectoriel dont les éléments sont les vecteurs tangents à x :
Tx G = {(dM)x , M ∈ G}
Exemple : On note TI SO(3) l’espace tangent au groupe de Lie SO(3) à l’identité.

34 Chapitre 6. Algèbre et groupes de Lie
F IGURE 6.1. – Espace tangent d’un groupe de Lie.

Représentation de l’espace tangent Tx G à la variété G en x
6.3 Algèbres de Lie

Une algèbre de Lie sur un corps K est un espace vectoriel g muni d’une loi de composition
interne [., .] : g × g → g satisfaisant les propriétés suivantes :
• bilinéarité :
∀a, b ∈ R, ∀x, y, z ∈ g, [ax + by, z] = a[x, z] + b[y, z]

[z, ax + by] = a[z, x] + b[z, y]
• alternée : ∀x ∈ g, [x, x] = 0
• anticommutativité : ∀x, y ∈ g, [x, y] = −[y, x]
• identité de Jacobi : ∀x, y, z ∈ g, [x, [y, z]] + [z, [x, y]] + [y, [z, x]] = 0
Proprièté : Soit G un groupe de Lie d’élément neutre e alors l’espace tangent Te G est une
algèbre de Lie.
Exemple : L’algèbre de Lie associée à SO(3) est TI SO(3) notée so(3). On peut montrer que
so(3) est le groupe des matrices antisymètriques :
so(3) = M ∈ M3,3 (R), MT = −M

6.4 Application exponentielle

Soit G un groupe de Lie et g son algèbre de Lie associé. Dans la théorie de Lie, l’exponen-
tielle est une application définie sur g à valeur dans G :
exp : g → G (6.1)
L’utilisation de l’exponentielle permet de paramétrer un groupe de Lie à partir de son al-

gèbre de Lie. L’exponentielle telle qu’elle est couramment utilisée sur le corps des nombres
réels est un cas particulier.
Exemple : Dans le cas des groupes de Lie matriciels, on a la définition suivante :
∞
Mk
exp(M) = ∑ (6.2)
k=0 k!
6.4. Application exponentielle 35
On a ainsi :
SO(3) = {exp(M), M ∈ so(3)} (6.3)
CHAPITRE 7
SPLINES
7.1 Spline
Au début du XX me siècle, le mot spline est un mot anglais désignant la pièce de métal ou
de bois utilisé par les ingénieurs de l’industrie navale ou spatiale pour tracer des courbes.
La première incursion de ce mot dans le langage mathématique date de 1946 et se trouve
dans un papier de Schoenberg [Sch88]. Le terme désigne alors des courbes par partie dont
chaque morceau est un polynome de degré k − 1 et qui sont de classe Ck−2 autour des
points de raccordement. Schoenberg a ainsi donné à ce type de courbe le nom de l’outil
qui sert alors à l’époque à les tracer. Aujourd’hui une spline désigne plus généralement une
fonction polynomiale définie par morceaux ayant certaines propriétés de continuité et de
dérivabilité aux points de raccordements.
Plusieurs auteurs ont contribué de façon concomitante au développement et à l’extension
des splines. Ainsi les travaux de Paul de Casteljau [Casng] et Pierre Bézier [Béz66] sur les
courbes de Bézier et leurs implémentations algorithmiques et ceux de de Boor [dB78] sur
les B-Splines ont marqué le début de l’utilisation des splines dans le domaine de la Concep-
tion Assistée par Ordinateur (CAO), domaine qui leur vaut aujourd’hui d’être reconnues en
tant qu’outil de modélisation de premier plan.
7.2 B-Spline
7.2.1 Définition
On définit les fonctions B-splines de base comme les fonctions Bi,k :
Bi,k : R → R
38 Chapitre 7. Splines
définies récursivement par les formules suivantes :

(
1 si ti ≤ t < ti+1
∀i ∈ J1, m − 1K , Bi,0 (t) = (7.1)
0 sinon
∀k ∈ J0, nK ,∀i ∈ J0, nc + n − 1 − kK ,

t − ti ti+k+1 − t
Bi,k (t) = Bi,k−1 (t) + Bi+1,k−1 (t) (7.2)
ti+k − ti ti+k+1 − ti+1
où n ∈ N∗ est le degré de la B-spline et (ti )i=1,..,m ∈ Rm sont les noeuds de la B-spline.
Ainsi les fonctions Bi,k sont des fonctions polynomiales de degré n. (On utilisera par la
suite des noeuds strictement croissant t1 < t2 < ... < tm ).
On définit les courbes B-splines 3D comme les fonctions S :
S : R → R3
nc
t 7→ S(t) = ∑ Bi,n (t)Pi
i=1
m
où (Pi )i=1,..,nc ∈(R3 )sont les points de contrôles de la B-spline. Ainsi la B-spline S est
définie par la combinaison linéaire des fonctions Bi,k , c’est donc une fonction polynomiale
définie par morceaux. La relation entre le nombre de noeuds m et le nombre de points de
contrôle nc est :
m = nc + n + 1
7.2.2 Propriétés
1. Les fonctions B-splines de base Bi,n définissant la courbe B-spline S sont toutes de
degré n.
2. Pour une B-spline de degré n ayant m noeuds :
• Si t0 = t1 = ... = tn < tn+1 la spline passe par le point P0 .
• Si tm−n−1 < tm−n = ... = tm la spline passe par le point Pm−n−1 .
On dit alors que les noeuds sont vissés aux extrémités.
3. Une courbe B-spline est contenue dans l’enveloppe convexe définie par ses points de
contrôle.
4. Une B-spline de degré n est de classe Cn−k sur un noeud de multiplicité k. Ainsi dans
le cas où on a des noeuds strictement croissant une B-Spline de degré n est de classe
Cn−1 .
7.2.3 Exemples
7.2.3.1 Fonctions B-Spline de base
On détaille un exemple de calcul de base B-Spline de degré n = 3. On choisit des noeuds
équidistants t0 = 0 < t1 < .. < t7 < t8 = 1. On note h le pas entre les noeuds : ∀i ∈
J0, 7K ,ti+1 − ti = h
7.2. B-Spline 39
Les fonctions de base Bi,k sont calculées récursivement grâce aux équations 7.1 et 7.2. La
figure 7.1 illustre les dépendances entre les fonctions de base.
B0,0 B1,0 B2,0 B3,0 B4,0 B5,0 B6,0 B7,0
B0,1 B1,1 B2,1 B3,1 B4,1 B5,1 B6,1

Sens
de calcul
B0,2 B1,2 B2,2 B3,2 B4,2 B5,2
B0,3 B1,3 B2,3 B3,3 B4,3
F IGURE 7.1. – Schéma de la récursivité du calcul des bases B-Splines.
Les fonctions Bi,k sont représentées dans les figures 7.2, 7.3, 7.4 et 7.5. La somme des
fonctions Bi,k est affichée en pointillés.
Propriètés des fonctions de base Bi,k :
1. Bi,k est un polynôme de degré k sur [ti ,ti+k+1 [
2. Bi,k (t) = 0 si t ∈
/ [ti ,ti+k+1 [
3. 0 < Bi,k (t) ≤ 1 si t ∈ [ti ,ti+k+1 [
4. ∑m−k−1
i=0 Bi,k (t) = 1 pour tk ≤ t < tm−k
7.2.3.2 B-Spline 3D
On montre dans cette partie un exemple de B-Spline 3D (F IGURE 7.6). La B-Spline est
vissé à ses extrémités car les extrémités de sa courbe passe par ses points de contrôle.
1 B0,0 B1,0 B2,0 B3,0 B4,0 B5,0 B6,0 B7,0
0
t0 t1 t2 t3 t4 t5 t6 t7 t8
F IGURE 7.2. – Fonctions de base Bi,0 .
1 B0,1 B1,1 B2,1 B3,1 B4,1 B5,1 B6,1
0
t0 t1 t2 t3 t4 t5 t6 t7 t8

7.2. B-Spline 41
B0,2 B1,2 B2,2 B3,2 B4,2 B5,2
0
t0 t1 t2 t3 t4 t5 t6 t7 t8
B0,3 B1,3 B2,3 B3,3 B4,3
0
t0 t1 t2 t3 t4 t5 t6 t7 t8

F IGURE 7.6. – B-Spline 3D

Représentation d’une B-Spline 3D (courbe bleue) possédant sept points de contrôle
(points rouges). Le polygone dont les sommets sont les points de contrôle de la B-Spline
est appelé polygone de contrôle (segments noirs).
CHAPITRE 8
MÉTHODES DESCRIPTIVES D’ANALYSE STATISTIQUE DE
DONNÉES MULTIVARIÉES
8.1 Analyse en composantes principales

L’analyse en composantes principales (ACP) est une technique d’analyse statistique mul-
tivariée inventée par Pearson [Pea01] et développée plus tard par Hotelling [Hot33]. Elle
permet de décorréler un ensemble de variables. Les nouvelles variables sont appelées com-
posantes principales et peuvent être classées par leur variance de telle sorte que les pre-
mières composantes principales sont les plus importantes en termes de variance.
Soit X un échantillon de N réalisations de p variables aléatoires X1 , X2 , ..., Xp . On note xi, j
la ime réalisation de X j .
x1,1 · · · x1,p
 
X =  ... .. 
.  (8.1)

xN,1 · · · xN,p
Soit le vecteur poids ξ :
ξ1
 
ξ =  ...  (8.2)
 
ξp
La combinaison linéaire ξ .xi = ∑ pj=1 ξ j xi, j est le produit scalaire entre le vecteur poids ξ
et le vecteur ligne de la ime réalisation de X1 , X2 , ..., Xp . Le vecteur poids ξ permet donc
d’affecter un poids à chaque variable aléatoire. Le principe de l’ACP consiste à choisir le
vecteur poids de manière à faire ressortir les variations qui sont présentes dans les données.
On note xi la ime ligne de X.
44 Chapitre 8. Méthodes descriptives d’analyse statistique de données multivariées
Algorithm 1 Input Ensemble des N réalisations des p variables aléatoires : (xi )i=1,..,N .
Output Composantes principales : (ξk )k=1,..,p .
for k ← 1, p do
Trouver le ξk ∈ R p qui maximise N1 ∑Ni=1 (ξk .xi )2
Contraintes : kξk k = 1 et ξi .ξk = 0 pour i < k
end for
Algorithme de l’ACP :
Explications :
• On maximise la somme au carré pour trouver la combinaison linéaire des modes qui
a la variation la plus importante.
• La contrainte kξi k = 1 permet d’avoir un problème bien défini.
• On a N1 ∑Ni=1 (ξk xi )2 = N1 ξkT X T Xξk
Donc on cherche max N1 ξkT X T Xξk avec ξkT ξk = 1
On pose V = N1 X T X matrice de variance-covariance.
On doit donc résoudre max N1 ξkT V ξk avec ξkT ξk = 1
La matrice V est une matrice symètrique réelle, donc diagonalisable en base ortho-
normée. Par changement de base, on résout le problème de maximisation en trouvant
le vecteur propre associé à la valeur propre la plus élevée de l’équation suivante :
V ξk = λ ξk .
• La valeur N1 ∑Nj=1 (ξi x j )2 correspond à l’importance du ime mode.
Faire une ACP sur des variables revient à trouver les vecteurs et valeurs propres
associés à la matrice de variance-covariance de ces variables.
8.2 Analyse en composantes principales fonctionelles

L’analyse en composantes principales fonctionelles (ACPF) est une extension de l’ACP
aux fonctions [RS05]. Soit X un échantillon de N réalisations du processus stochastique
x(s). On note xi (s) la ime réalisation de x(s).
x1 (s)
 
X =  ...  (8.3)
 
xN (s)
L’approche est similaire à l’ACPF à la différence que ξ n’est plus un vecteur mais une
fonction. On définit le produit scalaire de ξ et xi par :
Z
hξ | xi i = ξ (s)xi (s)ds (8.4)
I
Algorithme de l’ACPF :
Explications :
8.3. Analyse en composantes principales fonctionelles multidimensionelles 45
Algorithm 2 Input Ensemble des N réalisations du processus stochastique : (xi )i=1,..,p .

Output Composantes principales : (ξk )k=1,..,p .
for k ← 1, p do
Trouver le ξk qui maximise N1 ∑Ni=1 ( I ξk (s)xi (s)ds)2
R
Contraintes : I ξk (s)2 ds = 1 et I ξi (s)T ξk (s)ds = 0 pour i < k

R R
end for
• Même principe que pour l’ACP mais on remplace la matrice V par la fonction de
covariance v : v(s,t) = N1 ∑Ni=1 xi (s)xi (t)
• On se ramène également à un problème de diagonalisation V ξ = λ ξ
Dans le cas de l’ACP, le nombre de composantes principales est égal au nombre de

dimensions des variables aléatoires. A l’inverse, dans le cas de l’ACPF, le nombre de
composantes principales est infini.
L’ACP et l’ACPF reposent sur les mêmes principes. Dans le cas de l’ACP, les modes sont
une famille de vecteurs orthonormaux de Rn (espace de dimension finie) et dans le cas
de l’ACPF les modes sont une famille de fonctions orthonormales (espace de dimension
infinie) [RS05]. Il est possible d’utiliser l’ACP avec des données multidimensionelles. On
souhaite pouvoir faire la même chose avec l’ACPF.
8.3 Analyse en composantes principales fonctionelles

multidimensionelles
L’analyse en composantes principales fonctionelles multidimensionelles est une extension
de l’ACPF aux fonctions multidimensionelles.
Attention à la différence entre l’anglais et le français !

• multidimensional data : données dépendant de plusieurs variables
• multivariate data : données dans un espace de plusieurs dimensions
On choisit comme hypothèse une fonction à valeurs dans un espace de dimension n. On

choisit dans notre exemple n = 2. Soit X un échantillon de N réalisations des processus
stochastiques (x(s), y(s)). On note (xi (s), yi (s)) la ime réalisation de (x(s), y(s)).
x1 (s) y1 (s)
 
X =  ... .. 
.  (8.5)

xN (s) yN (s)
Pour appliquer l’ACPF à ce type de données, il est nécessaire de procéder à une réduction
de dimensions des données. Parmi les méthodes existantes, on trouve :
46 Chapitre 8. Méthodes descriptives d’analyse statistique de données multivariées
• la concaténation [RS05]
• la réorganisation [BJS11]
On présente ici
laxméthode de concaténation qui sera utilisée dans la suite de ce manuscrit.
ξ

On pose ξ = avec ξ x et ξ y deux fonctions. On définit le produit scalaire suivant :
ξy
hξ1 | ξ2 i = ξ1x | ξ1y + ξ2x | ξ2y (8.6)

On assemble les fonctions xi et yi dans le vecteur fi (stringing).
xi (s)

fi (s) = (8.7)
yi (s)
On a donc :
Z Z
hξ (s) | fi (s)i = hξ x (s) | xi (s)i + hξ y (s) | yi (s)i = ξ x (s)xi (s)ds + ξ y (s)yi (s)ds
I I
On procède ensuite de la même façon que pour une ACPF normale.

En pratique, pour les calculs, on remplace les fonctions xi et yi par leurs discrétisations qui
sont ensuite concaténées dans un vecteur zi .
xi (s1 )
 
 .. 
 . 
 xi (sn ) 
 
zi (s) =  
 yi (s1 )  (8.8)
 . 
 
 .. 
yi (sn )
La matrice de variance-covariance de zi est alors une version discrétisée de l’opérateur
intégral V . On effectue ensuite une ACP sur les vecteurs zi et on sépare les vecteurs com-
posantes principales.
Remarque : il est préférable que les familles de fonctions xi et yi soient de même ordre
de grandeur sinon les composantes principales ne seront pas équilibrées entre les deux
familles [RS05]. On effectuera donc un pré-traitement (scaling) sur les données de telle
sorte que leurs moyennes soient les mêmes.
CHAPITRE 9
CONCLUSION
On dispose maintenant de tous les outils nécessaires qui seront utilisés dans la suite de ce
manuscrit.
On a choisi la théorie des poutres de Reissner car la paramétrisation utilisée est une para-
métrisation locale. Cette dernière est particulièrement pratique, notamment pour définir les
positions des capteurs sur l’aiguille et faire le lien avec leurs données. Cette paramétrisa-
tion locale se base sur les repères mobiles, d’où la place importante qu’ils occupent dans la
suite ce manuscrit. On les retrouve notamment comme solution du système différentiel ré-
gissant la déformée de l’aiguille. La recherche d’une solution conservant les propriétés des
repères mobiles nécessite alors l’utilisation d’une méthode de résolution adaptée, comme
celle utilisée par la suite et qui repose sur la théorie de Lie.
Le lissage par B-Spline apparaît comme une des méthodes d’approximation de forme per-
mettant d’obtenir les propriétés géométriques des aiguilles le plus précisément possible.
L’obtention des caractéristiques majeures des déformations de l’aiguille à partir de ces
données se fera alors par une méthode de décorrélation, ici sur l’analyse en composantes
principales fonctionnelles multidimensionnelles.
Troisième partie
Reconstruction à partir de
capteurs de déformation
CHAPITRE 10
CAPTEURS DE DÉFORMATION
10.1 Introduction
Un capteur de déformation est un capteur physique permettant de mesurer localement la dé-
formation du matériau sur lequel il est fixé. Il est possible d’incorporer ce type de capteurs
sur des aiguilles utilisées dans le domaine de la radiologie interventionelle (thématique
Working Package 2 du projet ANR GAME-D). On parle alors d’aiguille instrumentées.
Parmi les différents types de capteurs de déformation existants, on peut citer les jauges de
déformations et les réseaux de fibres de Bragg. Dans le cas des réseaux de fibres de Bragg
(FBG), la déformation du matériau est déduite de la variation de la longueur d’onde de
la lumière dans la fibre optique. Dans le cas des jauges de déformation résistive, c’est la
variation de résistance qui permet d’obtenir la déformation. Ainsi, dans les deux cas, c’est
la variation d’une quantité (résistance ou longueur d’onde) entre la position dite de repos
et une position déformée qui permet de mesurer la déformation et uniquement cela.
L’aspect technique concernant ces capteurs ne nous concernent pas. Dans la suite du do-
cument, on utilisera le terme capteur de déformation pour tout capteur qui nous permet de
remonter à une déformation géométrique locale.
10.2 Etat de l’art

De nombreux articles sont consacrés à des dispositifs, aiguilles, endoscopes, fibres, tous
assimilables à des poutres et possédant des capteurs de déformations fixés sur leur surface
et permettant de reconstruire leurs déformées [AKM13, HGDD12, MR12, RKvdDM14,
RJM13, RD14]. Ces derniers sont le plus souvent organisés en deux parties :
• la première partie concerne l’exploitation des données locales de déformations four-
nies par les capteurs pour obtenir des indications géométriques globales de la poutre.
52 Chapitre 10. Capteurs de déformation
• la seconde partie concerne la reconstruction de la déformée de la poutre à partir des

informations géométriques obtenues dans la partie précédente.
Ce chapitre se focalise sur le premier point : la conversion des données de déformation
des capteurs en informations géométriques. Le dispositif considéré est celui présenté dans
la plupart des articles traitant du sujet [AKM13, HGDD12, MR12, RKvdDM14, RJM13,
RD14] : on considère ainsi une aiguille instrumentée ayant sur certaines de ses sections
trois capteurs de déformation disposés de façon équirépartie autour de cette section comme
le montre la figure 10.1. Le raisonnement qui va suivre s’appliquerait de façon similaire à
un nombre différent de capteurs et à une autre disposition.
C1
C2 120◦ C3
F IGURE 10.1. – Section d’aiguille instrumentée.

Les trois capteurs de déformations sont notés C1 ,C2 ,C3 .
Le nombre de triplets de capteurs réparti le long de l’aiguille est noté n. La figure 10.2
représente une portion infinitésimale de poutre sur laquelle est situé le ime triplet de capteurs
(Ck,i )k∈{1,2,3} . Le plan Pi est défini comme le plan osculateur qui contient le centre Oi du
cercle osculateur Oi . Le plan πi contient la section sur laquelle le triplet de capteurs est
situé.
C2,i
C1,i
C3,i
×
Pi Oi
πi
F IGURE 10.2. – Morceau infinitésimal de poutre déformée.

10.2. Etat de l’art 53
La déformation locale du kme capteur du ime triplet est noté εk,i . La déformation maximale
de la section de la poutre définie par πi est noté εi . L’angle θi est appelé l’angle d’orienta-
tion et est défini comme l’angle entre le capteur C1,i et la trace Di du plan osculateur Pi et
du plan πi , comme le montre la figure 10.3.
Di = πi ∩ Pi
C1,i (ε1,i )
•
• −εi
θi
• •
C2,i (ε2,i ) • εi C3,i (ε3,i )
ε =0
πi
F IGURE 10.3. – Plan de la section de poutre contenant les triplets de capteurs.

Vue du plan de section πi de la poutre contenant le ime triplet de capteurs (C1,i ,C2,i ,C3,i ).
Les déformations locales mesurées par les capteurs sont notées ε1,i , ε2,i , ε3,i . L’angle
d’orientation θi est l’angle entre le capteur C1,i et Di .
On note r0 le rayon de l’aiguille. L’intersection entre la partie infinitésimale contenant le

ime triplet et le plan osculateur Pi est représentée dans la figure 10.4. La fibre neutre de
la poutre est représentée par une ligne en pointillée, sa déformation est toujours nulle. On
note L sa longueur pour la partie infinitésimale de la poutre représentée. La variation de
la longueur du rayon extérieur et intérieur de la poutre est notée ∆L et les déformations
associées sont εi et −εi .
54 Chapitre 10. Capteurs de déformation
εi
•
L + ∆L
r0 •
−εi L
L − ∆L
ε =0
×Oi
Di = πi ∩ Pi Pi
F IGURE 10.4. – Plan osculateur de la déformée d’une poutre.

Vue du plan osculateur Pi de la section de poutre de rayon de courbure R et dont le centre
du cercle osculateur est Oi .
En reprenant les notations utilisées dans la figure 10.4, la définition de la déformation donne
l’équation suivante :
∆L
εi = = r0 κi (10.1)
L
où κi est la courbure locale de la partie infinitésimale de la poutre.

L’hypothèse d’élasticité linéaire combinée avec l’équation 10.1 donne le système suivant
[AKM13, HDvdD+ 14, RD14, RKvdDM14] :

ε1,i = r0 κi cos(θi ) + δi


ε = r0 κi cos(θi − 2π
3 ) + δi
(10.2)
 2,i
ε = r κ cos(θ − 4π ) + δ

3,i 0 i i 3 i
où δi est le biais du aux déformations autre que la flexion [HDvdD+ 14, RD14, RKvdDM14].
Le système 10.2 est un système de trois équations à trois inconnues : la courbure locale κi ,
l’angle d’orientation local θi et le biais local δi .
La résolution du système 10.2 donne les valeurs suivantes [MJK+ 14] :

10.3. Bilan 55
1
r
κi = 2 (ε1,i − ε2,i )2 + (ε2,i − ε3,i )2 + (ε1,i − ε3,i )2
3r0
2ε1,i − ε2,i − ε3,i
cos(θi ) = r
2 (ε1,i − ε2,i )2 + (ε2,i − ε3,i )2 + (ε1,i − ε3,i )2
√
3(ε3,i − ε2,i )
sin(θi ) = r
2 (ε1,i − ε2,i )2 + (ε2,i − ε3,i )2 + (ε1,i − ε3,i )2
ε1,i + ε2,i + ε3,i
δi =
3
Ainsi, pour chaque section πi , les informations locales de déformation renvoyées par le
triplet de capteurs permettent d’obtenir les informations locales de courbure κi et d’angle
d’orientation θi .
10.3 Bilan
Localement les trois capteurs de déformation permettent d’obtenir la courbure, l’angle de
d’orientation ainsi qu’une valeur de biais induit par la déformation. On a constaté que la
seule hypothèse physique utilisée était celle de la déformation linéaire. Le raisonnement
mené ne permet pas d’expliciter le biais δ0 , ni de relier les déformations des capteurs aux
types de déformations que subit la poutre.
Dans la suite de ce manuscrit, grâce à la théorie des poutres, une étude de la déformation
d’une section sera menée pour obtenir une expression plus complète du système, et ainsi
identifier comment extraire des informations supplémentaires pour améliorer la reconstruc-
tion.
CHAPITRE 11
RECONSTRUCTION SIMPLE
Ce chapitre traite de la reconstruction globale de la déformée de l’aiguille à partir des in-

formations locales données par les triplets de capteurs. Au repos, en dehors de tout tissus,
l’aiguille a une forme droite et peut être représentée par un segment. Au cours de l’in-
tervention médicale, lorsque celle-ci est insérée dans des tissus, elle est susceptible de se
déformer, en particulier du fait des interactions (biseau) avec les tissus. On aborde ici la
manière dont on peut reconstruire la forme 3D de cette aiguille déformée à partir des don-
nées locales recueillies grâce aux capteurs de déformations embarquées dans l’aiguille et
introduits précédemment. On se fixe comme objectif d’utiliser les informations des cap-
teurs de façon à obtenir une reconstruction la plus précise possible. Cette partie présente
une méthode de reconstruction 3D de la forme de d’aiguille à partir des informations des
capteurs de déformation situés sur celle-ci. Dans la première partie de ce chapitre les hy-
pothèses physiques utilisées pour l’établissement du système différentiel nécessaire à la
reconstruction 3D de la déformée de l’aiguille sont présentées. La seconde partie de ce
chapitre est consacrée à la résolution de ce système.

On s’intéresse ici au problème de reconstruction de la déformée d’une structure tel qu’une
aiguille, un endoscope, un bras robotique... (toute structure assimilable à une poutre) à par-
tir des données des capteurs de déformation embarqués. Ce problème est un problème de
plus en plus abordé au fur et à mesure que les technologies tel que les réseaux de Bragg se
développent. On a donc une littérature particulièrement abondantes ces dernières années.
Les nombreux articles qui seront référencés dans cette partie présentent les similarités sui-
vantes :
• La disposition des capteurs de déformations sur la structure est identique, à savoir
trois capteurs par section avec un angle de 120 degrés entre eux.
• Les données de tous les capteurs d’une section sont utilisées pour obtenir la courbure
58 Chapitre 11. Reconstruction simple
et l’angle de flexion du dispositif au niveau de la section, l’ensemble de ces éléments

ont été décrits préalablement dans le chapitre 10.
La méthode de reconstruction présentée dans chaque article traite donc du passage de ces
couples (courbure+angle de déformation), un par section où les capteurs sont présents, à la
déformée globale du dispositif.
Les méthodes de reconstruction peuvent être classées selon différents critères, le principal
étant la dimension de reconstruction à savoir 2D ou 3D. En reconstruction 2D, on sup-
pose que la déformée peut être contenue dans un plan. Dans ce cas, la reconstruction fait
appel à des calculs plus simples et moins nombreux. Néanmoins, des hypothèses peuvent
s’avérer restrictives dans certains cas. En reconstruction 3D, on suppose directement que la
déformée est une courbe gauche. La recontruction s’avère alors plus ardue mais la défor-
mée est alors plus précise qu’en 2D. Le choix de la dimension de la reconstruction dépend
des hypothèses de déformations utilisées et de la précision à atteindre. En ce qui nous
concerne, pour être le plus complet et précis possible, nous investiguerons dans la suite de
ce manuscrit la reconstruction de déformées en 3D. En attendant, les différents méthodes
de reconstruction 2D et 3D rapportées dans la littérature sont décrites. Une fois le choix de
dimension fait, différents méthodes de reconstruction sont alors possibles dans chacun des
cas.
11.1.1 Méthodes 2D
11.1.1.1 Théorie de Euler-Bernoulli 2D
Certaines méthodes de reconstruction 2D utilisent sur théorie des poutres 2D d’Euler-
Bernoulli [AKM13, HGDD12, PED+ 10] qui est construite sur les deux hypothèses sui-
vantes :
• petites déformations : on fait l’hypothèse que les déformations de l’aiguille peuvent
être considérées comme petites sur toute la longueur de la poutre
• petits déplacements : on considère que le déplacement de l’extrémité de la poutre est
petit par rapport à la longueur total de celle-ci (environ moins de 10 %).
On note (x(s), y(s)) les coordonnées de la poutre en paramétrage normal avec s ∈ [O, L], L
étant la longueur de la poutre. L’hypothèse des petits déplacements conduit à l’approxima-
tion suivante de l’abscisse de la poutre :
x(s) = s
L’hypothèse des petites déformations conduit à l’approximation suivante sur la courbure

de la poutre :
y00
κ= 3 ≈ y00
(1 + y02 ) 2
La courbure κ est ainsi assimilée à la dérivée seconde y00 . On obtient alors la fonction
abscisse y par intégration double de la courbure κ.
Z s Z s
y(s) = y00 (t)dt ≈ κ(t)dt
0 0
La forme de la poutre (x(s), y(s)) est donc connu pour s ∈ [O, L]. On peut alors effectuer
une rotation de ce plan dans l’espace pour orienter la déformée de façon appropriée.
On recontre parfois des méthodes 2x2D [SGA+ 13] dans laquelle la résolution précédente
est faite pour deux plans orthogonaux à partir des données de courbure κxy et κxz , les cour-
bures dans le plan (x0y) et (x0z). On a alors :
Z s Z s
y(s) = 00
y (t)dt ≈ κxy (t)dt
Z0 s Z 0s
z(s) = z00 (t)dt ≈ κxz (t)dt
0 0
On obtient alors la forme de la déformée (x(s), y(s), z(s)) pour s ∈ [O, L].
11.1.1.2 Repère de Frenet 2D

Certaines méthodes de reconstruction 2D se basent sur le repère de Frenet 2D [RJM13,
LFP+ 15, FMG+ 16]. Le repère de Frenet est un repére mobile associé à une courbe consti-
tué des vecteurs tangent T et normal N à la courbe. On suppose que ces vecteurs sont
paramétrés normalement, les formules de dérivations de T et N font alors intervenir la
fonction courbure κ :
0
T 0 κ T

= (11.1)
N −κ 0 N
On peut alors résoudre le système 11.1 de façon exacte. On obtient alors l’expression de T
suivante :
Z s
T(s) = κ(u)du + T(s)0
0
où T(s)0 est la tangente initiale.
L’intégration du vecteur tangent permet alors d’obtenir la déformée de la poutre.
11.1.1.3 Bilan méthodes 2D

On constate que la méthode 2D basé sur le repère de Frenet utilise moins d’hypothèses res-
trictives que la méthode basée sur la théorie d’Euler-Bernoulli et est donc potentiellement
plus précise. Néanmoins, dans le cas de déformations d’aiguilles, les déformations et dé-
placements étant très faibles, elles donnent des résultats équivalents. De plus, on s’aperçoit
que la méthode basée sur la théorie d’Euler-Bernoulli est souvent préférée car elle établit
un lien avec la physique et permet d’autres traitements de la poutre, tel que l’application de
cas de charges etc... En terme physique, le choix de considérer une déformée contenue dans
un plan est lié à l’hypothèse de négliger la torsion mécanique. Les méthodes de reconstruc-
tion 2D ne tienne donc compte uniquement que du phénomène de flexion. Cette hypothèse
peut-être prise en défaut dans certains cas, de nombreux articles traitant du phénomène de
torsion des aiguilles lors d’insertions (Voir la partie Hypothèses de déformations).
11.1.2 Méthodes 3D
11.1.2.1 Repère de Frenet 3D
Certaines méthodes de reconstruction 3D se basent sur le repère de Frenet 3D [MR12,

LPWW13, MJK+ 15, MJK+ 14, WZC+ 16, YQS+ 07]. Ce repère mobile est composé des
vecteurs T, N, B dont les formules de dérivation font intervenir la courbure κ et la torsion
mathématique τ :
0 
T 0 κ 0 T
  
 N  =  −κ 0 τ   N  (11.2)
B 0 −τ 0 B
La courbure est obtenue directement à partir des données des jauges, la torsion quant à elle
et obtenue par dérivation de la fonction angle d’orientation :
τ = θ0
On peut alors résoudre le système 11.2 pour obtenir les vecteurs T, N, B et obtenir la défor-
mée par intégration du vecteur tangent.
Certain articles ne proposent pas ou ne décrivent pas la méthode de résolution employée
pour résoudre le système 11.2 [MR12, LPWW13, MJK+ 15, MJK+ 14]. Le système 11.2
est un système matriciel de la forme :
X(s)0 = A(s)X(s)
La résolution exacte d’un tel système est complexe et sa solution exacte fait intervenir une
série infinie de termes appelée Série de Magnus. Certains articles propose alors une mé-
thode de résolution approchée par pas du système 11.2 [WZC+ 16, YQS+ 07]. Le principe
de cette méthode consiste, pour chaque pas, à effectuer une double rotation du repère de
Frenet. On constate néanmoins que les rotations effectuées à chaque pas diffèrent entre les
articles de Wang [WZC+ 16] et de Yi [YQS+ 07].
11.1.2.2 Repère matériel
Certaines méthodes de reconstruction 3D permettent d’obtenir la déformée de la poutre

en reconstruisant directement son repère matériel, sans passer par le repère de Frenet,
purement géométrique et lié uniquement à la fibre neutre et qui n’a aucune signification
11.2. Hypothèses et système physique 61
physique. Ces méthodes de reconstruction cherche alors à reconstruire un repère mobile

matériellement lié à la poutre. Le but est, le repère matériel une fois obtenue, d’obtenir la
déformée par intégration du vecteur tangent. Le repère matériel est reconstruit de façon
itérative. Ainsi le repère matériel à l’étape n + 1 noté Mn+1 est reconstruit par rotation de
Mn le repère matériel à l’étape n. Le nombre de rotation diffèrent selon les méthodes : il
peut être de un [RKvdDM14], deux [? TSD13] ou trois [RM16].
11.1.2.3 Bilan méthodes 3D
Les méthodes 3D font l’hypothèse que la torsion mécanique de l’aiguille durant la défor-
mation est négligeable par rapport à la flexion et donc qu’on peut la supposer nulle. Malgré
les conséquences importantes de cette hypothèse, cette dernière est souvent faite implici-
tement, car nécessaire pour obtenir la valeur d’angle d’orientation à partir des capteurs. La
principale différence entre les méthodes décrites précédemment concerne le type de repère
sur lequel on travaille, à savoir mathématique dans le cas du repère de Frenet, ou physique
dans le cas du repère matériel.
• Dans les méthodes utilisant le repère de Frenet, la torsion mathématique est obte-
nue par dérivation de l’angle d’orientation. Sachant que l’angle d’orientation est re-
construit par interpolation, sa dérivation peut entrainer des erreurs d’approximation
importante.
• Dans le cas du repère matériel, on peut regretter le manque d’approche mathématique
qui fait que différentes méthodes coexistent et que les hypothèses physiques faites le
soient implicitement.
11.1.3 Bilan méthodes de reconstruction

Ainsi aucune méthode, que ce soit 2D ou 3D, ne semble faire consensus. Nous allons donc
dans la suite de chapitre développer notre propre méthode de reconstruction en 3D, le but
étant :
• de définir clairement les hypothèses physiques utilisées,
• de pouvoir réaliser l’interprétation physique de notre méthode : on conduira pour
cela l’analyse de la déformation avec la théorie des poutres,
• de définir la précision de résolution de notre méthode.
11.2 Hypothèses et système physique

11.2.1 Informations apportées par les triplets de capteurs
On suppose que la déformée de l’aiguille est paramétrée par l’abscisse curviligne, s ∈ [0, L]
où L est la longueur de l’aiguille. Soit n le nombre de triplets de capteurs sur l’aiguille.
Soit (si )i=1,..,n l’ensemble des positions des triplets de capteurs de l’aiguille tel que le ime
triplet soit situé en si . Ainsi, les ensembles des courbures locales (κi )i=1,..,n et des angles
d’orientations locaux (θi )i=1,..,n obtenus par les capteurs de déformations constituent des
discrétisations des fonctions globales de courbure κ et d’angle d’orientation θ définies sur

[0, L]. Les fonctions globales de courbure et d’angle d’orientation sont ainsi estimées par
interpolation à partir des données (κi )i=1,..,n et (θi )i=1,..,n . On note κest et θest les fonctions
résultant de l’interpolation et définies comme suit :
κest : [0, L] → R+ θest : [0, L] → R

∀i ∈ J1, nK, κest (si ) = κi ∀i ∈ J1, nK, θest (si ) = θi
11.2.2 Modélisation de la poutre non déformée

On considère l’aiguille comme une poutre cylindrique à l’état initial de section constante
de rayon r0 et de longueur L. On note r la fonction paramétrée normalement sur [0, L] de
telle sorte que, pour chaque s ∈ [0, L], r(s) est la position de la fibre neutre à la longueur s.
On définit le repère mobile (t, n1 , n2 ) comme une base orthonormé direct avec t tangent à
la fibre neutre et les deux vecteurs n1 et n2 matériellement liés à la poutre, tel que {r(s) +
r0 ni (s), s ∈ [0, L]}i=1,2 est une génératrice de la poutre (figure 11.1). Ainsi (t, n1 , n2 ) est un
repère matériel de la poutre à l’état non déformé. Ainsi dans le cadre d’une poutre droite
à l’état initial on a :
t = e1 , n1 = e2 , n2 = e3
La position du ime triplet de capteur est si ∈ [0, L] et les capteurs sont placés sur la section
de tel sorte que le vecteur e2 (si ) soit dirigé vers le capteur C1,i comme illustré sur la figure
11.1.
e2
e1
C1,i
e3
e2 (si )
e3 (si )
r
C2,i C3,i
F IGURE 11.1. – Poutre et son repère mobile (e1 , e2 , e3 ) avant déformation.
11.2.3 Déformation de poutre et système différentiel associé

Quand la poutre se déforme, la notation de la fibre neutre r(s) change en R(s). De la même
façon le repère mobile (t, n1 , n2 ) change en (T, N1 , N2 ) comme illustré dans la figure 11.2.
N1 T
N2 C1,i
N1 (si )
θ
N2 (si )
R C2,i N(si ) C3,i
F IGURE 11.2. – Poutre et son repère mobile (T, N1 , N2 ) après déformation.
Soit (e1 , e2 , e3 ) la base canonique orthonormé de R3 . Le repère (T(s), N1 (s), N2 (s)) est un
repère orthonormal orienté pour tout s ∈ [0, L]. Il existe donc une transformation orthogo-
nale Q(s) ∈ SO(3) défini sur [0, L] tel que :
∀s ∈ [0, L], Q(s) ∈ SO(3) (11.3)

∀s ∈ [0, L], T(s) = Q(s)e1 , N1 (s) = Q(s)e2 , N2 (s) = Q(s)e3 (11.4)
avec SO(3) le groupe des rotations en dimension 3 :
SO(3) = M ∈ M3,3 (R)/MT M = MMT = I3 , det(M) = 1 (11.5)

Par différentiation, on obtient les relations suivantes (voir 19.2) :
∀s ∈ [0, L], T0 (s) = Ω(s)T(s) (11.6)

N1 (s) = Ω(s)N1 (s)
0
(11.7)
N2 0 (s) = Ω(s)N2 (s) (11.8)
avec ∀s ∈ [0, L], Ω(s) = Q(s)QT (s)

On a donc le système différentiel sur [0, L] suivant :
0
T T
  
 N1  = Ω  N1  (11.9)
N2 N2
Le tenseur Ω est anti-symétrique (voir 19.3). Il existe donc ωt , ω1 et ω2 , composantes de

Ω dans la base (T, N1 , N2 ), tels que :
ωt : [0, L] → R, ω1 : [0, L] → R, ω2 : [0, L] → R (11.10)

0 ω1 (s) ω2 (s)
 
∀s ∈ [0, L], Ω(s) =  −ω1 (s) 0 ωt (s)  (11.11)

−ω2 (s) −ωt (s) 0
Ce qui donne le système :

0 
T 0 ω1 ω2 T
  
 N1  =  −ω1 0 ωt   N1  (11.12)
N2 −ω2 −ωt 0 N2
D’après la théorie des poutres 3D de Reissner, dans le cas d’une poutre droite à l’état
non-déformé, on a une relation entre les composantes de Ω et le moment de déformation
linéique interne virtuelle κ :
ωt =κt (11.13)
ω1 =κ1 (11.14)
ω2 =κ2 (11.15)
On a donc :
0
 
κ1 κ2
Ω =  −κ1 0 κt 
−κ2 −κt 0
Ce qui donne le système différentiel suivant :
0 
T 0 T
  
κ1 κ2
 N1  =  −κ1 0 κt   N1  (11.16)
N2 −κ2 −κt 0 N2
La résolution du système 11.16 permettra de reconstruire la déformée de la poutre. La
résolution de ce système est conditionnée à la connaissance de κt , κ1 et κ2 . On va obtenir
ces expressions en exprimant le repère mobile (T, N1 , N2 ) à partir du repère de Frenet
(T, N, B).
On fait l’hypothèse que la fonction R00 ne s’annule pas sur [0, L]. Les résultats qui suivent
s’étendent au cas où cette hypothèse n’est pas satisfaite. Néanmoins on utilise cette hypo-
thèse dans le cadre de l’étude car elle est permet de s’assurer de l’existence du repère de
Frenet. Dans le cas où elle n’est pas satisfaite on peut prolonger le repère de Frenet sur
les parties où R00 s’annule. On a donc le repère (T, N, B) défini sur [0, L]. Les fonctions
géométriques courbure et torsion κ et τ sont également définis sur [0, L] et sont présentes
dans le système différentiel régissant l’évolution du repère de Frenet :
0 
T 0 κ 0 T
  
 N  =  −κ 0 τ   N  (11.17)
B 0 −τ 0 B
Le repère mobile (T, N1 , N2 ) et le repère de Frenet (T, N, B) ont en commun le vecteur T.
On déduit de ceci qu’on peut passer de l’un à l’autre par rotation autour de l’axe T. Ainsi
la rotation qui permet de passer de l’un à l’autre est la rotation d’axe T et dont l’angle de
rotation est l’angle par lequel la rotation transforme le vecteur N en N1 et B en N2 . Comme
N est inclus dans le plan osculateur et N1 est dirigé vers le capteur 1 (voir figure 11.2),
l’angle de rotation entre les deux repères n’est autre que l’angle d’orientation θ . On a donc
la relation suivante :
T T
   
 N1  = RotT (−θ )  N  (11.18)
N2 B
On va différencier cette relation :
0  0
T T
 
 N1  = RotT (−θ )  N 
N2 B
0
1 0 0 T
 
=  0 cos(θ ) sin(θ )   N 
0 −sin(θ ) cos(θ ) B
0
0 0 0 T 1 0 0 T
    
= θ 0  0 −sin(θ ) cos(θ )   N  +  0 cos(θ ) sin(θ )   N 

0 −cos(θ ) −sin(θ ) B 0 −sin(θ ) cos(θ ) B
0 0 0 1 0 0 0 κ 0 T
       
= θ 0  0 −sin(θ ) cos(θ )  +  0 cos(θ ) sin(θ )   −κ 0 τ   N 

0 −cos(θ ) −sin(θ ) 0 −sin(θ ) cos(θ ) 0 −τ 0 B
0 κ 0 1 0 0 T
   
= −κcos(θ ) −(θ + τ)sin(θ ) (θ + τ)cos(θ )

 0 0   0 cos(θ ) −sin(θ )   N1 
κsin(θ ) −(θ 0 + τ)cos(θ ) (θ 0 + τ)sin(θ ) 0 sin(θ ) cos(θ ) N2
0 κcos(θ ) −κsin(θ ) T
  
0
= −κcos(θ )
 0 (θ + τ)   N1 
0
κsin(θ ) −(θ + τ) 0 N2
On a donc :
0 
T 0 κcos(θ ) −κsin(θ ) T
  
0
 N1  =  −κcos(θ ) 0 (θ + τ)   N1  (11.19)
0
N2 κsin(θ ) −(θ + τ) 0 N2
Par identification des paramètres des systèmes 11.16 et 11.19 on a alors :

κt =θ 0 + τ (11.20)
κ1 =κ cos θ (11.21)
κ2 = − κ sin θ (11.22)
La courbure κ et l’angle d’orientation θ sont connus par leur approximation κest et θest ,
donc par les équations 11.21 et 11.22 κ1 et κ2 sont des fonctions connues de s. L’équation
11.20 fait apparaître le lien entre la torsion mécanique κt et la torsion mathématique τ. Ces
deux fonctions restent inconnues.
On a ainsi l’expression de Ω suivante :
0 κcos(θ ) −κsin(θ )
 
Ω =  −κcos(θ ) 0 κt  (11.23)
κsin(θ ) −κt 0
On ne peut pas déterminer complètement le tenseur Ω car les composantes Ω2,3 et Ω3,2 de
Ω sont inconnues.
On a les relations suivantes :
Ω2,3 = N1 0 .N2
Ω3,2 = N2 0 .N1
Il y a donc une incertitude sur les composantes des dérivées d’un vecteurs orthogonal au
vecteur tangent sur l’autre vecteur orthogonal, c’est à dire la façon dont tourne le repère
(T, N1 , N2 ) autour de son axe tangent. On va donc avoir besoin d’une hypothèse simplifi-
catrice.
Lors de l’insertion l’aiguille se déforme à cause de l’interaction entre l’aiguille et les tis-
sus. Il en découle certains types de déformation physique parmi lesquelles la flexion et
la torsion, dont les grandeurs de déformations régissent le système différentiel 11.16. On
a vu dans le chapitre préliminaires concernant les types de déformation que l’ordre des
grandeurs de déformations liés à la flexion était bien supérieur à celui correspondant à la
torsion. On peut donc supposer que le phénomène de torsion est négligeable par rapport au
phénomène de flexion. On va donc faire l’hypothèse simplificatrice suivante :
Hypothèse 1. La torsion mécanique de l’aiguille est nulle.
Par conséquent la grandeur de déformation lié au phénomène de torsion est nulle :
κt = 0
On obtient donc l’expression simplifiée du tenseur Ω suivante :
0 cos(θ ) −sin(θ )
 
Ω = κ  −cos(θ ) 0 0  (11.24)
sin(θ ) 0 0
11.3. Résolution du système physique 67
Finalement on obtient l’estimation de Ω notée Ωest avec les estimations de fonctions κest et
θest :
0 cos θest − sin θest

 
Ωest = κest − cos θest

 0 0  (11.25)
sin θest 0 0
Ce qui donne le système différentiel suivant :
0
T 0 cos θest − sin θest T
   
 N1  = κest  − cos θest 0 0   N1  (11.26)
N2 sin θest 0 0 N2
11.2.4 Synthèse
• Par une approche combinant référentiel de Frenet et référentiel mobile de paramétri-
sation de l’aiguille et sous l’hypothèse simplificatrice d’une torsion mécanique nulle
de l’aiguille, nous avons défini l’équation différentielle qui régit le déplacement de
ce repère mobile le long de la déformée de l’aiguille.
• Au cours de cette démonstration, nous avons également explicité le lien entre les
torsions mathématique et mécanique de la poutre.
11.3 Résolution du système physique

Cette partie présente la reconstruction de la courbe 3D de la fibre neutre à partir des esti-
mations de courbure et d’angle κest et θest .
Premièrement on définit les coordonnées de la base (T, N1 , N2 ) dans (e1 , e2 , e3 ) la base
canonique de R3 (notée avec la convention d’Einstein) :
T =Ti ei (11.27)
N1 =N1i ei (11.28)
N2 =N2i ei (11.29)
De cette manière, le système 11.26 peut-être réécrit sous la forme d’un système différentiel
matricielle :
Y0 (s) = Ω(s)Y(s) (11.30)

Y(0) = Y0
avec Y la matrice contenant les coordonnées de (T, N1 , N2 ) :
T1 (s) T2 (s) T3 (s)

 
Y(s) =  N11 (s) N12 (s) N13 (s)  (11.31)

N21 (s) N22 (s) N23 (s)
La condition initiale Y0 contient les coordonnées de (T, N1 , N2 ) pour un point de référence

de la poutre, ici l’une de ces extrémités.
La résolution du système se fera à l’aide de la théorie des groupes et des algèbres de Lie.
On utilisera pour cela les groupes de Lie matriciels, qui sont des sous-groupes de GL. Les
groupes O(3) et SO(3) sont des exemples de groupes de Lie matriciels.
Soit X un élément du groupe de Lie G. On définit l’espace tangent Te G comme l’espace
vectoriel dont les éléments sont les vecteurs tangent à e :
Te G = {(dX)e , X ∈ G}
Soit un groupe de Lie donné, son algèbre de Lie est l’espace tangent à l’identité, ainsi
l’algèbre de Lie de SO(3) est TI SO(3), noté so(3). On peut montrer que so(3) est le groupe
de des matrices anti-symètriques M3,3 (R) [Hal15] :
so(3) = M ∈ M3,3 (R), MT = −M

Le tenseur Ω étant anti-symétrique, Ω(s) ∈ so(3) pour tout s ∈ [0, L].
Propriété. Soit un groupe de Lie matricielle G et son algèbre de Lie g alors l’espace
tangent de G à Y ∈ G est l’ensemble :
TY G = {AY, A ∈ g}
Soit Y un élément du groupe de Lie matricielle SO(3), comme Ω est un élément de son
algèbre de Lie so(3) on a alors ΩY ∈ TY G.
Définition. Soit M ⊂ Rn une sous-variété. Un champ vectoriel sur M est une application
C1 f : M → Rn tel que f (y) ∈ Ty M pour tout y ∈ M. Alors y0 = f (y) est une équation
différentielle sur la sous-variété M.
Ainsi eq.11.30 est une équation différentielle sur le groupe de Lie SO(3).
Théorème. Soit une équation différentielle y0 = f (y) sur la sous-variété M ⊂ Rn avec

un champ de vecteur C1 f : M → Rn . Ainsi pour tout y0 ∈ M il existe un interval ouvert
maximal I = I(y0 ) et une fonction C2 y : I → M tel que y(t) est l’unique solution de y0 = f (y)
sur I avec la condition initiale y(0) = y0 .
Ainsi l’existence et l’unicité de Y, solution de eq.11.30 sur un interval I, est assurée.
Théorème. Soit G un groupe de Lie matricielle et g son algèbre de Lie. Si A(Y ) ∈ g pour
tout Y ∈ G et si Y0 ∈ G, alors la solution de Y 0 = A(Y ) satisfait Y (t) ∈ G pour tout t.
Ainsi Y(s) ∈ SO(3) pour tout s ∈ I.
La résolution d’une équation différentielle sur une variété peut être effectuée de façon clas-
sique, sans considérer ses propriétés algébriques, en utilisant une méthode de résolution
11.3. Résolution du système physique 69
des équations différentielles standard. Néanmoins, la solution approchée résultante n’ap-

partiendra nécessairement pas à la variété de cette équation. Cela peut perturber l’interpré-
tation physique de la solution et son traitement ultérieur.
Concernant l’équation (11.30), les conséquences seraient une perte d’orthogonalité de (T, N1 , N2 )
entrainant une reconstruction incorrecte de l’aiguille.
Les principales méthodes de résolution qui conservent les propriétés d’appartenance de la

solution à une variété peuvent être classées dans deux catégories :
• Les méthodes qui utilisent la projection pour s’assurer de l’appartenance de la so-
lution à la variété. Chaque étape de résolution de ces méthodes est composée d’une
intégration sur un certain pas et dont la solution approchée est ensuite projetée sur la
variété.
• Les méthodes dont les étapes de résolution donne directement une solution apparte-
nant à la variété.
On utilise dans la suite de cette partie une méthode appelée Approche à Coordonnées Lo-
cales [HWL06], qui appartient à la deuxième catégorie de méthodes, et qu’on applique
sur le groupe de Lie SO(3). On note [sn , sn+1 ] l’intervalle de résolution avec sn+1 = sn + h,
h étant le pas de la méthode. Les approximations de Y(sn ) et Y(sn+1 ) sont notées Yn et
Yn+1 . Cette méthode se base sur la solution analytique de l’équation 11.30 développé par
Magnus [Mag54] :
Y(s) = exp(Θ(s))Y0 (11.32)
la fonction Θ s’appelle série de Magnus et est définie par :
Z s
Θ(s) = Ω(s1 )ds1 (11.33)
0
1 s s1
Z Z
+ [Ω(s1 ), Ω(s2 )] ds1 ds2
2 0 0
Z s Z s1 Z s2
1
+ [Ω(s1 ), [Ω(s2 ), Ω(s3 )]] +
6 0 0 0
[Ω(s3 ), [Ω(s2 ), Ω(s1 )]] ds1 ds2 ds3
+ ...
L’itération qui permet d’obtenir Yn+1 à partir de Yn se fait par la formule suivante :
Yn+1 = exp(Θtn ,h )Yn (11.34)
avec :
Z tn +h
Θtn ,h = Ω(s1 )ds1 (11.35)
tn
1 tn +h s1
Z Z
+ [Ω(s1 ), Ω(s2 )] ds1 ds2
2 tn tn
1 tn +h s1 s2
Z Z Z
+ [Ω(s1 ), [Ω(s2 ), Ω(s3 )]] +
6 tn tn tn
[Ω(s3 ), [Ω(s2 ), Ω(s1 )]] ds1 ds2 ds3
+ ...
La troncature et l’approximation de la série par la méthode de quadrature de Gauss-Legendre

donne l’approximation suivante d’ordre 4 :
√ 2
h 3h
Θtn ,h = (Ω1 + Ω2 ) − [Ω1 , Ω2 ] (11.36)
2 12
avec :
√ √
1 3 1 3
Ω1 = Ω(tn + ( − )h), Ω2 = Ω(tn + ( + )h) (11.37)
2 6 2 6
Comme Ω(s) ∈ so(3) pour tout s ∈ [0, L] alors Θtn ,h appartient aussi à so(3), ainsi par
composition avec l’exponentiel et par produit la solution, Yn+1 appartient à SO(3) comme
souhaité. Ainsi la résolution de 11.30 sur la discrétisation (si )i=1,..,n donne (Yi )i=1,..,n qui
contient les coordonnées de Ti l’approximation de T(si ). On a donc l’ensemble des ap-
proximations de la tangente (Ti )i=1,..,n .
11.4 Reconstruction de la déformée

On rappelle la formule exprimant la dérivée de la déformée de la poutre R0 à partir du
repère mobile (T, N1 , N2 ) et de la déformation de la force linéique γ :
R0 = (1 + γt )T + γ1 N1 + γ2 N2 (11.38)
On suppose que pendant l’insertion de l’aiguille, les phénomènes de cisaillement et de
traction-compression sont assez faibles pour être négligés.
Hypothèse 2. Le cisaillement et la traction-compression de l’aiguille sont nuls.
On a ainsi :
γt = γ1 = γ2 = 0
Donc l’équation 11.38 se simplifie en :
11.4. Reconstruction de la déformée 71
R0 = T (11.39)
On définit Ri comme l’approximation de R(si ) par la relation suivante :
R0 = R(0) (11.40)
Ri+1 = Ri + hTi
Finalement l’ensemble (Ri )i=1,..,n est la reconstruction tridimensionelle de la forme de l’ai-

guille déformé.
CHAPITRE 12
CAPTEURS DE DÉFORMATION AVANCÉS
12.1 Introduction
La partie concernant les capteurs présente un état de l’art sur l’utilisation des données des
capteurs pour obtenir des informations géométriques locales de l’aiguille : la courbure et
l’angle d’orientation liés au phénomène de flexion. En plus de ces deux informations, un
paramètre supplémentaire, notée δ0 , dit de biais est accessible. Peu d’informations sont
présentes dans la littérature concernant ce paramètre et son interprétation. Il est seulement
suggéré que cette valeur serait liée aux phénomènes de déformations autre que la flexion.
Cette partie investigue la question suivante : "Que contient la valeur δ0 ?"
Cette question est loin d’être désintéressée. En effet, en établissant le lien entre δ0 et les
différents phénomènes de déformation, on pourrait potentiellement être en mesure d’ex-
ploiter sa valeur dans le processus de reconstruction. L’utilisation de cette information sup-
plémentaire pourrait ainsi contribuer à améliorer la précision de façon non négligeable. De
plus, le nombre de capteurs sur l’aiguille étant fortement restreint à cause des contraintes
techniques, toute information permettant potentiellement d’améliorer le processus de re-
construction est à considérer avec attention.
12.2 Déformation d’un capteur

Nous allons donc étudier dans cette partie la déformation physique d’un capteur en la re-
liant aux phénomènes de déformation de l’aiguille grâce à la théorie des poutres de Reiss-
ner introduite précédemment. On introduira soigneusement les différentes hypothèses phy-
siques qui seront utilisées lors de l’étude, le but étant d’obtenir la caractérisation la plus
précise possible.
Dans la suite, nous considérons un capteur de longueur infinitésimal ds. On note m la
position du capteur à l’état initial et M à l’état déformé. A l’état initial, le capteur est donc
74 Chapitre 12. Capteurs de déformation avancés
−−−−−−−→
représenté par un segment m(s1 )m(s2 ) (figure 12.1a) et à l’état déformé par un segment
−−−−−−−−→
M(s1 )M(s2 ) (figure 12.1b).
(a) Poutre et capteur de déforma- (b) Poutre et capteur de déforma-

tion à l’état initial tion à l’état déformé
F IGURE 12.1. – Vue 2D de la déformation d’une poutre avec capteurs parallèles.
Les coordonnées de m(s1 ), m(s2 ), M(s1 ) et M(s2 ) sont les suivantes :

−−−−−−→
m(s1 ) : r(s1 ) + r(s1 )m(s1 )
−−−−−−→
m(s2 ) : r(s2 ) + r(s2 )m(s2 )
−−−−−−−→
M(s1 ) : R(s1 ) + R(s1 )M(s1 )
−−−−−−−→
M(s2 ) : R(s2 ) + R(s2 )M(s2 )
On note ε(s1 ) la déformation du capteur à l’état déformé en s1 , qui selon la définition est :
−−−−−−−−→ −−−−−−−→
M(s1 )M(s2 ) − m(s1 )m(s2 )

ε(s1 ) = −−−−−−−→ (12.1)
m(s1 )m(s2 )

Et on peut exprimer les segments des capteurs avec les relations suivantes :
−−−−−−−→ −−−−−−→ −−−−−−→
m(s1 )m(s2 ) = r(s2 ) − r(s1 ) + r(s2 )m(s2 ) − r(s1 )m(s1 )

−−−−−−−−→ −−−−−−−→ −−−−−−−→
M(s )M(s ) = R(s ) − R(s ) + R(s2 )M(s2 ) − R(s1 )M(s1 )

1 2 2 1
Dans la suite de ce chapitre on va calculer la déformation ε pour différents positionnements

des capteurs de déformation d’une section de poutre.
12.2.1 Capteur parallèle à la fibre neutre

12.2.1.1 Disposition des capteurs
On dispose les capteurs de déformation dans le sens de la poutre, parallèlement à la fibre
neutre. Cette disposition est celle qui figure dans la litterature et qui a été traitée dans
12.2. Déformation d’un capteur 75
la partie précédente relative aux capteurs. On assimile le capteur a un segment de lon-

gueur ds parallèle à la poutre. A l’état initial le capteur est donc représenté par un segment
−−−−−−−−−→ −−−−−−−−−−→
m(s)m(s + ds) (figure 12.2a et ??) et à l’état déformé par un segment M(s)M(s + ds) (fi-
gure 12.2b).
m(s + ds) M(s + ds)

M(s)
m(s) ×r(s + ds) ×R(s + ds)
×r(s) ×R(s)
(a) Poutre et capteur de déformation (b) Poutre et capteur de déformation à l’état dé-
à l’état initial. formé.
F IGURE 12.2. – Vue 3D de la déformation d’une poutre avec capteurs parallèles.
m(s)
n1 (s)
F IGURE 12.3. – Section d’une poutre avec capteur de déformation.
12.2.1.2 Système
Nous allons calculer la déformation du capteur situé à la position s donnée par la formule :
−−−−−−−−−−→ −−−−−−−−−→
M(s)M(s + ds) − m(s)m(s + ds)

ε(s) = −−−−−−−−−→ (12.2)
m(s)m(s + ds)

La longueur du capteur au repos étant ds on a :

−−−−−−−−−→
m(s)m(s + ds) = ds

On exprime les positions M(s) et M(s + ds) liées au capteur à l’état déformé à partir des
repères mobiles de la théorie des poutres de Reissner (t, n1 , n2 ) et (T, N1 , N2 ) :
−−−−−−→
R(s)M(s) =r0 rotT(s),α (N1 (s))
−−−−−−−−−−−−−→
R(s + ds)M(s + ds) =r0 rotT(s+ds),α (N1 (s + ds))
Pour pouvoir calculer les expressions du capteurs à l’état déformé, on va utiliser la formule
de Rodrigues :
Formule de rotation de Rodrigues : Soit v un vecteur de R3 et k un vecteur unitaire de
R3 décrivant un axe de rotation autour duquel v subit une rotation d’angle φ . Le vecteur
résultant de la rotation vrot est alors :
vrot = v cos(φ ) + (k ∧ v) sin(φ ) + k(k.v)(1 − cos(φ ))

Par la formule de Rodrigues on obtient alors :
rotT(s),α (N1 (s)) =cos(α)N1 (s) + sin(α)N2 (s)

rotT(s+ds),α (N1 (s + ds)) =cos(α)N1 (s + ds) + sin(α)N2 (s + ds)
−−−−−−−−−−→
Ainsi la longueur du capteur M(s)M(s + ds) à l’état déformé est :
−−−−−−−−−−→
M(s)M(s + ds)

= R0 (s)ds + r0 rotT(s+ds),α (N1 (s + ds)) − r0 rotT(s),α (N1 (s))

= kR0 (s)ds + r0 (cos(α)N1 (s + ds) + sin(α)N2 (s + ds)) − r0 (cos(α)N1 (s) + sin(α)N2 (s)))k
= R0 (s) + r0 cos(α)N1 0 (s) + r0 sin(α)N2 0 (s) ds

D’après la théorie de Reissner, l’expression de la dérivée de la déformée de la poutre est :
R0 (s) = (1 + γt (s))T(s) + γ1 (s)N1 (s) + γ2 (s)N2 (s)
On remplace l’expression de la dérivée de la déformée de la poutre dans la longueur du

capteur après déformation
−−−−−−−−−−→
M(s)M(s + ds)

= k(1 + γt (s))T(s) + γ1 (s)N1 (s) + γ2 (s)N2 (s)

+ r0 cos(α)(−κ1 (s)T(s) + κt (s)N2 (s)) + r0 sin(α)(−κ2 (s)T(s) − κt (s)N1 (s))kds
= k(1 + γt (s) − r0 (cos(α)κ1 (s) + sin(α)κ2 (s)))T(s)
+ (γ1 (s) − r0 sin(α)κt (s))N1 (s) + (γ2 (s) + r0 cos(α)κt (s))N2 (s)kds
D’après l’équation 12.2, on a alors l’expression de la déformation suivante :
ε(s, α) =k(1 + γt (s) − r0 (cos(α)κ1 (s) + sin(α)κ2 (s)))T(s)

+ (γ1 (s) − r0 sin(α)κt (s))N1 (s) + (γ2 (s) + r0 cos(α)κt (s))N2 (s)k − 1
q
= (1 + γt (s) − r0 (cos(α)κ1 (s) + sin(α)κ2 (s)))2 (12.3)
+(γ1 (s) − r0 sin(α)κt (s))2 + (γ2 (s) + r0 cos(α)κt (s))2 − 1
L’équation 12.3 présente l’expression de la déformation du capteur en fonction des gran-

deurs de déformations κ et γ. On remarque que les grandeurs de déformations sont cou-
plées deux à deux :
• la partie 1 + γt (s) − r0 (cos(α)κ1 (s) + sin(α)κ2 (s)) exprime le couplage entre les
phénomènes de traction-compression et de flexion
• les parties γ1 (s) − r0 sin(α)κt (s) et γ2 (s) + r0 cos(α)κt (s) expriment le couplage des
phénomènes de cisaillement et de torsion
On rappelle que les informations renvoyées par un capteur permettent de connaître sa dé-
formation ε. Ainsi, trois capteurs d’une même section située à la longueur s et positionnés
aux angles α1 , α2 et α3 renvoient les informations ε(s, α1 ), ε(s, α2 ) et ε(s, α3 ). Les incon-
nues sont alors les grandeurs de déformation γt (s), γ1 (s), γ2 (s), κt (s), κ1 (s) et κ2 (s). Il y a
donc 6 inconnues pour 3 données.
On observe que si (γt (s), γ1 (s), γ2 (s), κt (s), κ1 (s),κ2 (s)) est solution de l’équation 12.3,
alors (γt (s), −γ1 (s), −γ2 (s), −κt (s), κ1 (s),κ2 (s)) l’est aussi : on a une symétrie des solu-
tions. On en conclut qu’on ne peut donc pas déterminer les valeurs de κt (s), γ1 (s) et γ2 (s)
à partir de l’équation 12.3. L’interprétation physique qui en découle est que les valeurs de
torsion et de cisaillement d’une poutre déformée ne peuvent pas s’obtenir à partir de cap-
teurs de déformations parallèles à la fibre neutre (quelque soit leurs nombres..).
Nous allons faire l’hypothèse suivante :

Sous cet hypothèse on a alors :

γt = γ1 = γ2 = 0
L’équation 12.3 se simplifie alors :
q
ε(s, α) = (1 − r0 (cos(α)κ1 (s) + sin(α)κ2 (s)))2 + (r0 κt (s))2 − 1 (12.4)
Dans la partie précédente, les grandeurs de déformations κ1 et κ2 peuvent s’exprimer en

fonction de la courbure κ et de l’angle d’orientation θ :
κ1 (s) = κ(s) cos(θ (s)), κ2 (s) = −κ(s) sin(θ (s))

En utilisant ces expressions dans l’équation 12.3 on obtient alors :

q
ε(s, α) = (1 − r0 κ(s) cos(α + θ (s)))2 + (r0 κt (s))2 − 1 (12.5)
Et finalement on obtient :
q
(1 + ε(s, α))2 − (r0 κt (s))2 = 1 − r0 κ(s) cos(α + θ (s))
Cette équation relie l’angle de positionnement α et la déformation ε(s, α) de chaque cap-

teur à la courbure κ(s), l’angle d’orientation θ (s) et la torsion de la poutre κt (s).
On se place dans le cas étudié dans la littérature et présenté dans le chapitre 10, à savoir
trois capteurs positionnés sur une même section. On note (αi )i=1,2,3 leur angle de posi-
tionnement avec α1 = 0, α2 = − 2π 4π
3 , α3 = − 3 et (εi )i=1,2,3 leurs déformations. L’équation
12.2.1.2 permet alors de bâtir le système concernant le triplet de capteurs :
p
p(1 + ε1 ) − (r0 κt (s)) = 1 − r0 κ(s) cos(α1 + θ (s))

 2 2
(1 + ε2 )2 − (r0 κt (s))2 = 1 − r0 κ(s) cos(α2 + θ (s)) (12.6)


 (1 + ε )2 − (r κ (s))2 = 1 − r κ(s) cos(α + θ (s))
 p
3 0 t 0 3
On est donc en présence d’un système non-linéaire de trois équations à trois inconnues
(κ(s), θ (s) et κt (s)).
12.2.1.3 Résolution
La recherche de solutions du système 12.6 passe par la résolution d’une équation du qua-
trième degré. Il en résulte des solutions analytiques particulièrement compliquées. Cette
complexité s’explique en partie par la présence de racines carrées dans les membres gauches
des équations du système. Afin de simplifier ces expressions nous allons effectuer une li-
néarisation à l’aide de développement limités.
r
r0 κt (s) 2
q
(1 + ε) − (r0 κt (s)) = (1 + ε)2 (1 − (
2 2 ) )
1+ε
r
r0 κt (s) 2
=(1 + ε) 1 − ( )
1+ε
1 r0 κt (s) 2
=(1 + ε)(1 − ( ) + o(κt (s)2 ))
2 1+ε
(r0 κt (s))2
=1 + ε − + o(κt (s)2 )
2(1 + ε)
(r0 κt (s))2
=1 + ε − × (1 + o(1)) + o(κt (s)2 )
2
(r0 κt (s))2
=1 + ε − + o(κt (s)2 )
2
L’utilisation de cette expression dans le système 12.6 permet d’obtenir un nouveau système
simplifié :
(r κ (s))2

ε1 = −r0 κ(s) cos(α1 + θ (s)) + 0 2t

 + o(κt (s)2 )
2
ε2 = −r0 κ(s) cos(α2 + θ (s)) + (r0 κ2t (s)) + o(κt (s)2 ) (12.7)
 2
ε = −r κ(s) cos(α + θ (s)) + (r0 κt (s)) + o(κ (s)2 )

3 0 3 2 t
En comparant le système 12.7 avec le système 10.2 du chapitre 10 on peut alors en déduire
le terme de biais δ0 :
(r0 κt (s))2
δ0 = + o(κt (s)2 )
2
C’est à dire :
(r0 κt (s))2
δ0 ∼
2
Ainsi on en conclut sous l’hypothèse de traction-compression et cisaillement nul le terme
de biais δ0 introduit dans la littérature peut s’exprimer en fonction de la grandeur de défor-
mation relative à la torsion κt .
En utilisant l’expression de δ0 calculé dans le chapitre 10, on obtient alors un équivalent de
la norme de l’angle unitaire de torsion |κt | :
2(ε1 + ε2 + ε3 )
r
1
|κt (s)| ∼
r0 3
12.2.1.4 Conclusion
Le dispositif expérimental considéré est le même que celui abordé dans la littérature (même
nombre de capteurs et même disposition). Ainsi en gardant le même dispositif et en intro-
duisant une hypothèse supplémentaire nous avons réussi à obtenir une information supplé-
mentaire sur la déformation de l’aiguille : la valeur absolue de l’angle unitaire de torsion.
Cette valeur reflète l’amplitude de la torsion, c’est à dire s’il y a "beaucoup" de torsion ou
pas. Mais ne connaissant pas le signe, il n’est pas possible de savoir dans quel sens elle
s’applique, c’est à dire dans quel "sens" se tord l’aiguille.
Cette valeur dépend de la racine des déformations des capteurs, les erreurs de mesures sur
les déformations sont donc amplifiées. Il est donc nécessaire de connaître la précision des
mesures des capteurs pour pouvoir juger de la précision de l’amplitude de la torsion ainsi
mesurée.
12.2.2 Capteur sécant à la fibre neutre

On a montré dans la section précédente que le dispositif permettait d’obtenir la valeur abso-
lue de l’angle unitaire de torsion mais pas son signe (à cause de la symétrie des solutions).
Nous allons donc envisager un autre dispositif pour essayer d’obtenir cette fois la valeur
signée.
12.2.2.1 Disposition des capteurs
On change la disposition des capteurs de manière à ce qu’ils soient toujours placés dans le
sens de la poutre mais plus strictement parallèles à la fibre neutre, de façon à faire un angle
avec celle-ci (figure 12.4 et 12.5) (de manière à casser la symétrie des solutions présente
dans la configuration précédente). On note β l’angle entre le capteur et la fibre neutre. On
assimile le capteur a un segment de longueur ds parallèle à la poutre.
F IGURE 12.4. – Vue 2D de la déformation d’une poutre avec des capteurs sécants.
Les capteurs de déformations sont placés de façon à faire un angle β avec la fibre neutre
de la poutre.
m(s) m(s + ds)
α α + dα
n1 (s) n1 (s + ds)
(a) (b)
F IGURE 12.5. – Section d’une poutre avec capteur de déformation.

m(s + ds) M(s + ds)

M(s)
m(s) ×r(s + ds) ×R(s + ds)
×r(s) ×R(s)
(a) Poutre et capteur de déformation (b) Poutre et capteur de déformation à l’état dé-
à l’état initial. formé.
F IGURE 12.6. – Vue 3D de la déformation d’une poutre avec des capteurs sécants.
On calcule le lien entre dα et β :
−−−−−−−−−→ −−−−−−−−−→
m(s)m(s + ds).t(s) = m(s)m(s + ds) cos(β )

q
= ds2 + (−r0 sin(α)dα)2 + (r0 cos(α)dα)2 cos(β )
q
= ds2 + r02 sin2 (α)dα 2 + r02 cos2 (α)dα 2 cos(β )
q
= ds2 + r02 dα 2 cos(β )
s
dα 2

2 2
= ds 1 + r0 2 cos(β )
ds
s 2
dα
=ds 1 + r02 cos(β )
ds
et la longueur du capteur étant ds on a :
−−−−−−−−−→
m(s)m(s + ds).t(s) = ds
Par conséquent :
s 2
dα

1 + r02 cos(β ) = 1
ds
s
dα 2 1

⇒ 1 + r02 =
ds cos(β )
2
2 dα 1
⇒1 + r0 = 2
ds cos (β )
2
dα
⇒r02 = tan2 (β )
ds
2
dα tan(β ) 2

⇒ =
ds r0
dα tan(β )
⇒ =±
ds r0
tan(β )
⇒dα = ± ds
r0
Ainsi on vient d’exprimer la variation de l’angle de positionnement de l’extrémité du cap-

teur dα en fonction de l’angle d’incidence entre le capteur et la fibre neutre β . Le signe
dépend de la convention choisie pour mesurer l’angle β . On choisira dans la suite de ma-
nuscrit :
sin(β )
dα = ds
r0
12.2.2.2 Système
Nous allons calculer la déformation du capteur situé à la position s donnée par la formule :
−−−−−−−−−−−−−−−→ −−−−−−−−−−−−−−→
M(s)M(s + cos(β )ds) − m(s)m(s + cos(β )ds)

ε(s) = −−−−−−−−−−−−−−→ (12.8)
m(s)m(s + cos(β )ds)

La longueur du capteur au repos étant ds on a :

−−−−−−−−−−−−−−→
m(s)m(s + cos(β )ds) = ds

On exprime les positions M(s) et M(s + cos(β )) lié au capteur à l’état déformé à partir des
repères mobiles de la théorie des poutres de Reissner (t, n1 , n2 ) et (T, N1 , N2 ) :
−−−−−−→
R(s)M(s) =r0 rotT(s),α (N1 (s))
−−−−−−−−−−−−−−−−−−−−−−−→
R(s + cos(β )ds)M(s + cos(β )ds) =r0 rotT(s+cos(β )ds),α+dα (N1 (s + cos(β )ds))
Par la formule de Rodrigues on a :
rotT(s),α (N1 (s)) =cos(α)N1 (s) + sin(α)N2 (s)

rotT(s+cos(β )ds),α+dα (N1 (s + cos(β )ds)) =cos(α + dα)N1 (s + cos(β )ds) + sin(α + dα)N2 (s + cos(β )ds)
−−−−−−−−−−−−−−−→
La longueur du capteur M(s)M(s + cos(β )ds) à l’état déformé est :
−−−−−−−−−−−−−−−→
M(s)M(s + cos(β )ds)

= R(s + cos(β )ds) − R(s) + r0 rotT(s+cos(β )ds),α+dα (N1 (s + cos(β )ds)) − r0 rotT(s),α (N1 (s))

= kR(s + cos(β )ds) − R(s) + r0 (cos(α + dα)N1 (s + cos(β )ds) + sin(α + dα)N2 (s + cos(β )ds))
− r0 (cos(α)N1 (s) + sin(α)N2 (s)))k
On utilise les formules trigonomètriques suivantes :
cos(α + dα) =cos(α)cos(dα) − sin(α)sin(dα)

=cos(α) − sin(α)dα
sin(β )
=cos(α) − sin(α) ds
r0
sin(α + dα) =sin(α)cos(dα) + cos(α)sin(dα)
=sin(α) + cos(α)dα
sin(β )
=sin(α) + cos(α) ds
r0
On a donc :
−−−−−−−−−−−−−−−→
M(s)M(s + cos(β )ds)

sin(β )
= kR(s + cos(β )ds) − R(s) + r0 (cos(α) − sin(α) ds)N1 (s + cos(β )ds)
r0
sin(β )
+ r0 (sin(α) + cos(α) ds)N2 (s + cos(β )ds)
r0
− r0 (cos(α)N1 (s) + sin(α)N2 (s))k
= kR0 (s) cos(β )ds + (r0 cos(α) − sin(α) sin(β )ds)(N1 0 (s) cos(β )ds + N1 (s))
+ (r0 sin(α) + cos(α) sin(β )ds)(N2 0 (s) cos(β )ds + N2 (s))
− r0 cos(α)N1 (s) − r0 sin(α)N2 (s)k
= kR0 (s) cos(β ) + (r0 cos(α) − sin(β ) sin(α)ds)N1 0 (s) cos(β ) + (r0 sin(α) + sin(β ) cos(α)ds)N2 0 (s) cos(β )
− sin(β ) sin(α)N1 (s) + sin(β ) cos(α)N2 (s)kds
= k(1 + γt (s)) cos(β )T(s) + γ1 (s) cos(β )N1 (s) + γ2 (s) cos(β )N2 (s)
+ (r0 cos(α) − sin(β ) sin(α)ds)(−κ1 (s)T(s) + κt (s)N2 (s)) cos(β )
+ (r0 sin(α) + sin(β ) cos(α)ds)(−κ2 (s)T(s) − κt (s)N1 (s)) cos(β )
− sin(β ) sin(α)N1 (s) + sin(β ) cos(α)N2 (s)kds
= k(1 + γt (s) − (r0 cos(α) − sin(β ) sin(α)ds)κ1 (s) − (r0 sin(α) + sin(β ) cos(α)ds)κ2 (s)) cos(β )T(s)
+ (cos(β )γ1 (s) − cos(β )(r0 sin(α) + sin(β ) cos(α)ds)κt (s) − sin(β ) sin(α))N1 (s)
+ (cos(β )γ2 (s) + cos(β )(r0 cos(α) − sin(β ) sin(α)ds)κt (s) + sin(β ) cos(α))N2 (s)kds
D’après l’équation 12.8 on a alors l’expression de la déformation suivante :
ε(s, α) =k(1 + γt (s) − (r0 cos(α) − sin(β ) sin(α)ds)κ1 (s) − (r0 sin(α) + sin(β ) cos(α)ds)κ2 (s)) cos(β )T(s)
+ (cos(β )γ1 (s) − cos(β )(r0 sin(α) + sin(β ) cos(α)ds)κt (s) − sin(β ) sin(α))N1 (s)
+ (cos(β )γ2 (s) + cos(β )(r0 cos(α) − sin(β ) sin(α)ds)κt (s) + sin(β ) cos(α))N2 (s)k − 1
q
= (1 + γt (s) − (r0 cos(α) − sin(β ) sin(α)ds)κ1 (s) − (r0 sin(α) + sin(β ) cos(α)ds)κ2 (s))2 cos2 (β )
+(cos(β )γ1 (s) − cos(β )(r0 sin(α) + sin(β ) cos(α)ds)κt (s) − sin(β ) sin(α))2
+(cos(β )γ2 (s) + cos(β )(r0 cos(α) − sin(β ) sin(α)ds)κt (s) + sin(β ) cos(α))2 − 1
(12.9)
Comme dans la partie précédente on utilise l’hypothèse suivante :

Ce qui implique donc :

γt = γ1 = γ2 = 0
L’équation 12.9 se simplifie alors :
q
ε(s, α) = (1 − (r0 cos(α) − sin(β ) sin(α)ds)κ1 (s) − (r0 sin(α) + sin(β ) cos(α)ds)κ2 (s))2 cos2 (β )
+(cos(β )(r0 sin(α) + sin(β ) cos(α)ds)κt (s) + sin(β ) sin(α))2
+(cos(β )(r0 cos(α) − sin(β ) sin(α)ds)κt (s) + sin(β ) cos(α))2 − 1
q
= (1 − (r0 cos(α) − sin(β ) sin(α)ds)κ1 (s) − (r0 sin(α) + sin(β ) cos(α)ds)κ2 (s))2 cos2 (β )
+ cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 + 2 cos(β ) sin(β )r0 κt (s) + sin2 (β ) − 1
On exprime les grandeurs de déformations κ1 et κ2 en fonction de la courbure κ et de

l’angle d’orientation θ :
κ1 (s) = κ(s) cos(θ (s)), κ2 (s) = −κ(s) sin(θ (s))
On obtient alors :
q
ε(s, α) + 1 = (1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s)))2 cos2 (β )
+ cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 + 2 cos(β ) sin(β )r0 κt (s) + sin2 (β )
(ε(s, α) + 1)2 =(1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s)))2 cos2 (β )
+ cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 + 2 cos(β ) sin(β )r0 κt (s) + sin2 (β )
⇒(ε(s, α) + 1)2 − cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 − 2 cos(β ) sin(β )r0 κt (s) − sin2 (β )
= (1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s)))2 cos2 (β )
Par condition initiale on a alors :
q
⇒ (ε(s, α) + 1)2 − cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 − 2 cos(β ) sin(β )r0 κt (s) − sin2 (β )
= (1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))) cos(β )
q
⇒ cos2 (β ) + ε(s, α)(2 + ε(s, α)) − cos2 (β )(r02 + sin2 (β )ds2 )κt (s)2 − 2 cos(β ) sin(β )r0 κt (s)
= (1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))) cos(β )
s
ε(s, α)(2 + ε(s, α))
⇒ 1+ − (r02 + sin2 (β )ds2 )κt (s)2 − 2 tan(β )r0 κt (s)
cos2 (β )
= 1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))
On fait un développement limité :
1 ε(s, α)(2 + ε(s, α))

⇒1 + 2
− (r0 + sin (β )ds )κt (s) − 2 tan(β )r0 κt (s) + o(ε(s, α)2 + κt (s)2 )
2 2 2
2 cos2 (β )
= 1 − r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))
ce qui donne à l’ordre 1 en ε :
ε(s, α) (r02 + sin2 (β )ds2 )κt (s)2

⇒ − − tan(β )r0 κt (s) + o(ε(s, α) + κt (s)2 )
cos2 (β ) 2
= −r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))
(r02 + sin2 (β )ds2 )κt (s)2

⇒ε(s, α)(1 + tan2 (β )) − − tan(β )r0 κt (s) + o(ε(s, α) + κt (s)2 )
2
= −r0 κ(s) cos(α + θ (s)) + sin(β )κ(s)ds sin(α + θ (s))
On obtient alors le système suivant dans le cas de trois jauges placés de manières sécantes
à la fibre neutre :
(r02 +sin(β )2 ds2 )κt (s)2


2
ε1 (1 + tan (β )) − 2 2 − (r0 tan(β ))κt (s) = −r0 κ cos(α1 + θ ) + sin(β )κds sin(α1 + θ )


2 (r0 +sin(β )2 ds2 )κt (s)2
ε2 (1 + tan (β )) − 2 − (r0 tan(β ))κt (s) = −r0 κ cos(α2 + θ ) + sin(β )κds sin(α2 + θ )
ε (1 + tan2 (β )) − (r02 +sin(β )2 ds2 )κt (s)2 − (r tan(β ))κ (s) = −r κ cos(α + θ ) + sin(β )κds sin(α + θ )


3 2 0 t 0 3 3
(12.10)
On remarque que quand β = 0, c’est à dire quand les jauges sont positionnées de façon
parallèles à la fibre neutre, le système des jauges sécantes 12.10 correspond bien au système
des jauges parallèles 12.7.
On a toujours les trois capteurs placés à 120 degrés avec les angles suivants :
2π 4π
α1 = 0, α2 = − , α3 = −
3 3
Par sommation on a donc :
3
(r02 + sin(β )2 ds2 )κt (s)2

∑ εi (1 + tan (β )) −
2
2
− (r0 tan(β ))κt (s) = 0
i=1
3
⇒3(r02 + sin(β )2 ds2 )κt (s)2 + 6(r0 tan(β ))κt (s) − 2(1 + tan2 (β )) ∑ εi = 0 (12.11)
i=1
L’équation 12.11 est une équation du second degré en κt dont le déterminant est :
3
∆ = 36r02 tan2 (β ) + 24(r02 + sin2 (β )ds2 )(1 + tan2 (β )) ∑ εi
i=1
L’ensemble des solutions de l’équation 12.11 est :
√ √
−6r0 tan(β ) − ∆ −6r0 tan(β ) + ∆
S ={ 2 , }
6(r0 + sin2 (β )ds2 ) 6(r02 + sin2 (β )ds2 )
Dans le cas ou l’aiguille est au repos, on a ε1 = ε2 = ε3 = 0 et on doit avoir κt = 0. La

seule solution possible est alors :
q
−6r0 tan(β ) + 36r02 tan2 (β ) + 24(r02 + sin2 (β )ds2 )(1 + tan2 (β )) ∑3i=1 εi
κt (s) =
6(r02 + sin2 (β )ds2 )
Dans le cas où β = 0, on retrouve le résultat de la partie précédente avec les jauges paral-
lèles. On fait l’hypothèse dans la suite du calcul que β 6= 0.
Nous allons simplifier l’expression de l’angle unitaire de torsion κt en faisant un dévelop-
pement limité :
√
−6r0 tan(β ) + ∆
κt (s) =
6(r02 + sin2 (β )ds2 )
q
−6r0 tan(β ) + 36r02 tan2 (β ) + 24(r02 + sin2 (β )ds2 )(1 + tan2 (β )) ∑3i=1 εi
=
6(r02 + sin2 (β )ds2 )
r
24(r02 +sin2 (β )ds2 )(1+tan2 (β )) ∑3i=1 εi
−6r0 tan(β ) + 36r02 tan2 (β )(1 + 36r02 tan2 (β )
)
=
6(r02 + sin2 (β )ds2 )
(r02 +sin2 (β )ds2 )(1+tan2 (β )) ∑3i=1 εi
−6r0 tan(β ) + 6r0 tan(β )(1 + 3r02 tan2 (β )
+ o(∑3i=1 εi ))
=
6(r02 + sin2 (β )ds2 )
6r0 tan(β )(r02 + sin2 (β )ds )(1 + tan (β ))
2 2 3 3
=
18r02 tan2 (β )(r02 + sin2 (β )ds2 )
∑ εi + o( ∑ εi )
i=1 i=1
(1 + tan2 (β )) 3 3
= ∑
3r0 tan(β ) i=1
εi + o( ∑ εi )
i=1
3 3
2
= ∑ i ∑ εi )
3r0 sin(2β ) i=1
ε + o(
i=1
On a donc la valeur de l’angle unitaire de torsion :

3 3
2
κt (s) = ∑ i ∑ εi )
3r0 sin(2β ) i=1
ε + o(
i=1
Finalement on obtient les équivalents suivants de l’angle unitaire de torsion, de la courbure

et de l’angle de déformation :
2(ε1 + ε2 + ε3 )
κt (s) ∼
3r0 sin(2β )
s
1 + tan2 (β ) 2 ((ε1 − ε2 )2 + (ε2 − ε3 )2 + (ε3 − ε1 )2 )
κ(s) ∼
3 r02 + sin2 (β )ds2
√
(ε2 + ε3 − 2ε1 )r0 + 3(ε2 − ε3 ) sin(β )ds
cos(θ (s)) ∼ r
2 (ε1 − ε2 )2 + (ε2 − ε3 )2 + (ε1 − ε3 )2 r02 + sin2 (β )ds2

√
3(ε2 − ε3 )r0 − (ε2 + ε3 − 2ε1 ) sin(β )ds
sin(θ (s)) ∼ r
2 (ε1 − ε2 )2 + (ε2 − ε3 )2 + (ε1 − ε3 )2 r02 + sin2 (β )ds2

Ainsi en modifiant la disposition des capteurs de déformation, on peut obtenir la valeur

signée de l’angle unitaire de torsion. C’est une information importante dont on peut se
servir pour la reconstruction de la déformée.
12.3. Bilan des grandeurs de déformation issus de la déformation des capteurs 89
12.3 Bilan des grandeurs de déformation issus de la

déformation des capteurs
Cette partie synthétise les résultats de notre étude des déformations des capteurs. Nous
avons vu que l’amélioration principale par rapport à la littérature existante se situe au ni-
veau des informations concernant la torsion. Jusque là, les principaux travaux présents
dans la littérature ne fournissait aucune indication sur la torsion. Ces informations sup-
plémentaires ont été obtenues grâce à l’introduction d’une hypothèse physique, à savoir
négliger les phénomènes de traction-compression et de cisaillement. La question de la per-
tinence de cette hypothèse sera abordée dans l’étude sur les types de déformations, menée
dans le chapitre 17. Il apparait dans cette étude que lors d’une insertion d’aiguille, les
variables représentant les phénomènes de traction-compression et de cisaillement ont des
ordres de grandeurs bien moindre que celles représentant la flexion et la torsion. De plus
on soulignera que, dans les articles traitant des capteurs de déformation, les phénomènes
de traction-compression et de cisaillement sont systématiquement négligés lors de l’étape
de reconstruction de la déformée. Ces deux arguments peuvent étayer la validité de notre
hypothèse et par conséquent de nos résultats.
Ainsi, quand les capteurs de déformations sont positionnés de manière parallèle à la fibre
neutre, il est possible d’obtenir une information sur la torsion : sa norme. Dans le cas où
les capteurs de déformations seraient positionnés de manière sécantes par rapport à la fibre
neutre de la poutre, on peut obtenir la valeur signé de la torsion, sa norme et son signe.
Les résultats explicités ci-dessus sont synthétisés dans le tableau 12.1.
Hypothèses Résultats
Types de
Références Elasticité Pas de traction Torsion
capteurs -compression ni Flexion
linéaire Norme Signe
Littérature 3 cisaillement
7 3 7 7
Parallèles
Notre méthode 3 3 3 3 7
Sécants Notre méthode 3 3 3 3 3
TABLE 12.1. – Bilan des informations obtenus à partir des capteurs selon leurs types et la
méthode utilisée.
12.4 Bilan des grandeurs de déformation issus de la

déformation des capteurs
Les informations obtenues dans cette partie apportent une réelle connaissance supplémen-
taire concernant la déformation de l’aiguille. La torsion est un phénomène de déformation
non-négligeable, présents lors des piqués d’aiguilles et en partie responsable du fait que
l’aiguille se déforme en 3D et non en 2D. Nous allons voir dans la suite de ce manuscrit
comment exploiter ces données physiques supplémentaires dans le processus de recons-

truction.
CHAPITRE 13
RECONSTRUCTION AVANCÉE
On détaille dans ce chapitre comment utiliser les informations de torsion obtenues précé-
demment à partir des capteurs de déformations placés de façon sécantes.
13.1 Reconstruction à partir de la flexion et de la torsion

La disposition des capteurs de manière à faire un angle avec la fibre neutre permet d’obtenir
les valeurs des angles unitaires de torsion en plus des valeurs habituelles de flexion et
d’angle d’orientation.
Ainsi les données d’un triplet de capteurs situé sur la section de poutre à la position si
permettent d’obtenir les valeurs des angles unitaires de torsion κti = κt (si ).
Par conséquent les données de l’ensemble des triplets de capteurs de l’aiguille permettent
d’obtenir la discrétisation de fonction (κt (si ))i=1,..,n .
On définit alors κtest comme la fonction construite par interpolation sur [0, L] à partir de la
discrétisation de la fonction angle unitaire de déformation :
κtest : [0, L] → R
∀i ∈ {1, .., n}, κtest (si ) = κti
Dans la partie précédente traitant de la reconstruction, l’hypothèse de torsion nulle était

rendu nécessaire par le fait que la disposition des capteurs ne permettait pas de la calculer.
Ce n’est plus le cas ici. On dispose de la valeur de l’angle unitaire de la torsion κt et on
peut donc directement l’utiliser dans le tenseur Ω :
0 κest cos(θest ) −κest sin(θest )

 
Ω =  −κest cos(θest ) 0 κtest  (13.1)

κest sin(θest ) −κtest 0
92 Chapitre 13. Reconstruction avancée
Ainsi l’étape de reconstruction ne se trouve pas modifié par le fait qu’on prenne en compte
ou non le phénomène de torsion, seul change la valeur du tenseur Ω qui décrit la variation
du repère mobile T, N1 , N2 (système 11.16).
Finalement, l’utilisation de la valeur κtest dans le tenseur Ω permet donc de reconstruire la
déformée de l’aiguille en tenant compte de sa torsion mécanique.
13.2 Cas de charges

Nous allons préciser dans cette partie comment l’obtention de l’angle unitaire de torsion
associé avec la courbure et l’angle de déformation permet de reconstruire le cas de charge
de l’aiguille.
En gardant les hypothèses de traction-compression et de cisaillement nuls on a les équations
locales liant les moments interne et externe linéiques de la poutre :

0
Mt + κ1 M2 − κ2 M1 + mt =0


M10 + κ2 Mt − κt M2 + m1 =0

M 0 − κ M + κ M + m

=0
2 1 t t 1 2
On en déduit alors les coordonnées du moment linéique externe appliquée sur la poutre m
dans le repère (T, N1 , N2 ) :

mt

 = −GJκt0
m1 = −EI(κ cos(θ ))0 + (GJ − EI)κt κ sin(θ )

m = EI(κ sin(θ ))0 + (GJ − EI)κt κ cos(θ )

2
On a ainsi :
m = mt T − m2 N1 + m1 N2
mt
 
=  −m2 
m1 T,N1 ,N2
−GJκt0
 
=  −EI(κ sin(θ ))0 − (GJ − EI)κt κ cos(θ ) 

−EI(κ cos(θ ))0 + (GJ − EI)κt κ sin(θ ) T,N
1 ,N2
On a donc les coordonnées de m qui dépendent des fonctions κt , κ, θ . On reprend les

notations introduites dans la partie précédente sur la reconstruction.
Soit ex , ey , ez une base canonique de l’espace. Les coordonnées de m dans cette base sont
les suivantes :
13.2. Cas de charges 93
mx
 
m =  my 
mz e
x ,ey ,ez
Et on a Y la matrice définie dans la partie précédente sur la reconstruction contenant les

coordonnées des vecteurs T, N1 , N2 :
Tx Ty Tz
 
Y =  N1x N1y N1z 

N2x N2y N2z
La matrice YT est donc la matrice de passage de la base (ex , ey , ez ) vers la base (T, N1 , N2 ).
On a donc :
mx mt
   
 my  = YT  −m2 
mz e m1 T,N
x ,ey ,ez 1 ,N2
Par conséquent :
mx (s) −GJκt0 (s)

   
 my (s)  = YT (s)  −EI(κ(s) sin(θ (s)))0 − (GJ − EI)κt (s)κ(s) cos(θ (s)) 
mz (s) −EI(κ(s) cos(θ (s)))0 + (GJ − EI)κt (s)κ(s) sin(θ (s))
Soit les fonctions κest , θest et κtest les fonctions courbures, angle de déformations et angle
unitaire de torsion reconstruite à partir des données des jauges. Soit Yn l’approximation de
Y(sn ) issue de la partie reconstruction précédente.
On peut alors calculer les coordonnées de m dans la base (ex , ey , ez ) :
mx (sn ) −GJκt0est (sn )

   
 my (sn )  = YTn  −EI(κest (sn ) sin(θest (sn )))0 − (GJ − EI)κtest (sn )κest (sn ) cos(θest (sn )) 
mz (sn ) −EI(κest (sn ) cos(θest (sn )))0 + (GJ − EI)κtest (sn )κest (sn ) sin(θest (sn ))
Ainsi les capteurs de déformations placés de manières sécantes sur l’aiguille permettent,
par l’obtention de la valeur de l’angle unitaire de torsion, de remonter jusqu’au cas de
chargement de l’aiguille.
Quatrième partie
Optimisation de la qualité de
reconstruction par l’étude de
déformations existantes
CHAPITRE 14
ETUDE D’UNE POPULATION D’AIGUILLES
14.1 Introduction
Pour répondre aux problèmes de l’optimisation des positions des capteurs ainsi que celui
d’une reconstruction avancée de la déformée d’une aiguille, nous souhaitons mieux carac-
tériser les déformations de l’aiguille lors d’une insertion dans les tissus. La méthodologie
de caractérisation mise en place repose sur l’exploitation de scanners expérimentaux ou
cliniques de piqués d’aiguille par un traitement algorithmique et mathématique permettant
l’obtention de données caractérisant les déformations des aiguilles. Ces données caracté-
ristiques seront ensuite utilisées dans les parties suivantes.
14.2 Caractérisation des déformations

Les parties précédentes ont mis en avant le rôle centrale tenu par les deux fonctions que
sont la courbure et l’angle d’orientation. En effet dans le chapitre 10 nous avons montré
que les informations de déformations d’un triplet de capteurs permettaient d’obtenir les
valeurs locales de courbure et d’angle d’orientation de la position de la section sur laquelle
est situé le triplet. De plus le chapitre 11 a permis de montrer qu’une courbe 3D est entière-
ment définie par ses fonctions courbures et angle d’orientation (avec en plus des conditions
initiales). Pour ces raisons nous considérons ces deux fonctions comme les données carac-
téristiques à extraire de chaque piqué d’aiguille présent dans les scanners expérimentaux.
Soit un arc g paramétré normalement. On rappelle la définition de la courbure κ :
kg0 (t) ∧ g00 (t)k

κ(t) = (14.1)
kg0 (t)k3
On rappelle également l’équation 11.20 obtenue dans le chapitre 11 sur la reconstruction :
98 Chapitre 14. Etude d’une population d’aiguilles
κt = θ 0 + τ
C’est à dire :
θ 0 = κt − τ
L’angle unitaire de torsion κt , qui est un critère physique relié au repère matériel de l’ai-
guille, ne peut-être déterminé à partir des scanners patients contrairement à la torsion ma-
thématique τ qui est un critère purement géométrique. Dans la suite de cette étude, nous
allons donc reprendre l’hypothèse formulée dans la partie reconstruction : la torsion méca-
nique est nulle. On a alors la relation :
θ 0 = −τ
On obtient alors l’expression de l’angle d’orientation θ suivante :
Z t
θ (t) = − τ(u) g0 (u) du (14.2)

t0
[g0 (u), g00 (u), g000 (u)]
avec τ(u) =
kg0 (u) ∧ g00 (u)k2
où le crochet [ ] désigne le produit mixte.
On en conclut donc que les fonctions κ et θ se calculent à partir des dérivées premières,
secondes et troisièmes de la courbe g. Les approximations des formes des aiguilles ob-
tenues à partir des scanners de piqué d’aiguilles vont donc être utiliées pour calculer les
fonctions de courbure et d’angle d’orientation. Ainsi, de la qualité des approximations de
ces dérivées va dépendre la précision de l’estimation de ces deux fonctions. Par conséquent
le problème d’estimation des dérivées de la forme de l’aiguille est un point crucial de notre
étude.

L’estimation des dérivées d’une fonction à partir de mesures bruitées est un problème récur-
rent dans les domaines du traitement du signal et de la biomécanique. Parmi ses domaines
d’applications on trouve la tomodensitométrie, l’électrocardiologie, la météorologie ou la
séismologie [Wol85]. La question à laquelle nous allons nous intéresser est donc la sui-
vante :
Comment obtenir les dérivées d’une fonction à partir de sa discrétisation ?

14.3.1 Avant-propos
Tout d’abord est présenté un bref avant-propos qui permettra de comprendre l’état de l’art
qui suit.
Le terme bien posé a été introduit pour la première fois par Hadamard [Had02] et sert
à caractériser les problèmes mathématiques. Il a introduit ce terme pour caractériser les
modèles mathématiques reposant sur des phénomènes physiques. Un problème de ce type
est dit bien posé s’il possède les trois caractéristiques suivantes :
• Existence d’une solution
• Unicité de la solution
• La solution varie continument selon les conditions initiales
Un problème qui ne satisfait pas ces trois conditions est dit alors mal posé.
Le problème de l’estimation des dérivées est mal posé, de par le fait que les estimations
sont hautement sensibles aux erreurs de mesures [Ahl84]. C’est un phénomène intrinsèque
à ce type de problème, à l’inverse par exemple du conditionnement. Un moyen possible
pour résoudre ce type de problème est d’introduire des contraintes supplémentaires : cela
s’appelle la régularisation.
Une des contraintes possibles est de supposer que les données sont suffisamment lisses.
Cette contrainte est pertinente car (la plupart du temps) les données dont on essaie d’ex-
traire les dérivées proviennent de données reflétant des phénomènes physiques réels et
ayant donc une certaines régularité, ne possèdant pas de composantes hautes fréquences.
Par exemple, dans le cas où les données sont des trajectoires, des variations brusques fe-
raient intervenir des forces très importantes. Cette hypothèse peut-être mis de côté, à priori,
si on a connaissance du contexte des données expérimentales [Wol85]. De la même façon,
dans notre cas, la forme d’une aiguille ne peut subir des déformations intenses et rapides
que si les intensités des forces qui lui sont appliquées sont très grandes et varient rapi-
dement. Ceci est vraisemblablement peu probable lorsque celle-ci est simplement insérée
dans des tissus biologiques. L’hypothèse du caractère "lisse" des données et des dérivées
semble donc être pertinente dans le problème d’évaluation des dérivées de la forme de
l’aiguille.
Cette hypothèse est mise en place mathématiquement par un lissage, c’est à dire un système
comportant un terme de pénalité lié à une expression reflétant la régularité des données.
Le lissage permet alors de s’affranchir des hautes-fréquences des données par utilisation
du paramètre de lissage. Nous allons voir dans la suite l’application de ce principe sur les
splines. Une spline obtenue par un lissage s’appelle spline de lissage.
14.3.2 Approximation des dérivées de fonctions

L’idée d’approximer des fonctions par des splines de lissage a été proposée par Whitta-
ker [Whi22], Schoenberg [Sch64] et Reinsch [Rei67]. Cette technique est une application
de la régularisation Tikhonov [TA77] aux splines. Le but est alors d’approximer de manière
efficace une fonction à partir de sa discrétisation, le problème de calcul des dérivées n’est
pas abordé, pas plus que les éventuels bruits présents sur la discrétisation ou la manière de
fixer le paramètre de régularisation.

Le système se présente de la manière suivante :
Soit (yi )i=1,..,n la discrétisation d’une fonction inconnue aux points (ti )i=1,..,n . On cherche
à approximer la fonction inconnue par la spline S. On note λ le paramètre de lissage et m
l’ordre de la dérivée dans le terme de lissage. La spline de lissage est la spline qui minimise
le système :
n Z t
min ∑ kS(ti ) − yi k + λ
2
kS(m) (u)k2 du
S 0
i=1
L’impact de la régularisation dans le problème d’estimation de dérivée a été étudié pour
la première fois par Cullum [Cul79] au travers de la régularisation Tikhonov, Cullum sort
ainsi du cadre des splines. Il expose l’importance du choix du paramètre de régularisation et
son influence sur les dérivées. Il ne présente pas de méthode permettant d’avoir une valeur
appropriée.
L’article d’Andersen et Bloomfield [AB74] aborde le problème d’estimation des dérivées
sur des données non exactes. Les auteurs posent le principe qu’une méthode d’estimation
des dérivées de données bruitées donnant des résultats satisfaisants se doit de prendre en
compte la structure et la nature de l’origine des données. Par un argument physique ils justi-
fient l’utilisation de la régularisation et font le lien avec l’analyse spectrale. Leurs résultats
indiquent que cette dernière peut-être utilisée lorsque les données proviennent de variables
aléatoires stationnaires tandis que la régularisation est utilisée dans les autres cas. Ils déve-
loppent dans leur article une méthode d’estimation de dérivées basée sur la régularisation
et la transformation de Fourier rapide en montrant que la procédure de régularisation intro-
duite par Cullum peut-être reprise dans le cas de l’analyse spectrale. Leur méthode permet
également de déterminer une valeur adaptée du paramètre de régularisation.
Dans un article fondateur, Craven et Wahba [CW78] développent une méthode d’approxi-
mation de fonctions basée sur le lissage par splines. Ils y exposent leur méthode appelée
validation croisée généralisée qui permet d’approximer la valeur optimale du paramètre de
régularisation dans le cas où le bruit présent sur les données discrétisées est un bruit blanc,
c’est à dire sous les hypothèses suivantes :
Soit (yi )i=1,..,n = (y(ti ))i=1,..,n la discrétisation de la fonction inconnue g aux points (ti )i=1,..,n
dont le bruit est ε. On a :
yi = g(ti ) + ε(ti )
et ε est un bruit blanc, c’est à dire qu’on a les propriétés suivantes (E désigne l’espérance
mathématique) :
Eε(t) = 0
Eε(s)ε(t) = σ 2 si s=t
= 0 sinon
Les premières techniques d’estimation des dérivées à partir du lissage par spline sont abor-
dées par Wood [Woo82] et Vaughan [Vau82]. L’approche repose sur les travaux de Craven
et Wahba et consiste à obtenir une estimation de la fonction par spline de lissage et à ensuite
dériver cette spline pour obtenir une estimée de la dérivée originale.
Ainsi, différentes méthodes permettant l’estimation de dérivée utilisant la régularisation
ont été développées. Parmi les principales, on peut donc citer l’approche utilisant la FFT
développée par Anderson et Bloomfield et l’approche employant le lissage par spline basée
sur les travaux de Craven et Wahba.
Plusieurs comparaisons des méthodes d’approximation des dérivées ont été effectuées, que
ce soit Wood et Vaughan dans leurs articles introduisant l’approximation de dérivées par
spline, ou plus tard par Woltring [Wol85]. Les méthodes concernées sont le filtrage numé-
rique, l’analyse de Fourier, le lissage par spline cubique et le lissage par spline quintique. Il
ressort de ces études que si les méthodes donnent des résultats similaires pour l’estimation
de la dérivée première, l’estimation des dérivées d’ordre supérieure fait quant à elle appa-
raitre une grande disparité dans les résultats. La meilleure estimation est réalisée grâce aux
splines de lissage quintique (c’est à dire de degré cinq) qui donnent des résultats plus précis
que ceux données par le filtrage numérique et dont le champ d’action est supérieur à celui
de l’analyse de Fourier. Le lissage par spline cubique montre des résultats très mauvais ce
qui souligne l’importance du degré de la spline utilisée en fonction de l’ordre des dérivées à
approximer. Woltring [Wol85] précise dans son article que la méthode de lissage par spline
quintique peut encore être améliorée en utilisant non plus des splines mais des B-splines.
Estimation des dérivées Estimation des dérivées

Estimation d’une fonction d’une fonction par FFT d’une fonction par spline
par spline (Reinsch) (Andersen) (Wood et Vaughan)
1967 1971 1974 1979 1982
Estimation des dérivées Estimation d’une fonction
d’une fonction (Cullum) par spline et de son
paramètre de lissage
(Craven)
F IGURE 14.1. – Chronologie des principaux travaux sur la régularisation adaptée au pro-
blème d’estimation d’une fonction et de ses dérivées.
Les principaux articles concernant l’estimation des dérivées de données discrétisées cités
dans cette partie sont placés sur la frise chronologique présentée dans la figure 14.1.
14.3.3 Sélection du paramètre de lissage
Dans son article Cullum [Cul79] démontre l’influence du paramètre de lissage sur l’ob-
tention des dérivées et donc l’importance du choix de sa valeur. Un des critères les plus
souvent utilisé pour juger de la pertinence de la valeur du paramètre de lissage est l’erreur
quadratique moyenne [CW78] :
1 n
∑ kS(ti ) − g(ti )k2
n i=1
En se basant sur ce critère on peut alors définir la valeur optimale du paramètre de lissage
comme celle qui minimise l’erreur quadratique moyenne. Néanmoins la fonction originelle
g étant inconnue, la valeur de l’erreur quadratique moyenne ne peut se calculer directement.
Les méthodes présentées ci-dessous sont des méthodes d’approximation de la valeur opti-
male du paramètre de lissage par rapport au critère de l’erreur quadratique moyenne.
Une méthode permettant de sélectionner une valeur pour le paramètre de lissage s’ap-
pelle la validation croisée [WW75a, WW75b]. L’étape préliminaire consiste à diviser notre
échantillon de départ de taille n en deux sous-échantillons : un échantillon d’apprentissage
de taille na et un échantillon de test de taille nt . On a donc na + nt = n. La manière dont sont
constitués les différents échantillons définie le type de validation croisée. On présente ici
le cas d’une validation croisée de type leave-one-out, cas pour lequel na = n − 1 et nt = 1.
Le principe est alors le suivant :
• On attribue une valeur au paramètre de lissage.
• L’échantillon de départ est divisé entre l’échantillon d’apprentissage (n−1 éléments)
et l’échantillon de test (1 élément).
• On calcule la spline de lissage à partir de l’échantillon d’apprentissage.
• On calcule l’erreur de prédiction entre la valeur présente dans l’échantillon test et la
valeur prédite par la spline de lissage.
• On répète cette opération n fois de tel sorte que l’échantillon de test contienne tour à
tour toutes les valeurs de l’échantillon de départ.
• Les n erreurs de prédiction permettent de calculer l’erreur quadratique moyenne de
prédiction associée à une valeur du paramètre de lissage.
On peut donc associer à n’importe quelle valeur du paramètre de lissage une erreur de
prédiction associée. On définit alors comme valeur optimale du paramètre de lissage la
valeur qui minimise cette erreur de prédiction.
Le principal avantage de la validation croisée est qu’elle peut évaluer la pertinence de
la valeur du paramètre de lissage à partir des données existantes sans avoir besoin de la
fonction originelle ou de nouveaux jeux de données.
Le principal désavantage de la validation croisée est le nombre d’opération nécessaire à
réaliser pour calculer la valeur optimale. Celui-ci devient très vite trop important lorsque
l’échantillon devient conséquent. En réponse à ce problème, d’autres méthodes ont été dé-
veloppées pour obtenir une valeur de paramètre satisfaisante à moindre coût.
La validation croisée généralisée [CW78] figure parmi les méthodes de sélection de para-
mètre les plus utilisées. Sa popularité est due à sa précision qui repose sur des hypothèses
statistiques concernant la fonction à approximer ainsi qu’à un faible coût en calcul. Nous
détaillerons son utilisation par la suite. Une version encore plus optimisée et moins gour-
mande en calcul a ensuite été proposée par Utreras [Utr12].
14.4. Matériel 103
Il existe d’autres méthodes pour choisir le paramètre de régularisation comme le c p de Mal-

lows [Mal73] ou le critère d’information d’Akaike (AIC) [Aka98]. Les résultats donnés
par ces méthodes sont équivalents à ceux de la validation croisée généralisée.
14.3.4 Bilan
La régularisation figure parmi les outils d’approximation les plus puissants. Dans cet état
de l’art nous avons volontairement mis en avant les méthodes utilisant les splines. Ces
dernières constituent en effet un outil tout indiqué pour notre problème de reconstruc-
tion des formes des aiguilles pour deux raisons. Premièrement, leurs paramétrages par les
points de contrôle se prêtent particulièrement bien a la reconstruction de forme dans des
espaces de plusieurs dimensions. Deuxièmement, il existe certains types de spline tel que
les B-Splines qui, de par leur définition, bénéficient de certaines hypothèses de continuité
intéressantes (voir chapitre 7). Comme expliqué au début de ce chapitre, les fonctions que
nous cherchons à approximer, courbure et angle d’orientation dépendent des dérivées pre-
mières, secondes et troisièmes. L’état de l’art précise que les méthodes de lissage de spline
quintique permettent d’obtenir de bons résultats. Par conséquent, dans la suite de ce ma-
nuscrit la méthode de lissage utilisée sera le lissage par B-spline quintique employé avec
la validation croisée généralisée.
14.4 Matériel
Cette section présente les informations des jeux de données scanners dont sont issues les
aiguilles étudiées.
14.4.1 Données expérimentales

Une expérimentation d’insertions d’aiguilles percutannées a été réalisée par Adeline Ro-
bert [RCB+ 13]. Les insertions ont été pratiquées sur une épaule de porc de dimensions
(300 mm × 200 mm × 100 mm) préparées sur un plateau en plastique. Le choix du porc est
du aux similarités des propriétés mécaniques entre les tissus du porcs et les tissus humains
[HHM11]. Le choix de l’épaule est dû quant à lui, à la compléxité des tissus (muscles, liga-
ments et tendons) ce qui permet de réaliser des insertions dans un environnement complexe.
Les aiguilles utilisées pendant les insertions sont des aiguilles de 20 gauges, de longueur
200 mm, en acier inoxydable, avec un module de Young estimé de 200 GPa. Ces aiguilles
sont communément utilisées en radiologie interventionnelle. L’expérimentation consiste en
54 insertions différentes de l’aiguille dans une épaule de porcs. Chaque insertion diffère des
autres par ses caractéristiques (rotations, efforts, etc...) résultant en différentes possibilités
d’insertions d’aiguilles. Une image scanner de l’ensemble de l’épaule de porc est réalisée
après chaque insertion. L’ensemble des données est composé de 54 scanners d’insertions
d’aiguilles dans une épaule de porcs. Ceci constitue l’ensemble des images de références
qui sera utilisé pour la mise en oeuvre de la méthode d’optimisation de positions des cap-
teurs.
14.4.2 Données cliniques

Une étude clinique consistant en des procédures de radiologie interventionnelles a été ef-
fectuée à l’hopital universitaire de Grenoble. Cet essai clinique a reçu l’autorisation de
l’ANSM, l’Agence Nationale de Sécurité du Médicament et des produits de santé (an-
ciennement l’AFSSAPS), et par le Comité de Protection des Personnes Sud Est V, l’au-
torité régionale sur les protocoles de recherches cliniques (ClinicalTrials.gov Identifier :
NCT00828893). Sur tous les scanners, une sélection a été réalisée pour ne conserver que
ceux avec une aiguille complète de longueur 200 mm. Les données résultantes consistent
ainsi en un ensemble de 9 CT scans cliniques d’insertions d’aiguilles dans différentes par-
ties du corps. Cet ensemble est utilisé en tant qu’ensemble de validation pour la méthode
d’optimisation de positions des capteurs.
14.5 Méthodes
Cette section contient les descriptions de l’ensemble des méthodes permettant à partir d’un
scanner d’un piqué d’aiguille d’obtenir les fonctions géométriques de courbure et d’angle
d’orientation de cette aiguille.
14.5.1 Segmentation
La première étape a consisté à isoler les voxels du scanner correspondant à l’aiguille des
autres voxels (correspondant aux tissus, aux os, etc...). Pour réaliser cela, on va utiliser une
opération de traitement d’images appelé la segmentation qui va effectuer une partition de
l’image, ici notre volume 3D de voxels de l’aiguille. Dans notre cas la segmentation donne
un résultat binaire sur l’ensemble des voxels, à savoir l’appartenance ou non du voxel à
l’aiguille dans l’image d’origine. La méthode de segmentation utilisée ici se base sur la
croissance de région.
14.5.1.1 Algorithme
Le principe de la segmentation par croissance de régions consiste à partir d’un ensemble

de voxels initiaux (appelé les graines) et de faire croître cet ensemble par agrégation des
voxels à proximité répondant à un critère d’appartenance. Les voxels agrégés deviennent
à leurs tours des graines et l’ensemble croît ainsi jusqu’à ce qu’un critère d’arrêt soit sa-
tisfait. Le résultat de la segmentation est alors l’ensemble de tous les voxels agrégés. Les
différentes étapes constituant une itération de l’algorithme seront illustrées ci-dessous par
un exemple en deux dimensions :
14.5. Méthodes 105
0 Définition du critère d’appartenance de chaque voxel à la région. Dans notre cas le

critère d’appartenance repose sur la valeur du voxel. En effet, l’aiguille étant consti-
tuée de métal, elle apparait au scanner sous forme de voxels avec des valeurs beau-
coup plus élevées que pour les tissus. Un seuil est défini à partir duquel le voxel est
considéré appartenir à l’aiguille. Pour notre exemple la valeur de seuil retenue est de
150 et une graine de départ est également définie.
1. Les graines constituent un sous-ensemble des voxels à segmenter (figure 14.2).
F IGURE 14.2. – Algorithme par croissance de régions : schéma 1
2. Récupération des voxels voisins des graines. Dans notre exemple, en 2D, il y a 4
voisins directs par voxel (figure 14.3).
3. La graine est enregistrée comme faisant partie des voxels de l’aiguille et le critère
d’appartenance est testé sur chacun des voisins. Les voisins satisfaisant le critère
d’appartenance deviennent alors des graines (figure 14.4).
4. L’algorithme est réitéré à partir de l’étape 1 sur le nouvel ensemble de graines jusqu’à
ce que le critère d’arrêt soit satisfait, c’est à dire que plus aucun voxel ne satisfasse
le critère d’appartenance.
Remarque : Les os donnent des voxels dont les valeurs sont similaires aux valeurs des
voxels correpondant aux aiguilles. L’utilisation de la segmentation par croissance de ré-
gions permet de ne pas inclure les os qui ne sont pas en contact avec l’aiguille. A l’inverse,
si un os touche l’aiguille alors celui ci sera inclus entièrement dans le résultat de la seg-
mentation. Il est donc nécessaire de choisir des scanners où l’aiguille est éloignée des os.
Cela est de toute façon nécessaire puisqu’on souhaite travailler sur des aiguilles dont les
formes sont représentatives des insertions, donc non soumises à des contacts avec les os.
14.5.1.2 Plug-in
L’algorithme de croissance de régions a été implanté sous forme de plug-in au sein du

logiciel de visualisations d’images CamiTK [FDKP12]. Le plug-in est écrit en C++ et fait
appel aux bibliothèques ITK [JMIC13] et VTK [SML06]. Le plug-in intègre une interface
graphique permettant à l’utilisateur de sélectionner deux voxels correspondant à l’extrémité
distale et proximale. Ces deux voxels seront utilisés en tant que graines de départ dans
l’algorithme de croissance de régions. L’utilisateur peut également saisir la valeur de seuil
utilisé comme critère d’appartenance (figure 14.5).
14.5.1.3 Résultats
Une fois la segmentation effectuée, un nouveau volume de taille identique à celle du volume
original est créé. Ce nouveau volume contient l’ensemble des voxels associés à l’aiguille.
14.5. Méthodes 107
F IGURE 14.5. – Logiciel CamiTK.

Visualisation dans le logiciel CamiTK d’une des images scanners de piqués d’aiguilles
dans l’épaule de porc. L’interface du plug-in de segmentation apparait dans le panneau
latéral droit.
Les autres voxels n’appartenant pas à l’aiguille ont une valeur nulle. La figure 14.6 montre
le résultat après segmentation : il ne reste dans l’image que les voxels liés à l’aiguille.
14.5.2 Ordonnancement
L’étude de la population d’aiguille passe par l’approximation de cet ensemble de voxels
par une spline de lissage 3D. On a vu précédemment que le lissage prenait la forme d’un
problème de minimisation de la forme :
n Z t
min ∑ kS(ti ) − yi k2 + λ kS(m) (u)k2 du
S 0
i=1
Dans la partie somme des moindres carrés de la minimisation, à chaque évaluation de la

spline en ti , le ime terme de la discrétisation S(ti ) est associé à yi le ime voxel. Il faut donc
trier les voxels de la partie proximale à la partie distale pour pouvoir mettre en oeuvre les
techniques de lissage.
La méthode de tri choisie a été proposée par Furferi [RF11] : elle permet d’organiser un
ensemble de points de l’espace représentant une courbe. La première étape consiste à créer
un polygone reprenant la forme grossière de l’ensemble des voxels : la polyline. La création
de ce polygone se déroule de la manière suivante :
1. Choix du voxel V de départ de façon aléatoire et un rayon de cluster r.
F IGURE 14.6. – Résultat de segmentation.

Voxels issus de la segmentation de l’aiguille d’une des images scanners de piqué d’épaule
de porc.
2. Définition du cluster Ci comme l’ensemble des voxels situés à une distance inférieure
à r (figure 14.7).
F IGURE 14.7. – Algorithme polyline : schéma 1
3. Définition du centroïde χi du cluster Ci comme le barycentre des voxels de Ci pon-

dérés par leur poids, ici la valeur du voxel (figure 14.8).
14.5. Méthodes 109
4. Réalisation d’une Analyse en Composantes Principales (ACP) pour trouver les com-
posantes de la direction principale des voxels contenus dans le centroïde. Si le ratio
entre la plus petite valeur propre et la plus grande valeur propre est supérieur à une
certaine valeur fixée alors on considère que le cluster n’a pas de direction "préférée".
On augmente alors le rayon r est on recommence de l’étape 2. Dans le cas contraire
le rayon du cluster est considéré comme correct et le résultat de l’ACP définit alors
la Direction Locale Principale (DLP) du cluster (figure 14.9).
5. Les intersections entre la droite passant par le centroïde χi du cluster et de vecteur

directeur DLP et le cercle de centre V et de rayon r définissent les centres des deux
nouveaux cluster Ci−1 et Ci+1 (figure 14.10).
6. Réitération des processus à partir de l’étape 3, en calculant les centroïdes χi−1 et χi+1
(figure 14.11).
Cette procédure se répète jusqu’a ce qu’on finisse par avoir un cluster dont tous les points
sont déjà contenus dans le cluster précédent. Lorsque que cette condition est vérifiée cela
signifie que le cluster est situé à l’une des extrémités du nuage de points, dans notre cas
cela correspond à l’une des extrémités de l’aiguille. Ainsi lorsque cette condition a été
rencontrée deux fois cela signifie que le nuages de voxels a été parcouru jusqu’au deux
extrémités. Les voxels de l’aiguille ont alors été parcourus entièrement. La polyline est
alors le polygône ayant pour sommets les centroïdes des clusters (χi ). Les figures 14.12 et
14.13 présentent un exemple de calcul de polyline sur des voxels d’une aiguille.
14.5. Méthodes 111
(a) Voxels de l’aiguille (vue de coupe)
(b) Voxels de l’aiguille et la polyline associée (vue de coupe)
F IGURE 14.12. – Représentation de la polyline associée aux voxels issus de la segmenta-

tion d’une aiguille.
F IGURE 14.13. – Polyline associée aux voxels de l’aiguille
Une fois la polyline créee, on interpole ses sommets par une spline. Cette spline d’inter-
polation est une approximation grossière de l’aiguille, elle va néanmoins nous permettre
d’ordonner les voxels. Pour chaque voxel appartenant à l’aiguille on va chercher le point
sur la spline qui minimise la distance à ce voxel. Ainsi à partir de l’ensemble des voxels de
l’aiguille, on obtient un ensemble de points sur la spline. En triant ces points d’une extré-
mité à l’autre selon leur l’abscisse curviligne, on peut alors trier les voxels de l’aiguille.
14.5.3 Lissage par B-Spline 3D

Cette partie détaille le lissage par spline des voxels de l’aiguille obtenue précédemment. En
assimilant l’aiguille à une poutre, on va chercher à approximer la forme de la fibre neutre
par une spline.
Comme expliqué dans l’état de l’art, notre choix s’est porté sur les B-Splines 3D quintique,
donc de degré n = 5. Le nombre des points de contrôles de la spline est noté nc . Le nombre
de noeuds de la spline est noté m. En vertu des propriétés des B-Splines, on a la relation
suivante :
m = nc + n + 1
La spline S étant une spline 3D, tous les points de contrôles sont également 3D : ∀i =
1, .., nc , Pi ∈ R3 . Les noeuds sont l’ensemble (ti )i=1,..,m définies de manière équidistantes
sur [0, 1] avec les relations :
t0 = ... = tn et tm−n = ... = tm
La B-Spline est alors clampée, c’est à dire que ses extrémités sont son premier et dernier
points de contrôles, on a :
S(0) = P0 , S(1) = Pnc

14.5. Méthodes 113
La B-Spline S(t) est définie par la formule :

nc
S(t) = ∑ Bi,n (t)Pi (14.3)
i=1
Soit l’ensemble (Xi )i=1,..,nd contenant les coordonnées des voxels de l’aiguille et (wi )i=1,..,nd
leurs valeurs associées. Soit (t¯i )i=1,..,nd la paramétrisation associée avec l’ensemble de ces
voxels, on a alors ti paramètre du voxel Xi avec t¯1 < .. < tn¯d . Comme vu dans l’état de l’art,
le système de lissage prend alors la forme suivante :
nd Z 1
∑ wl kS(t¯l ) − Xl k2 + λ S00 (t) 2 dt (14.4)

l=1 0
La B-Spline de lissage se définit alors comme la fonction B-Spline minimisant le système

(14.4) sur les points de controles (Pi )i∈J1,nc K . On note (Psoli )i∈J1,nc K les points de contrôles
minimisant le système (14.4) :
nd Z 1
!
2
(Psol )
i = min
i∈J1,nc K ∑ wl kS(t¯l ) − Xl k + λ S (t) dt
(Pi )i∈J1,nc K
2 00
0
(14.5)
l=1
On note X le vecteur contenant les coordonnées des voxels (Xl )i∈J1,nd K et P le vecteur
contenant les coordonnées des points de contrôles de la spline S :
X1x P1x
   
 .   . 
 ..   .. 
   
 X   P 
 ndx   ncx 
 X   P 
 1y   1y 
 .   . 
X= .  P= . 
 . ,  . 
 Xndy   Pncy 
   
 X1z   P1z 
   
 ..   .. 
   
 .   . 
Xndz Pncz
On note W la matrice diagonale dont les coefficients sont les valeurs des voxels (Xl )i∈J1,nd K :
W = diag(D, D, D) avec D = diag(w1 , w2 , ..., wnd )
On note B la matrice composée des fonctions B-Splines de base évaluées sur la paramétri-
sation (t¯i )i=1,..,nd :
B1,n (t¯1 ) · · · Bnc ,n (t¯1 )

 
B = diag(B∗ , B∗ , B∗ ) avec B∗ =  .. ..
. .
 

¯ ¯
B1,n (tnd ) · · · Bnc ,n (tnd )
On note Ψ la matrice de pénalité :
1 (2) R 1 (2)
 R 
(2) (2)
0 B1 (t)B1 (t)dt · · · 0 B1 (t)Bnc (t)dt
Ψ = diag(Ψ∗ , Ψ∗ , Ψ∗ ) avec Ψ∗ = 
 .. .. 
 . . 

R 1 (2) (2) R 1 (2) (2)
0 Bnc (t)B1 (t)dt · · · 0 Bnc (t)Bnc (t)dt
L’écriture matricielle du système (14.4) est alors :
(X − BP)T W (X − BP) + λ PT ΨP (14.6)

Le système de minimisation (14.5) s’écrit alors matriciellement :

Psol = min (X − BP)T W (X − BP) + λ PT ΨP (14.7)
P∈R
La solution du système de minimisation (14.5) est :

−1 T
Psol = BT WB + λ Ψ B WX (14.8)
Par conséquent la B-Spline de lissage Sest est :
nc
Sest (t) = ∑ Bi,n (t)Psol,i (14.9)
i=1
14.5.4 Validation croisée

Le choix du paramètre de lissage est crucial à cause de son impact sur l’estimation de la
spline Sest . Ainsi quand λ → 0 la somme au carré du système (14.4) devient prédomi-
nante sur l’intégrale, faisant tendre Sest vers une spline d’interpolation. Le lissage est alors
similaire à une approximation au sens des moindres carrés. Au contraire quand λ → ∞,
l’intégrale du système 14.4 devient prédominante, faisant tendre Sest vers un polynôme de
degré un. Le lissage est alors similaire à une régression linéaire.
Nous avons fait l’inventaire dans l’état de l’art des différentes méthodes permettant de don-
ner une valeur appropriée au paramètre de lissage. Nous allons utiliser la validation croisée
généralisée, une des méthodes les plus répandues. Cette méthode s’appuie sur les hypo-
thèses statistiques présentées dans l’état de l’art qui stipule que le bruit de la discrétisation
des données est un bruit blanc. Sous ces hypothèses l’approximation λgcv de la valeur opti-
male du paramètre de lissage λ est [CW78] :
1
k(I − A(λ ))Yk2
λgcv = min n (14.10)
λ ∈R 1 tr(I − A(λ )) 2

n
avec A la matrice chapeau du système (14.6) :

−1 T
A(λ ) = B BT WB + λ Ω B W (14.11)
14.5. Méthodes 115
14.5.5 Fonctions courbures et angles d’orientation
On calcule maintenant les fonctions courbures et angles d’orientation pour chaque aiguille
en utilisant les équations (14.1) et (14.2) présentées au début de ce chapitre dans lesquelles
ces deux fonctions géométriques sont exprimées en fonction des dérivées premières, se-
condes et troisièmes de la courbe. Les expressions de ces fonctions à partir des dérivées de
S sont :
kS0 (t) ∧ S00 (t)k

κ(t) = (14.12)
kS0 (t)k3
Z t
θ (t) = − τ(u) S0 (u) du (14.13)

t0
[S0 (u), S00 (u), S000 (u)]
avec τ(u) =
kS0 (u) ∧ S00 (u)k2
L’angle d’orientation θ dépend de la torsion mathématique τ. Or cette dernière n’est pas

définie aux points d’inflexion de la courbe car la courbure s’annule et le dénominateur de
τ devient nul. C’est la raison pour laquelle le repère de Frenet n’est pas défini aux points
d’inflexion.
Néanmoins, en pratique, l’approximation de ces points d’inflexion par la B-Spline de lis-

sage donne des valeurs de courbure non-nulles. La figure 14.14 illustre ce cas en représen-
tant la courbure d’une des aiguilles reconstruites, on constate que vers s=13 mm la courbure
devient très petite (κ(s) ∼ 10−6 ) comparé au reste de l’aiguille où la courbure a un ordre
de grandeur de 10−3 .
F IGURE 14.14. – Courbure de l’aiguille reconstruite n◦ 8.
Le calcul de la torsion mathématique reste donc possible mais on constate que la torsion
présente alors des variations très importantes dans cette région comme le montre la figure
14.15.
F IGURE 14.15. – Torsion de l’aiguille reconstruite n◦ 8.

On observe un pic de torsion vers s = 13mm.
14.5. Méthodes 117
La figure 14.16 illustre l’instabilité du repère de Frenet causée par ce phénomène. Le repère
de Frenet effectue des rotations très brusques autout de son axe tangent
F IGURE 14.16. – Exemple d’instabilité du repère de Frenet d’une courbe presque droite.
On remarque une discontinuité situé dans la zone d’abscisse curviligne 25.
On peut qualifier ce phénomène de "parasite" car il est hautement sensible aux bruits de
la discrétisation de la fonction originale. On peut ainsi imaginer que deux scanners d’un
même piqué conduisent à des approximations complètement différentes de la torsion ma-
thématique de la forme de l’aiguille du piqué. On aurait alors également des valeurs d’angle
d’orientation très différentes.
On précise que ce phénomène est intrinsèque à la géométrie de la courbe approximée et
ne dépend donc pas de la qualité de l’approximation du lissage B-Spline. Il ne peut donc
pas être solutionné par un changement de paramètres tel qu’une augmentation du nombre
de points de contrôle de la spline ou une augmentation de son degré.
On rappelle que dans le cas d’une courbe droite, la courbure n’est pas définie et que le
phénomène est alors susceptible d’apparaître : les aiguilles étant de forme droite à l’état
initial, ce phénomène peut donc potentiellement toucher chaque forme d’aiguille ce qui
constitue un problème.
Par conséquent le calcul de l’angle d’orientation θ par intégration de la torsion à partir de
l’équation (14.13) se révèle particulièrement instable et n’est donc pas utilisée en pratique.
Pour calculer l’angle d’orientation θ nous allons utiliser un autre type de repère mobile
que le repère de Frenet : le repère de rotation minimale. On appelle repère de rotation
minimale, un repère mobile qui ne subit pas de rotation autour de son axe tangent. Pour
tout arc régulier de classe C1 il existe un repère de rotation minimale associé [WJZL08].
Soit un repère de rotation minimale (T, U, V) associé à un arc régulier. Dire que (T, U, V)
est un repère de rotation minimale signifie que l’on a alors les propriétés suivantes concer-
nant les dérivées des vecteurs :
U0 .V = 0
V0 .U = 0
Les figures 14.17a et 14.17b représentent le repère de rotation minimale d’une hélice.
(a) Vue de 3D
(b) Vue de côté
F IGURE 14.17. – Repère de rotation minimale d’une hélice

T (vecteur rouge), U (vecteur vert), V (vecteur bleu).
14.5. Méthodes 119
La partie concernant la reconstruction a introduit la paramétrisation de la poutre par le

repère mobile (T, N1 , N2 ). Sous l’hypothèse de torsion mécanique nulle, on a l’équation
suivante :
0
T 0 cos θ − sin θ T
   
 N1  = κ  − cos θ 0 0   N1  (14.14)
N2 sin θ 0 0 N2
On a donc les relations suivantes :
N1 0 .N2 = 0
N2 0 .N1 = 0
Par conséquent, sous l’hypothèse de torsion mécanique nulle, le repère mobile (T, N1 , N2 )
de paramétrisation de la poutre utilisé par Reissner [Rei73] est un repère de rotation mini-
male.
De plus, à partir de l’équation 14.14, on peut exprimer les fonctions κ et θ en fonction des
vecteurs T, N1 et N2 et de leurs dérivées :
q
2 2
κ = (N1 0 .T) + (N2 0 .T) (14.15)
N1 .T 0
cos(θ ) = − q (14.16)
2 2
(N1 0 .T) + (N2 0 .T)
N2 0 .T
sin(θ ) = q (14.17)
2 2
(N1 0 .T) + (N2 0 .T)
Le calcul des fonctions κ et θ va donc s’opérer en deux temps :

1. on calcule le repère de rotation minimal (T, N1 , N2 ) de la courbe S.
2. on calcule κ et θ à partir du repère (T, N1 , N2 ) avec les équations 14.15, 14.16 et
14.17.
Les repères de rotations minimales ont été étudiés dans de nombreux articles [Bis75,
Klo86, Gug89]. Dans son article, Guggenheimer montre que le repère de rotation mini-
male peut se calculer à partir du repère de Frenet [Gug89]. Avec ce mode de calcul, le
phénomène d’instabilité du repère de Frenet expliqué précédemment peut se répercuter sur
le repère de rotation minimale comme illustré dans la figure 14.18.
F IGURE 14.18. – Déformée d’une aiguille lors d’une insertion dans des tissus.
L’aiguille est faiblement déformée, le calcul de son repère de rotation minimale par
intégration numérique conduit à une instabilité matérialisée par la rotation brusque du
repère autour de l’axe tangent à la courbe (entourée en rouge sur la figure).
Des méthodes de calcul beaucoup plus stables ont été développées pour calculer le repère
de rotation minimale. La méthode utilisée dans la suite de ce manuscrit est celle développée
par Wang et al. [WJZL08], appelé Double reflection method.
Cette méthode procède au calcul du repère de rotation minimale par des transformations
géométriques plutôt que par des calculs numériques, ce qui lui confère une stabilité et une
précision supérieure dans les cas critiques cités précédemment.
Hypothèses : Soit les points de la courbe x0 et x1 et leurs tangentes associées T0 et T1 . Le

repère de rotation minimale au point x0 est R0 = (T0 , U0 , V0 ).
Le calcul du repère de rotation minimale R1 = (T1 , U1 , V1 ) au point x1 se décompose en

deux étapes :
1. Soit P1 le plan bissecteur des points x0 et x1 . On définit le repère intermédiaire

RL0 = TL0 , UL0 , VL0 comme la réflexion du repère R0 par rapport au plan bissecteur

P1 (voir figure 14.19a).
2. Soit P2 le plan bissecteur des points x1 + TL0 et x1 + T1 . Le repère R1 est la réflexion

du repère RL0 par rapport au plan bissecteur P2 (voir figure 14.19b).
14.5. Méthodes 121
(a) Réflexion 1 (b) Réflexion 2
F IGURE 14.19. – Principe de l’algorithme de calcul du repère de rotation minimale par

double réflection.
Schéma des transformations géométriques utilisées par l’approche Double reflection
method (extraits de l’article de Wang [WJZL08]).
L’implantation de cette méthode sous forme de pseudo-code, extraite de l’article de Wang

et al., est la suivante :
Algorithm 3 Input : Points de la courbe xi et tangentes associées Ti , i = 0, .., n.

Repère de rotation minimale initial R0 = (T0 , U0 , V0 )
Output : Approximation des repères de rotation minimales Ri = (Ti , Ui , Vi ), i = 0, .., n.
for i ← 0, n − 1 do
w1 ← xi+1 − xi
c1 ← hw1 | w1 i
ULi ← Ui − c21 hw1 | Ui iw1
TLi ← Ti − c21 hw1 | Ti iw1
w2 ← Ti+1 − TLi
c2 ← hw2 | w2 i
Ui+1 ← ULi − c22 hw2 | ULi iw2
Vi+1 ← Ti+1 ∧ Ui+1
Ri+1 ← (Ti+1 , Ui+1 , Vi+1 )
end for
La figure 14.20 montre comment cette méthode, appliquée sur la même courbe que celle
de la figure 14.18, permet d’obtenir un calcul de repère de rotation minimale correct là où
la méthode précédente échoue.
F IGURE 14.20. – Repère de rotation minimale d’une courbe presque droite calculée par la
méthode de double réflection.
On dispose donc d’une méthode de calcul du repère de rotation minimale efficace qui
permet ainsi de calculer les fonctions courbures et angles d’orientations de chaque aiguille,
en s’affranchissant des limitations intrinsèques à l’utilisation du repère de Frenet.
14.6 Résultats
14.6.1 Approximation de formes
Cette partie présente les résultats de reconstruction sous forme de B-spline des aiguilles
des scanners de porcs et de patients.
Les aiguilles utilisées sont des aiguilles hypodermiques standards composées de deux par-
ties : la partie interne et la partie externe comme on peut le voir dans la figure 14.21.
14.6. Résultats 123
F IGURE 14.21. – Partie externe et interne de l’aiguille.

Source : www.fishersci.com
Les aiguilles présentes dans les scanners de porcs et les scanners patients sont des aiguilles
de longueur 200 mm, c’est la taille de leur partie externe. Les aiguilles sont reconstruites
sous forme de B-Spline dont on peut mesurer la longueur grâce à l’abscisse curviligne.
Les longueurs des aiguilles reconstruites de porcs sont présentées dans l’histogramme de
la figure 14.22.
F IGURE 14.22. – Histogramme des longueurs des aiguilles de porcs (en mm).
On remarque que les longueurs des aiguilles reconstruites sont comprises entre 207 mm et
214 mm, soit beaucoup plus que la longueur réelles des aiguilles utilisées qui est de 200
mm. Ce surplus de longueur est du au fait que lors de la segmentation de l’aiguille dans le
scanner toute la partie métallique associée à l’aiguille est segmenté, pas seulement la partie
externe mais aussi la partie interne présente dans l’embase (figure 14.21).
Or on s’intéresse uniquement à la partie externe de l’aiguille, celle susceptible de se défor-
mer. On effectue donc un recalage de chaque aiguille de façon à faire coïncider le début de
l’aiguille avec le début de la partie externe. Ce recalage consiste à utiliser l’abscisse cur-
viligne de la B-Spline pour mesurer la longueur de l’aiguille à partir de l’extrémité distal
de la B-Spline et ainsi définir la nouvelle extrémité proximale de l’aiguille correspondant
à l’interface entre les parties internes et externes.
On définit la flèche d’une aiguille déformée comme la distance entre l’extrémité distale et
la droite passant par l’extrémité proximale et tangente à l’aiguille (figure 14.23).
F IGURE 14.23. – Flèche d’une aiguille déformée
14.6.1.1 Aiguilles de porcs
A titre d’exemple, quelques reconstructions de formes d’aiguille de porcs sont présentées

dans la figure 14.24. L’ensemble des figures des reconstructions d’aiguilles de porcs est
disponible dans l’annexe 19.4.1.
(a) Aiguille 7 (b) Aiguille 9
(c) Aiguille 10 (d) Aiguille 21
(e) Aiguille 37 (f) Aiguille 42
F IGURE 14.24. – Reconstruction des aiguilles de porcs
On présente maintenant quelques résultats préliminaires concernant les aiguilles de porcs

reconstruites. Les statistiques concernant les flèches des aiguilles sont regroupées dans le
tableau 14.1 tandis que son histogramme est présenté dans la figure 14.25.
Minimum Maximum Moyenne Ecart type

0.8 mm 22.9 mm 9.0 mm 4.0 mm
TABLE 14.1. – Données statistiques des flèches des aiguilles porcs reconstruites.
F IGURE 14.25. – Histogramme des flèches des aiguilles de porcs (en mm).
14.6.1.2 Aiguilles patients
La figure 14.26 présente quelques reconstructions de formes d’aiguille de patients. L’en-

semble des figures des reconstructions d’aiguilles de patients est disponible dans l’annexe
19.4.2.
(a) Aiguille 2 (b) Aiguille 4
F IGURE 14.26. – Reconstruction des aiguilles patients
Les statistiques concernant les flèches des aiguilles sont regroupées dans le tableau 14.1
tandis que son histogramme est présenté dans la figure 14.25.
Minimum Maximum Moyenne Ecart type

1.9 mm 11.1 mm 5.3 mm 2.9 mm
TABLE 14.2. – Données statistiques des flèches des aiguilles patients reconstruites.
F IGURE 14.27. – Histogramme des flèches des aiguilles de patients (en mm).
14.6.2 Approximations de la courbure et de l’angle d’orientation
14.6.2.1 Aiguilles de porcs
Les figures 14.28 et 14.29 présentent les fonctions courbures et angles d’orientation pour
deux aiguilles de porcs reconstruites.
(a) Courbure de l’aiguille (b) Angle d’orientation de l’aiguille
F IGURE 14.28. – Fonctions courbure et angle d’orientation de l’aiguille de porc n◦ 4.

F IGURE 14.29. – Fonctions courbure et angle d’orientation de l’aiguille de porc n◦ 6.
14.6.2.2 Aiguilles patients
Les figures 14.30 et 14.31 présentent les fonctions courbures et angles d’orientation pour
deux aiguilles patients reconstruites.
F IGURE 14.30. – Fonctions courbure et angle d’orientation de l’aiguille patient n◦ 3.

14.7. Discussion 129
F IGURE 14.31. – Fonctions courbure et angle d’orientation de l’aiguille patient n◦ 5.
14.7 Discussion
Les résultats précédents ont permis d’illustrer les fonctions courbures et angles d’orienta-
tion à partir des scanners de piqués d’aiguilles. Des travaux précédents, conduits par Ade-
line Robert [RCB+ 13], avaient déjà permis de caractériser un échantillon d’aiguille de don-
nées scanners par une base de force mais le traitement était alors réalisé en 2D [RCB+ 13].
A notre connaissance, il n’existe pas d’étude de données expérimentales réalisée en 3D
portant sur les déformations des aiguilles.
La principale limite de notre étude concerne la précision avec laquelle ont été obtenues
les fonctions courbures et angles d’orientation. La figure 14.32 récapitule les processus
d’obtention de ces fonctions avec les différents erreurs d’approximation commise entre
chaque étapes.
Aiguilles erreuracquisition
déformées Scanner
dans les tissus
erreurreconstruction
Courbure et
Forme de l’aiguille
angle d’orientation erreurcalcul
F IGURE 14.32. – Erreurs et étapes de reconstructions.

On représente les erreurs des différentes étapes du calcul de la courbure et de l’angle
d’orientation d’une aiguille à partir d’un de ses scanners.
Par conséquent l’erreur totale d’approximation est la somme des erreurs d’approximation
commise à chaque étape :
erreurtotal = erreuracquisition
+ erreurreconstruction
+ erreurcalcul
L’erreur d’acquisition est causée par la discrétisation de la forme continue de l’aiguille

dans les voxels et est donc déjà présente dans les scanners sur lesquels nous travaillons.
L’erreur de reconstruction est due au bruit présent sur le scanner et la méthode de re-
construction choisie, dans notre cas le lissage par B-Spline quintique utilisant la validation
croisée généralisée. L’état de l’art réalisé en début de chapitre avait pour objectif d’être
le plus complet possible pour balayer le spectre de l’ensemble des méthodes permettant
d’estimer les dérivées et ainsi pouvoir choisir la plus précise possible. Dans notre cas l’uti-
lisation conjointe du lissage par spline et de la validation croisée généralisée, deux mé-
thodes ayant fait leur preuve comme méthodes d’approximation constitue un argument en
faveur de la précision et de la performance de notre méthode d’approximation. Néanmoins
cette dernière n’est pas exempte d’erreur d’approximation comme on peut le voir dans les
figures 14.28 et 14.29. En effet, les approximations de la courbure au voisinage de l’abs-
cisse s=200 mm sont particulièrement mauvaises : la courbure de l’aiguille devrait être
nulle à l’extrémité distale car aucun moment de flexion ne s’exerce sur celle ci. Ce phé-
nomène provient de la mauvaise approximation réalisée par le lissage aux extrémités de la
spline [Rag83, GM79]. Il serait intéressant de pouvoir évaluer l’erreur commise par notre
méthode de reconstruction de forme. Malheureusement cette tache se révèle ardue car on
ne connait pas la forme précise de l’aiguille originale ce qui rend la comparaison impos-
sible. L’erreur de calcul est due quant à elle aux approximations réalisées par les méthodes
de calcul utilisées pour le calcul des fonctions courbure et angle d’orientation. Comme pré-
cisé dans ce chapitre, la méthode utilisée, basée sur le repère de rotation minimale calculé à
partir de transformation géométrique, se révèle de loin beaucoup plus stable et précise que
les méthodes de calcul les plus basiques utilisant les formules brutes de ces deux fonctions.
On a donc, tout au long de ce chapitre, apporté un soin particulier à construire une méthode
d’approximation des fonctions courbure et angle d’orientation qui soit la plus précise pos-
sible.
Les résultats obtenus grâce à cette approche, sur deux ensembles d’aiguilles différents,
confèrent ainsi à notre étude des déformations d’aiguilles précision et exhaustivité.
14.8 Conclusion
On a donc fait l’approximation des formes des aiguilles de nos deux ensembles de réfé-
rences porcs et patients grâce aux B-Splines 3D. Une fois l’approximation réalisée, on a pu
extraire les fonctions courbure et angle d’orientation par le calcul des repères de rotations
14.8. Conclusion 131
minimales. A chaque piqué d’aiguille on a ainsi associé les fonctions courbure et angle
d’orientation de la forme d’aiguille. Ces couples de fonctions vont être utilisées dans la
suite du manuscrit.
CHAPITRE 15
OPTIMISATION DES POSITIONS DES CAPTEURS
15.1 Introduction
Cette partie aborde le problème de positionnement des triplets de capteurs le long de l’ai-
guille. Pour un nombre de triplets de capteurs donné on souhaite trouver les positions de
ces triplets qui vont permettre de reconstruire la forme de l’aiguille le plus précisément
possible. On présente tout d’abord les méthodes existantes dans la littérature en soulignant
leurs éventuels points faibles. Notre méthode reprendra la même structure de ces méthodes
avec des améliorations visant à corriger ces points faibles.

Le problème d’optimisation de la position des capteurs sur l’aiguille est un sujet relati-
vement récent et donc assez peu documenté [PED+ 10, SGA+ 13]. De plus, peu d’articles
abordant le problème de reconstruction de la forme de l’aiguille à partir des capteurs traitent
également du problème de leurs positions optimales. La problématique est de trouver la po-
sition des capteurs qui permet d’obtenir la reconstruction de l’aiguille la plus précise pos-
sible. La mesure de précision est faite à partir de l’erreur de reconstruction définie comme
la distance entre les extrémités de l’aiguille reconstruite et de l’aiguille originale. Dans
leurs articles Park et al. [PED+ 10] et Seifabadi et al. [SGA+ 13] proposent une méthode
pour construire des ensembles d’aiguilles de référence à partir de forces théoriques 2D en
utilisant la théorie des poutres. Le principe est le suivant : on commence par modéliser
l’aiguille et son cas de charge lors d’une insertion dans les tissus par une aiguille droite sur
laquelle on applique différentes forces ponctuelles et continues comme illustrées dans la
figure 15.1.
Les amplitudes de ces forces sont fixées à partir de données expérimentales et présentées
dans le tableau 15.1. Un cas de charges est alors déterminé de manière aléatoire et par
application de la théorie des poutres 2D on détermine la déformée associée. Cette der-
134 Chapitre 15. Optimisation des positions des capteurs
F IGURE 15.1. – Cas de charges théorique d’une aiguille.

Modèle de forces appliquées sur une aiguille modélisée par une poutre droite. Faxiale et
Fradiale sont des forces ponctuelles tandis que w est une densité linéique de force.
nière constituera alors l’aiguille originale. L’ensemble des aiguilles ainsi créé constitue
l’ensemble d’aiguilles de référence.
Charge distribuée Force ponctuelle

Auteurs
w (N.m−1 ) Axiale Fx (N) Radiale Fy (N)
Park et al. [-5.13,5.13] [0.0,0.1] [-0.1,0.1]
Seifabadi et al. [-5.0,5.0] [0.0,0.15] [-5.0,5.0]
TABLE 15.1. – Modèle de forces des aiguilles de références.
L’enjeu va maintenant être d’identifier les positions optimales des capteurs de cet ensemble
d’aiguille de références qui sont définies comme les positions qui minimisent l’erreur qua-
dratique moyenne de reconstruction. Pour cela, les valeurs de déformations renvoyées par
les capteurs sont simulées à partir des aiguilles composant l’ensemble d’aiguille de réfé-
rence. Ces valeurs de déformations sont ensuite utilisées avec la théorie des poutres 2D
pour obtenir les formes des aiguilles reconstruites. L’erreur de reconstruction peut alors
être calculée pour chaque aiguille et donc pour tout l’ensemble des aiguilles de référence.
Les différentes étapes de cette méthode sont présentées dans la figure 15.2.
15.3. Méthodes 135
Cas de charges
& Positions des capteurs
Théorie des poutres 2D
Déformations
des capteurs
Reconstruction 2D
Aiguilles originales Aiguilles reconstruites
Ecart entre les flèches
Erreur de reconstruction
F IGURE 15.2. – Erreur de reconstruction 2D pour une position donnée de capteurs à partir
de cas de charges.
La fiabilité des résultats dépend de l’exhaustivité de cet ensemble d’aiguille. On voit dans
le tableau 15.1 que des les amplitudes des forces présentent des différences. Ainsi alors que
les amplitudes des forces distribuée et axiale sont similaires, l’amplitude de la force radiale
varie d’un facteur 50 selon les articles. Cela illustre la difficulté d’évaluer les forces appli-
quées à l’aiguille durant l’insertion. Cette importante différence d’amplitude entrainerait
des disparités entre les formes des ensembles de références d’aiguilles qui sont pourtant
censés être représentatifs (et donc exhaustifs) des façons dont se déforment les aiguilles.
Ces exemples illustrent ici le problème inhérent de cette méthode qui est l’insuffisance de
connaissance de la représentativité des cas de forces employés.
15.3 Méthodes
Nous allons dans cette section présenter notre propre méthode de positionnement des cap-
teurs de déformations sur l’aiguille.
Notre objectif est double par rapport aux méthodes existantes :
• augmenter la précision : pour cela nous allons traiter le problème non pas en 2D mais
directement en 3D. A notre connaissance il n’existe pas dans la littérature d’article
traitant du positionnement des capteurs avec un traitement mathématique et physique
complètement 3D.
• améliorer la représentativité : comme vu précédemment, un des principal défaut des

méthodes existantes de positionnement des capteurs concerne la représentativité des
cas de charges appliqués. Pour pallier ce problème les aiguilles de références seront
générées, non pas à partir de données aléatoires, mais à partir de données réelles
provenant de l’étude des populations d’aiguilles réalisée précédemment. L’ensemble
des aiguilles de référence est ainsi constitué des B-Splines de lissage créé dans la
partie précédente.
La partie suivante est consacrée à la présentation de la méthode pour trouver les positions
optimales des triplets de capteurs qui sont les positions qui vont minimiser l’erreur de
reconstruction quadratique moyenne des aiguilles de référence. Notre approche se divise
en deux parties :
1. Une méthode est mise en place pour évaluer l’erreur de reconstruction d’une aiguille
de référence pour une position de capteurs donnée. Pour cela on va simuler les don-
nées renvoyées par les capteurs pour cette position et utiliser ces données pour ob-
tenir l’aiguille reconstruite. L’erreur de reconstruction est alors la distance entre les
extrémités distales de l’aiguille de référence et de l’aiguille reconstruite. Ces étapes
sont illustrées dans la figure 15.3.
2. Cette erreur de reconstruction va ensuite être minimisée sur l’ensemble des aiguilles
de références. Les positions des capteurs qui minimisent cette erreur sont appelés
positions optimales des capteurs.
15.3. Méthodes 137
Scanners Positions des

d’aiguilles capteurs
Modèle Théorie des poutres 3D
Déformations
des capteurs
Reconstruction 3D
Aiguilles originales Aiguilles reconstruites
Distance entre les extrémités distales
Erreur de reconstruction
F IGURE 15.3. – Erreur de reconstruction pour une position donnée de capteurs à partir de
données réelles d’aiguilles.
On va maintenant expliciter mathématiquement notre problème et notre méthode de réso-

lution.
Soit L la longueur en mm du type d’aiguille considéré. Soit na le nombre d’aiguilles de
notre ensemble d’aiguilles originales R contenant les approximations B-Splines :
R = (Si )i∈J1,na K
On note n le nombre de triplets de capteurs situés sur l’aiguille. La position du ime triplet
de capteur est noté li . Les positions li des capteurs étant en millimètres on ne va considérer
que les positions entières : on a donc ∀i ∈ J1, nK, li ∈ J1, L − 1K. On définit le vecteur L
comme contenant l’ensemble des positions des triplets de capteurs :
l1
 
L =  ...  ∈ Rn
 
ln
Les triplets de capteurs sont triés par ordre croissant de position c’est à dire :



 −l1 ≤ −1
l1 − l2

≤ −1





l2 − l3

≤ −1
0 < l1 < ... < ln < L ⇔ . ..

 .. .


ln−1 − ln ≤ −1





l

≤ L−1
n
Cette relation peut se traduire matriciellement par la relation :
AL ≤ b
avec les matrices A et b suivantes :
−1 0 · · · · · · 0
   
−1
..
 1 −1 . . . . ..
 
.
  
 
. ..
 
A= 0 . et b= ..
 
1 . .
 
−1   .


 .. .. ..
   
 . . 1 . 0 −1
  

0 ··· 0 1 −1 L−1
Soit En l’ensemble qui pour n triplets de capteurs contient toutes les positions possibles de
triplets :
En = {X ∈ Nn , AX ≤ b} (15.1)
Soit S l’ensemble des B-Splines 3D.

Soit tip la fonction donnant la déformée d’une aiguille à partir de son approximation B-
Spline S :
tip : S → R+
S 7→ tip(S)
Soit rec la fonction de reconstruction qui renvoie la B-Spline S de la forme l’aiguille re-
construite à partir de positions de triplets de capteurs L et de données associées de courbure
15.3. Méthodes 139
et d’angle d’orientation D. Cette fonction est construite à partir de la théorie développée

dans la partie précédente sur la reconstruction :
rec : En × R2n → S
(L, D) 7→ rec (L, D)
Soit sim la fonction de simulation qui à une aiguille de forme S et à des positions de triplets
de capteurs L simule les données de courbure et d’angle d’orientation D que renverraient
les triplets de capteurs. Cette fonction est basée sur la partie précédente concernant l’étude
de population d’aiguille dans laquelle on a calculé les fonctions courbure et angles d’orien-
tations associées à chaque forme d’aiguille expérimentale :
sim : S × En → R2n
(S, L) 7→ sim (S, L)
On note g la fonction d’erreur de reconstruction d’une aiguille de forme S pour des po-
sitions de triplets de capteurs L. L’erreur de reconstruction est définie comme la distance
entre l’extrémité de l’aiguille originale de forme S et l’extrémité de l’aiguille reconstruite
à partir des données simulées pour des triplets de capteurs situés aux positions L :
g : S × En → R+
(S, L) 7→ g (S, L) = ktip(S) − tip(rec(L, sim(S, L)))k
On définit la fonction fR qui renvoie renvoie l’erreur quadratique de reconstruction de

l’ensemble d’aiguilles originales R pour les positions de triplets de capteurs L.
fR : En → R+
L 7→ fR (L) = ∑ g (S, L)2 (15.2)
S∈R
On définit alors le problème de positionnement des n triplets de capteurs le long de l’ai-

guille comme le problème d’optimisation 1 dont l’ensemble admissible 2 est En et dont la
fonction-coût 3 est fR :
minimiser fR (L)
(15.3)
tel que L ∈ En
1. un problème d’optimisation consiste à trouver la meilleure solution parmi un ensemble de solutions

potentielles.
2. l’ensemble admissible est l’ensemble qui contient toutes les solutions potentielles.
3. la fonction-coût est la fonction que l’on chercher à maximiser ou minimiser.
On définit les positions optimales de triplets de capteurs comme les solutions du problème
15.3. Comme tout problème d’optimisation ce problème admet deux types de solutions :
les solutions globales et les solutions locales.
• Les solutions globales sont les éléments Lglob de En tel que fR (Lglob ) est un extre-
mum global de fR , c’est à dire :
∀L ∈ En , fR (Lglob ) ≤ fR (L)
• Les solutions locales sont les éléments Lloc de En tel que fR (Lloc ) est un extremum
local de fR , c’est à dire qu’il existe un voisinage V ⊂ En de Lloc tel que :
∀L ∈ V , fR (Lloc ) ≤ fR (L)
On a évidemment :
fR (Lglob ) 6 fR (Lloc ) (15.4)
L’équation 15.4 traduit le fait que les solutions globales sont meilleures au sens de la mi-
nimisation de la fonction coût que les solutions locales. On cherchera donc en priorité les
solutions globales du problème de minimisation 15.3.
La recherche des solutions des problèmes d’optimisation se fait à l’aide de méthodes d’op-
timisation, ces dernières étant pour la plupart spécialisées dans la résolution d’un problème
de type précis. Le problème 15.3 est un problème d’optimisation qui fait partie de la classe
des problèmes d’optimisation non linéaire en nombres entiers (en anglais : Mixed Inte-
ger Nonlinear Programming (MINLP)) qui regroupe les problèmes d’optimisation dont la
fonction de coût est non-linéaire (ici l’erreur de reconstruction quadratique g) et dont les
solutions sont des valeurs entières (ici les positions des triplets de capteurs L arrondies au
millimètre). On employera donc une méthode d’optimisation spécialement conçue pour les
problèmes de ce genre et selon le type de solution recherché cette méthode d’optimisation
sera globale ou locale.
Les méthodes d’optimisation globales pour les problèmes de types MINLP font appel
à des hypothèses supplémentaires : soit la convexité de la fonction coût pour les pro-
blème de type MINLP convexes (AOA [RB09], BONMIN [BBC+ 08]) soit l’expression
de la fonction coût pour les problèmes de type MINLP non convexes (BARON [TS02],
Couenne [BLL+ 09]). Dans le cas du problème 15.3 l’expression de la fonction-coût f dé-
pend des fonctions rec et sim dont l’implantation algorithmique fait appel à des fonctions
contenues dans des librairies externes. La fonction f se comporte ainsi comme une boite
noire dont on ne peut connaître ni l’expression, ni la convexité. Par conséquent les solutions
globales du problème 15.3 ne peuvent s’obtenir à l’aide de méthodes d’optimisation.
La seule méthode restante permettant de trouver les solutions globales reste alors l’éva-
luation exhaustive de toutes les solutions possibles. En effet le problème 15.3 de position
des triplets de capteurs est un problème de minimisation dans l’espace En de dimension n,
n étant le nombre de triplets. L’espace En étant un espace de nombres entiers bornés son
15.3. Méthodes 141
cardinal card(En ) est fini ce qui signifie que le nombre de positions différentes des triplets
de capteurs est fini. En évaluant la fonction coût pour toutes ces positions on peut alors
déterminer celles qui minimisent l’erreur de reconstruction sur En et qui sont donc les so-
lutions globales du problème 15.3. On présente dans le tableau 15.2 le nombre de positions
différentes de triplets de capteurs en fonction du nombre de capteurs dans le cas d’une
aiguille de longueur L = 200 mm ainsi que le temps de calcul estimé à l’évaluation de la
fonction-coût f pour toutes ces positions. Le temps de calcul t mesuré d’une évaluation de
la fonction f est d’environ t ' 10 s.
Nombres de positions Temps de calcul de la

Nombre de triplets de
de triplets différentes : fonction-coût pour toutes
capteurs : n
card(En ) les positions
1 199 30 minutes
2 1.9 × 104 2 jours
3 1.3 × 106 150 jours
4 6.3 × 107 20 ans
5 2.5 × 109 700 ans
6 8.0 × 1010 25 000 ans
7 2.2 × 1012 700 000 ans
8 5.3 × 1013 17 000 000 ans
9 1.1 × 1015 360 000 000 ans
TABLE 15.2. – Nombres de positions entières de triplets de capteurs différentes en fonction

du nombre de triplets de capteurs pour une aiguille de 200 mm.
On constate donc que le temps de calcul de l’erreur de reconstruction de l’ensemble des

positions est prohibitif et on en conclut que le calcul des solutions globales du problème de
minimisation 15.3 par énumération exhaustive n’est donc pas envisageable.
Par conséquent aucune des méthodes d’optimisations globales ne peut s’appliquer au pro-
blème 15.3 : on ne peut donc pas déterminer ses solutions globales.
On va donc restreindre notre recherche de solution aux solutions locales en utilisant des
méthodes d’optimisation locales pour les problèmes de types MINLP. Ces méthodes sont
basées sur des algorithmes de recherche qui déterminent la meilleure solution en se basant
sur des critères d’arrêts, les plus simples étant par exemple le nombre d’évaluation de la
fonction coût ou le temps depuis le début des calculs, les plus avancées faisant appels à
des arguments heuristiques. Les méthodes d’optimisation locales sont conçues pour cal-
culer des solutions presque optimales, c’est à dire qui s’approchent le plus possible des
solutions globales. Néanmoins l’erreur d’approximation commise entre les solutions ren-
voyées et les solutions globales du problème ne peut-être calculée. Parmi les paramètres qui
peuvent influer sur la précision des solutions renvoyées figurent : l’algorithme de résolu-
tion, le nombre de dimension du problème, le nombre d’évaluation de la fonction coût et la
topologie de la fonction-coût. Les propriétés de convexité de cette dernière sont très impor-
tantes, en effet plus le nombre d’"aspérité" de la fonction coût est élevé, plus la recherche
de solutions sera difficile. Les méthodes d’optimisation locales MINLP sélectionnés pour
résoudre le problème 15.3 sont : NOMAD [LD11], KNITRO [BNW06] et Genetic Algo-
rithm [MT]. Le fonctionnement des algorithmes de ces méthodes dépasse le cadre de cette
thèse, on donnera donc juste une brève description des méthodes ci-dessous :
• NOMAD : Cette méthode se base sur l’algorithme Mesh Adaptive Direct Search [ADJ06]
dédié à l’optimisation contraintes non-linéaires, qui concerne les fonctions dont on
ne dispose pas de l’expression analytique et dont les dérivées ne sont pas connues.
• KNITRO : Cette méthode d’optimisation utilise conjointement plusieurs approches.
Parmi les algorithmes disponibles pour résoudre les problèmes de type MINLP fi-
gurent une version de type branch and bound non-linéaire, un algorithme implé-
mentant la méthode Quesada-Grossman pour les problèmes de type MINLP et enfin
un algorithme implémentant une méthode Mixed-Integer Sequential Quadratic Pro-
gramming 4 .
• MATLAB Genetic Algorithm : Cette méthode utilise le principe des algorithmes géné-
tiques qui résoud les problèmes de minimisation contraints et non-contraints en imi-
tant le processus de sélection naturelle biologique. Le schéma de résolution est basé
sur la modification répétée d’une population de solutions. A chaque itération l’algo-
rithme génétique sélectionne aléatoirement des individus de la population actuelle et
s’en sert comme parents pour produire les enfants de la génération suivante. Ainsi, au
fur à mesure des générations, la population évolue vers une solution optimale. Cette
classe d’algorithme est particulièrement adaptée à la résolution de problème d’op-
timisation qui ne conviennent pas aux algorithmes d’optimisation standards comme
les problèmes non-continus et non-linéaires. Ces raisons font que les algorithmes gé-
nétiques sont particulièrement adaptés aux problèmes de type MINLP. 5
Ces trois méthodes seront ainsi utilisées conjointement pour résoudre le problème 15.3.
Pour chaque nombre de triplets de capteurs on obtiendra alors trois ensembles de positions
de triplets, chacun solution d’une des méthodes d’optimisation. On désigne par le terme
positions optimales les position des triplets de capteurs parmi les trois résultats renvoyés
par les algorithmes qui ont la plus petite erreur moyenne quadratique de reconstruction
associée.
En conclusion, une approche permettant de résoudre le problème de positionnement des
triplets de capteurs à partir de données réelles d’aiguilles a été énoncée. La modélisation
mathématique de cette approche a donné naissance à un problème d’optimisation de type
MINLP dont la résolution par l’utilisation de méthodes d’optimisation locale a été propo-
sée.
4. https ://www.artelys.com/tools/knitro_doc/2_userGuide/minlp.html
5. https ://fr.mathworks.com/discovery/genetic-algorithm.html
15.4 Résultats
Les résultats présentés dans cette section sont divisés en deux parties. Dans la première
partie sont présentés les résultats des positions optimales de triplets calculées par minimi-
sation à partir de l’ensemble des aiguilles de porcs. La seconde partie est consacrée aux
résultats de validation de ces positions par comparaison des reconstructions avec et sans
positions optimales.
15.4.1 Positions optimales des triplets de capteurs pour les aiguilles

de porcs
La minimisation du problème 15.3 a été effectuée avec les méthodes d’optimisation NO-
MAD, KNITRO et MATLAB Genetic Algorithm pour un nombre de triplets de capteurs
n allant de 1 à 10. Les résultats des positions de triplets de capteurs sont présentés dans le
tableau 15.3, les positions optimales de triplets sont colorées en vert. La figure 15.4 illustre
les aiguilles avec les capteurs situés aux positions optimales.
Nombre de triplets de capteurs n

Algorithme
1 2 3 4 5
NOMAD 81 28, 101 25, 78, 139 9, 40, 95, 144 10, 34, 77, 128, 171
KNITRO 81 55, 181 25, 77, 136 15, 55, 104, 147 11, 34, 77, 128, 171
MATLAB GA 81 28, 101 25, 77, 136 9, 40, 95, 144 11, 34, 73, 122, 170
Nombre de triplets de capteurs
Algorithme
6 7
NOMAD 11, 25, 52, 84, 129, 171 13, 22, 40, 70, 102, 130, 170
KNITRO 10, 33, 72, 108, 141, 171 10, 33, 71, 108, 142, 171, 190
MATLAB GA 10, 33, 72, 108, 141, 171 10, 33, 71, 108, 134, 141, 171
Algorithme
8 9
NOMAD 10, 33, 71, 107, 135, 137, 140, 169 13, 23, 41, 74, 105, 133, 154, 170, 176
KNITRO 13, 23, 42, 72, 105, 134, 171, 193 13, 22, 41, 70, 103, 128, 153, 181, 191
MATLAB GA 13, 22, 41, 69, 97, 100, 128, 171 10, 20, 33, 55, 97, 125, 146, 171, 179
Algorithme
10
NOMAD 5, 20, 26, 36, 58, 82, 110, 130, 144, 171
KNITRO 10, 20, 33, 56, 90, 113 ,133, 155, 180, 191
MATLAB GA 10, 20, 33, 55, 91, 114, 142, 158, 164, 177
TABLE 15.3. – Positions optimales (mm) des triplets de capteurs sur l’ensembles des ai-
guilles de porcs en fonction du nombre de triplet et des algorithmes d’opti-
misations.
Pour chaque nombre de triplets de capteurs on affiche en vert la position optimale.
F IGURE 15.4. – Position optimales des triplets de capteurs.
Le tableau 15.3 permet de mettre en évidence l’influence du nombre de triplets de capteurs

sur la proximité des solutions renvoyées par les différents algorithmes. En effet dans le cas
d’un seul triplet de capteur, les positions optimales sont renvoyées par les trois algorithmes.
Pour un nombre de triplet de capteur compris entre deux et quatre les positions optimales
sont renvoyées par deux algorithmes sur trois seulement. Dans le cas d’un nombre de tri-
plets de capteurs égal à cinq les positions optimales ont été trouvées par un seul algorithme.
Néanmoins les deux autres positions données comme solutions ont des erreurs de recons-
truction proches. Enfin pour un nombre de triplets de capteurs supérieur à six les positions
optimales ont été trouvé par un seul algorithme à chaque fois. De plus les deux autres po-
sitions renvoyées comme solution ont des erreurs de reconstruction éloignées. On constate
ainsi que plus le nombre de de triplets n devient grand, moins les résultats des algorithmes
de minimisation convergent vers la même solution.
Comme indiqué précédemment l’évaluation exhaustive de la fonction-coût pour toutes les
positions n’est pas une méthode de minimisation envisageable pour un nombre de triplets
élévé à cause de son temps de calcul prohibitif mais reste possible pour un nombre de
triplets restreints. Dans ce cas, le calcul complet de la fonction-coût permet de trouver avec
certitude les solutions globales des positions qu’il sera alors possible de comparer avec les
positions optimales renvoyées par les algorithmes de minimisation (tableau 15.3). Le calcul
complet de f dans le cas n = 1, dont on affiche la représentation graphique dans la figure
15.5, donne le minimum global de f en l1 = 81 ce qui est également la position optimale
calculée par minimisation.
De la même façon le calcul complet de f dans le cas où n = 2 est illustré dans la figure
15.6 permet de situer le minimum global de f en (l1 , l2 ) = (28, 101) qui est également la
F IGURE 15.5. – Fonction coût 1D du problème d’optimisation.

Graphique avec échelle logarithmique de la fonction-coût f du problème d’optimisation
15.3 pour un nombre de triplet de capteur n = 1. Le logarithme de l’erreur de
reconstruction quadratique de l’ensemble des aiguilles de porcs est représenté en
ordonnée en fonction de la position du triplet 1 en abscisse.
position optimale calculée par minimisation.

Ces résultats confirment que dans le cas où le problème de minimisation est de faible di-
mension (n ≤ 2) les solutions renvoyées par les algorithmes d’optimisation sont les solu-
tions globales.
L’analyse des positions optimales de capteurs présentées dans le tableau 15.3 laisse appa-
raître que les positions optimales des triplets de capteurs sont de plus en plus espacées au
fur et à mesure qu’on se déplace de l’extrémité proximale vers l’extrémité distale comme
le montre le figure 15.7. Ce phénomène est surtout visible pour un nombre de triplets infé-
rieur à 6, au delà les positions des triplets semblent moins respecter cette condition. Cette
observation se caractérise par la position du barycentre des triplets de capteurs, dont le cal-
cul indique que celui-ci est compris entre entre 64 mm et 93 mm et est donc plus proche de
l’extrémité proximale que de l’extrémité distale.
La littérature concernant le positionnement des capteurs de déformations sur une aiguille
hypodermique est peu importante [PED+ 10, SGA+ 13], on a donc peu de données aux-
quelles comparer nos résultats. L’article de Park [PED+ 10] traite le cas des aiguilles de
longueur 150 mm avec 2 triplets de capteurs. Les travaux Seifabadi [SGA+ 13] portent sur
les aiguilles de 110 mm avec 3 triplets de capteurs. Nos travaux, quant à eux, abordent le
cas des aiguilles de 200 mm. Pour pouvoir comparer ces résultats, les positions des tri-
F IGURE 15.6. – Fonction coût 2D du problème d’optimisation.

Graphique avec échelle logarithmique de la fonction-coût f du problème d’optimisation
15.3 pour un nombre de triplet de capteur n = 2. Le logarithme de l’erreur de
reconstruction quadratique de l’ensemble des aiguilles de porcs est représenté en fonction
de la position du triplet 1 en abscisse et de la position du triplet 2 en ordonnée.
plets de capteurs seront exprimées en terme de pourcentage de longueur d’aiguille. Les

différentes positions des triplets de capteurs sont alors représentées dans la figure 15.8.
On remarque à partir de la figure 15.8 que les conclusions de la confrontation de nos ré-
sultats avec ceux de la littérature diffèrent selon le nombre de triplets de capteurs. Dans
le cas de deux triplets de capteurs les positions optimales trouvées sont très proches des
résultats de Park (14% et 51% contre 15% et 57%). A l’inverse dans le cas de trois triplets
de capteurs les positions optimales diffèrent totalement de celles trouvées par Seifabadi
(13%, 39% et 68% contre 27%, 72% et 90%).
15.4.2 Reconstruction des aiguilles de porcs avec les positions

optimales
En ce qui concerne l’ensemble des aiguilles de porcs, les positions optimales de capteurs
présentées dans la partie précédente permettent une reconstruction plus précise (au sens de
l’erreur moyenne quadratique) qu’avec n’importe quelle autre position de capteurs. Nous
allons caractériser ce gain de précision en comparant la reconstruction de cet ensemble avec
des positions optimales et avec des positions "arbitraires". Le choix des positions arbitraires
se porte sur les positions équidistantes, c’est à dire celles où le premier et le dernier capteur
sont situés aux extrémités de l’aiguille et où l’espace entre chaque capteur est constant.
Cette partie expose les résultats de comparaison de ces reconstructions.
F IGURE 15.7. – Distance entre les positions optimales des triplets de capteurs.
Positions des triplets de capteurs pour un nombre de triplets compris entre 1 et 6. Les
distances entre les triplets et les extrémités de l’aiguille sont affichées en milimètre.
Les figures 15.9 et 15.10 présentent les résultats statistiques des erreurs de reconstructions
des aiguilles de porcs selon le positionnement et le nombre de triplets de capteurs. Dans
chaque cas les extrémités des segments représentent le minimum et le maximum tandis que
les boites encadrent les données du premier au troisième quartile. La médiane est représen-
tée par un segment rouge.
F IGURE 15.8. – Comparaison des résultats des positions optimales de triplets de capteurs
F IGURE 15.10. – Effet du positionnement des capteurs sur la reconstruction des aiguilles
de porcs pour 6 à 10 triplets de capteurs.
Diagramme en boites de l’erreur de reconstruction des aiguilles de porcs selon les
positions de triplets pour un nombre de triplets de capteurs allant de 6 à 10. Les segments
aux extrémités désignent les minima et maxima, les boites encadrent les valeurs du
premier au troisième quartile tandis que la médiane est tracée en rouge.
F IGURE 15.9. – Effet du positionnement des capteurs sur la reconstruction des aiguilles de
porcs pour 1 à 5 triplets de capteurs.
Diagramme en boites de l’erreur de reconstruction des aiguilles de porcs selon les
positions de triplets pour un nombre de triplets de capteurs allant de 1 à 5. Les segments
aux extrémités désignent les minima et maxima, les boites encadrent les valeurs du
premier au troisième quartile tandis que la médiane est tracée en rouge.
On remarque sur les figures 15.9 et 15.10 que pour un nombre de triplets de capteurs
donné le premier quartile, la médiane, le troisième quartile et le maximum des erreurs
de reconstruction sont plus faibles dans le cas de reconstructions à partir des positions
optimales que dans le cas de reconstructions à partir de positions équidistantes.
De plus l’erreur maximale décroit avec le nombre de triplets de capteurs lorsque ceux-ci
sont placés de façon optimale et se stabilise autour de 5 mm à partir de 6 triplets. A l’inverse
dans le cas des positions équidistantes l’erreur maximale fluctue et décroit seulement à
partir de 7 capteurs mais reste toujours supérieur à 5 mm. Pour n’importe quel nombre de
triplets de capteurs l’erreur maximale avec positions équidistantes est supérieure à celle
avec positions optimales.
La figure 15.11 présente le nombre de triplets de capteurs de déformations nécessaires en

fonction de la précision souhaitée, c’est à dire l’erreur maximale de reconstruction, et selon
le positionnement des capteurs.
F IGURE 15.11. – Nombres de triplets de capteurs nécessaires à la reconstruction des ai-

guilles de porcs en fonction de l’erreur de reconstruction maximale sou-
haitée.
On observe à partir de la figure 15.11 que pour atteindre les 10 mm maximal de préci-
sion il faut 9 triplets de capteurs situés positions équidistantes contre seulement 4 situés
aux positions optimales. Par conséquent pour atteindre une précision souhaitée, l’utilisa-
tion des positions optimales permet de réduire le nombre de triplets de capteurs nécessaires.
La moyenne des erreurs de reconstruction est présentée dans le tableau 15.4 et représentée
graphiquement dans la figure 15.12.
Erreur de reconstruction moyenne de l’ensemble des aiguilles de porcs (mm)

Nombre de triplets de capteurs 1 2 3 4 5 6 7 8 9 10
Positions des triplets Equidistantes 9.7 5.6 5.9 7.4 4.8 4.1 3.7 3.3 2.5 2.2
de capteurs Optimales 8.0 4.6 3.8 2.7 2.1 1.9 1.6 1.5 1.5 1.3
TABLE 15.4. – Erreur de reconstruction moyenne pour des positions équidistantes et opti-
males de triplets de capteurs.
On observe à partir de la figure 15.12 que l’erreur moyenne décroit lorsque les capteurs
sont placés aux positions optimales tandis qu’elle fluctue et décroit seulement à partir de 5
triplets lorsque ceux-ci sont placés aux positions équidistantes.
Le gain de précision est le gain relatif de l’erreur moyenne de reconstruction, il est présenté
dans le diagramme 15.13.
F IGURE 15.12. – Erreur moyenne de reconstruction des aiguilles de porcs en fonction du

positionnement des triplets de capteurs.
F IGURE 15.13. – Gain relatif de précision avec les positions optimales de capteurs par rap-
port aux positions équidistantes.
On observe ainsi à partir de la figure 15.13 que l’utilisation des positions de capteurs opti-
males par rapport à des positions de capteurs équidistantes permet un gain de précision de
17% à 64%.
15.4.3 Reconstruction des aiguilles patients avec les positions

optimales
La partie résultat précédente a permis la caractérisation du gain de précision et de l’erreur

de reconstruction maximale. Cette caractérisation s’est effectuée sur le même ensemble
d’aiguilles que celui utilisé pour les positions optimales. Nous allons poursuivre la ca-
ractérisation dans cette partie en effectuant cette fois la reconstruction sur l’ensemble des
aiguilles patients.
Les figures 15.14 et 15.15 présentent les résultats statistiques des erreurs de reconstruc-
tions des aiguilles patients selon le positionnement et le nombre de triplets de capteurs.
Dans chaque cas les extrémités des segments représentent le minimum et le maximum tan-
dis que les boites encadrent les données du premier au troisième quartile. La médiane est
représentée par un segment rouge.
patients pour 1 à 5 triplets de capteurs.
Diagrammes en boites de l’erreur de flèche des reconstructions des aiguilles de porcs
selon les positions de triplets pour un nombre de triplets de capteurs allant de 1 à 5. Les
segments aux extrémités désignent les minima et maxima, les boites encadrent les valeurs
du premier au troisième quartile tandis que la médiane est tracée en rouge.
patients pour 6 à 10 triplets de capteurs.
Diagrammes en boites de l’erreur de flèche des reconstructions des aiguilles de porcs
selon les positions de triplets pour un nombre de triplets de capteurs allant de 6 à 10. Les
segments aux extrémités désignent les minima et maxima, les boites encadrent les valeurs
du premier au troisième quartile tandis que la médiane est tracée en rouge.
On remarque sur les figures 15.14 et 15.15 que pour un nombre de triplets de capteurs
compris entre 1 et 5, le premier quartile, la médiane, le troisième quartile et le maximum
des erreurs de reconstruction sont plus faibles dans le cas de reconstructions à partir des
positions optimales que dans le cas de reconstructions à partir de positions équidistantes.
Par conséquent la reconstrution d’aiguilles patients est plus précise avec les positions
optimales déterminées à partir de l’ensemble d’aiguilles de porcs pour un nombre de
triplets compris entre 1 et 5.
A l’inverse à partir de 6 triplets de capteurs on observe que ce n’est plus le cas et que
ces valeurs sont très proches. On observe également que l’erreur maximale varie assez
chaotiquement et ne présente pas de monotonie particulière. La figure 15.16 présente le
nombre de triplets de capteurs de déformations nécessaires en fonction de la précision
souhaitée selon le positionnement des capteurs.
F IGURE 15.16. – Nombres de triplets de capteurs nécessaires à la reconstruction des ai-

guilles patients en fonction de l’erreur de reconstruction maximale sou-
haitée.
On observe à partir de la figure 15.16 que le nombre de triplets de capteurs nécessaire pour
atteindre une précision de reconstruction souhaitée est beaucoup plus faible lorsque ces
derniers sont positionnés de façon optimale plutôt que de façon équidistante. Ainsi pour
atteindre une précision de reconstruction souhaitée de 15 mm, il en faut 2 positionnés de
façon optimale contre 5 de façon équidistante, et 2 contre 6 pour une précision de 10 mm.
La moyenne des erreurs de reconstruction est présentée dans le tableau 15.5 et représentée
graphiquement dans la figure 15.17.
Erreur de reconstruction moyenne de l’ensemble des aiguilles patients (mm)

Nombre de triplets de capteurs 1 2 3 4 5 6 7 8 9 10
Positions des triplets Equidistantes 7.7 2.6 3.3 5.0 3.8 2.5 2.3 2.2 2.3 2.2
de capteurs Optimales 7.6 2.0 2.0 2.3 2.4 2.9 2.4 3.0 2.6 3.1
TABLE 15.5. – Erreur de reconstruction moyenne pour des positions équidistantes et opti-
males de triplets de capteurs.
On remarque à partir de la figure 15.17 que pour un nombre de triplet de capteurs compris
entre 1 et 5 l’erreur moyenne de reconstruction des aiguilles patients est inférieure avec les
positions optimales par rapport aux positions équidistantes tandis que c’est l’inverse pour
un nombre de triplets compris entre 6 et 10 comme le montre le gain de précision présenté
dans la figure 15.18.
F IGURE 15.17. – Erreur moyenne de reconstruction des aiguilles patients en fonction du

positionnement des capteurs.
Néanmoins dans le cas des positions optimales l’erreur moyenne devient inférieure à 4mm
à partir de 2 triplets alors qu’il faut 6 triplets dans le cas des positions équidistantes.
Par conséquent l’utilisation des positions optimales de triplets capteurs de l’ensemble
des aiguilles de porcs permet, pour un faible nombre de triplets, de diminuer les er-
reurs moyennes et maximales de reconstruction des aiguilles patients par rapport aux
positions équidistantes.
On reconstruit les aiguilles patients avec les positions optimales et avec les pourcentage des
positions proposées par Park et Seifabadi présentées dans la figure 15.8. L’erreur moyenne
est affichée dans le tableau 15.6.
Reconstruction des aiguilles patients

Nombre de triplets 2 3
Positions optimales Positions optimales
Positions Park et al. des aiguilles Seifabadi et al. des aiguilles
de porcs de porcs
Erreur moyenne 2.5 mm 2.0 mm 3.1 mm 2.0 mm
Erreur maximale 6.2 mm 5.0 mm 6.3 mm 3.4 mm
TABLE 15.6. – Erreur de reconstruction moyenne des aiguilles patients en fonction du

nombre de triplets et de leurs positions.
Par conséquent l’utilisation des positions optimales de triplets de capteurs de l’en-

F IGURE 15.18. – Gain relatif de précision avec les positions optimales de capteurs par rap-
port aux positions équidistantes.
semble des aiguilles de porcs permet de diminuer les erreurs moyennes et maximales
de reconstruction des aiguilles patients par rapport aux positions adaptées par Park
et Seifabadi.
15.5 Discussion
La reconstruction de la forme de l’aiguille instrumentée ayant pour vocation, à terme, à
être utilisée dans un cadre clinique, on souhaite déterminer les meilleures positions de
triplets permettant d’atteindre une précision de reconstruction donnée pour une insertion
dans des tissus humains. Le calcul de ces positions optimales ne s’est pas fait directement
à partir de scanners de piqué dans des tissus humains mais à partir de scanners de piqué
dans des tissus de porcs. En effet, le terme précision de reconstruction désigne l’erreur
maximale possible de reconstruction possible, on doit donc s’assurer qu’avec les positions
optimales que l’erreur de reconstruction est situé sous un certain seuil pour tout les cas
de reconstruction. Cette condition implique donc de déterminer les positions à partir d’un
ensemble exhaustif de données de piqué. Les données cliniques présentent des conditions
d’insertions inconnues et sont en nombres insuffisantes, on ne peut donc pas assurer leur
représentativité contrairement aux données issus de piqués de porcs qui remplissent ces
deux conditions.
Cette méthodologie explique donc le traitement des résultats en deux parties : dans la pre-
mière, on utilise les piqués de porcs pour calculer les positions optimales et dans la seconde
on utilise les piqués patients pour les valider.
15.5.1 Positions optimales des capteurs

Cette partie traite de la description, de la validité et de la comparaison avec la littérature des
positions minimales obtenues par minimisation de l’erreur de reconstruction des aiguilles
de porcs.
Il existe plusieur critères d’erreur pour mesurer l’erreur de reconstruction d’un ensemble
parmi lesquels figurent l’erreur maximale et l’erreur moyenne. L’erreur maximale est un
critère très utilisée en clinique car il permet de définir un seuil d’erreur qui ne peut pas être
dépassé, on s’assure alors d’une certaine précision minimale. Néanmoins comme nos don-
nées résultent d’approximations d’aiguilles et il est donc possible que l’erreur maximale
reflète alors l’aiguille la plus mal approximée plutôt que l’aiguille la plus mal reconstruite.
L’erreur moyenne de reconstruction constitue alors un critère plus stable pour juger de la
qualité de reconstruction d’un ensemble d’aiguille.
La figure 15.7 permet d’observer que dans le cadre des positions optimales les triplets sont
plus proches de l’extrémité proximale que distale. Ce phénomène s’explique par la recons-
truction de l’aiguille en elle même, en effet celle-ci s’effectue par étape, de l’extrémité
proximale vers l’extrémité distale, en utilisant les fonctions courbure et angle d’orienta-
tion. Par conséquent, par le phénomène du bras de levier, plus les erreurs d’approximations
sur une de ces deux fonctions sont proches des extrémités proximales, plus l’erreur de re-
construction résultante sera élevée. Ainsi, les positions des triplets traduisent le fait qu’il
est nécessaire de reconstruire plus précisément les fonctions courbure et angle d’orienta-
tion vers l’extrémité proximale que distale.
Les résultats des positions optimales des triplets de capteurs nous ont permis de constater
que plus le nombre de triplets augmentait plus les solutions renvoyées par les algorithmes
étaient divergentes.
Les causes de ce phénomène sont multiples. Tout d’abord le nombre de positions de triplets
possibles augmente de façon exponentielle en fonction de n comme le montre le tableau
15.2. Or, à l’inverse du nombre de positions, le temps de calcul et donc le nombre de
positions testées n’augmente pas exponentiellement, ce qui implique que le pourcentage
de positions testées par l’algorithme diminue en fonction de n. De plus la fonction-coût
est une fonction à n variables comme le montre l’équation 15.2 et il est alors fortement
probable que sa topologie se complexifie lorsque n augmente. Pour ces deux raisons la
difficulté du problème de minimisation s’accroit avec le nombre de capteurs ce qui explique
l’éloignement entre les solutions renvoyées.
Une implication directe de ce phénomène est que la probabilité qu’il existe de meilleures
positions de capteurs que celles renvoyées par les algorithmes augmente avec le nombre de
triplets, ce qui soulève des interrogations sur le caractère "optimal" de ces positions.
Les résultats de l’évaluation exhaustive de la fonction coût permettent de valider les résul-
tats de minimisation pour un nombre de triplets inférieur ou égal à 2. Pour un nombre de
triplets compris entre 3 et 5, le fait que les solutions optimales soient renvoyées ou appro-
chées par au moins deux des trois algorithmes est un argument qui plaide en faveur de leurs
exactitudes. A l’inverse, pour un nombre de capteurs supérieur, les solutions renvoyées sont
différentes, ce qui induit un doute quant aux fait qu’elles constituent des solutions globales.
Par conséquent, on peut raisonnablement supposer que pour un nombre de triplets inférieur
à cinq les positions optimales de triplets calculées constituent les meilleures positions de
triplets pour la reconstrution.
Nous avons montré à partir des aiguilles de porcs que, dans le cas d’une aiguille instru-
mentée de longueur 200 mm avec deux triplets de capteurs, les positions optimales étaient
situées aux longueurs 28 mm et 101 mm. Ces positions correspondent à 14% et 51% de la
longueur de l’aiguille : nos résultats sont ici soutenus par ceux de Park [PED+ 10], qui pro-
pose des positions à 15% et 57%. La position du premier triplet diffère donc de seulement
1% et celle du second triplet de 6%.
Cette observation est d’autant plus intéressante que les méthodes utilisées pour obtenir
ces résultats ont des caractéristiques différentes. En effet, Park emploie une méthode 2D
utilisant des déformations théoriques et nous employons une méthode 3D employant des
déformations expérimentales. La similarité des résultats peut alors s’interpréter de façons
différentes :
• Les caractéristiques (notamment les déformations) de nos méthodes ont une in-
fluence limitée sur le résultat (les positions optimales). Le positionnement optimal
serait alors un facteur intrinsèque de la déformation d’où les similitudes.
• Les hypothèses ont une grande influence sur le résultat et dans ce cas des résultats
similaires laissent à penser que nos hypothèses présentent des similitudes avec celles
de Park, c’est à dire que les déformations obtenues à partir des aiguilles réelles pré-
sentent des ressemblances avec les déformations théoriques utilisées par Park.
Le fonctionnement des méthodes de positionnement laisse pencher pour la deuxième posi-
tion (en effet les capteurs sont présents là ou se situent les déformations). Cette interpréta-
tion mériterait d’être validée par des comparaisons supplémentaires entre nos résultats ex-
périmentaux et des résultats théoriques supplémentaires. Néanmoins, l’obtention de résul-
tats équivalents par la méthode de Park et la notre ne doit pas faire oublier pour autant que
l’utilisation de déformations expérimentales apporte une légitimité et représentativité sup-
plémentaire par rapport à l’utilisation de déformations calculées à partir de cas de charges
théoriques.
A l’inverse, dans le cas d’une aiguille instrumentée avec trois triplets, la comparaison de
nos résultats avec ceux de Seifabadi fait apparaître des disparités importantes. En effet,
les positions optimales que nous avons obtenues correspondent à 13%, 39% et 68% de
la longueur de l’aiguille quand les travaux de Seifabadi [SGA+ 13] font état de positions
optimales correspondant à 27%, 72% et 90% de la longueur de l’aiguille.
Cette différence s’explique par une spécificité de la méthode employée par Seifabadi. En
effet, contrairement à la méthode de Park ou à notre méthode, ce dernier ne prend pas
en compte l’ensemble des capteurs pour la reconstruction mais uniquement les triplets de
capteurs qui ont déjà été insérés dans les tissus. Cette approche est la conséquence de l’hy-
pothèse utilisée selon laquelle les capteurs "activés", c’est à dire ceux qui fournissent des
information exploitables, sont ceux qui ont déjà été insérés dans les tissus. Une des consé-
quences de cette hypothèse est qu’on suppose que la partie de l’aiguille non insérée dans
les tissus reste droite. Néanmoins la validité de cette hypothèse reste à démontrer et semble
remise en cause par les résultats de l’étude de population d’aiguilles sur les aiguilles non
insérées en totalité.
15.5.2 Reconstruction avec les positions optimales

Nous avons présenté dans les résultats les différentes erreurs de reconstruction des deux
ensembles d’aiguilles selon le positionnement des triplets.
Les positions optimales des triplets ont été calculées par minimisation d’un critère (l’erreur
moyenne) sur un type de données (aiguille de porcs). Ainsi, l’utilisation de ces positions
à la place des positions équidistantes, permet la diminution de l’erreur de reconstruction
moyenne des aiguilles de porcs de 17% au minimum, comme le montre le diagramme
15.13.
Les résultats présentés précédemment montrent que l’utilisation de ces positions permet
également d’améliorer la reconstruction pour un critère d’erreur maximale comme on peut
le constater dans les figures 15.9 et 15.10. Cette erreur maximale, qui est l’erreur de l’ai-
guille la moins bien reconstruite, définit la précision de reconstruction atteinte par la mé-
thode. Par conséquent, pour une précision de reconstruction souhaitée, on constate que
le nombre de capteurs nécessaires est inférieur lorsque ceux-ci sont positionnés de façon
optimales plutôt que de façon équidistantes comme le présente la figure 15.11.
On en déduit alors que les positions optimales permettent d’améliorer la reconstruction se-
lon plusieurs critères.
Le système de reconstruction de la forme de l’aiguille instrumentée ayant pour vocation à

être utilisée dans un cadre clinique donc dans des tissus humains, les reconstructions ont
également été effectuées sur l’ensemble des aiguilles patients pour validation. Les résultats
concernant la reconstruction de l’ensemble des aiguilles patients sont plus nuancés et se
divisent en deux cas.
Pour un nombre de triplets compris entre 2 et 5 on constate que l’utilisation des positions
optimales permet de diminuer l’erreur maximale et l’erreur moyenne, cette dernière bais-
sant de 23% minimum (figure 15.17).
Nos résultats de simulation pour une reconstruction à 4 triplets de capteurs donne une er-
reur moyenne de 2.3 mm. Dans leurs travaux, Abayazid [AKM13] et Roesthuis [RM16]
ont obtenu expérimentalement pour une reconstruction à 4 triplets de capteurs des erreurs
moyennes plus petites, avec respectivement 1.8 mm et 1.7 mm. Néanmoins ces résultats
doivent être remis dans leurs contextes pour pouvoir être interprétés. En effet les aiguilles
présentes dans les scanners de porcs ont une taille de 200 mm et une longueur d’insertion
qui varie approximativement entre 120 mm et 160 mm. Les aiguilles utilisées par Abaya-
zid et Roesthuis sont plus petites (respectivement 185 mm et 172 mm) et ont longueur
d’insertion de 120 mm. Ainsi nos aiguilles présentes une plus grande longueur dans les
tissus : elles sont susceptibles de subir des déformations sur une plus grande partie de leur
longueur. De plus, les insertions que nous avons traitées ont été effectuées dans des tissus
vivants, contrairement aux insertions traitées par Abayazid et Roesthuis qui ont été effec-
tuées sur des fantômes. La plus grande complexité matériel des tissus vivants procurent
des déformations d’aiguilles plus diversifiées. On soulignera également que nos piqués
d’aiguilles ont été effectués dans le but de batir un ensemble le plus exhaustif possible
des différents cas d’insertions. Ceci explique la présence de flèche allant jusqu’a 22 mm
comme en atteste le tableau 14.25. A l’inverse, les flèches des aiguilles des piqués expéri-
mentaux utilisés par Abayazid et Roesthuis sont plus faibles, d’une dizaine millimètres au
maximum. Par conséquent, il est crédible d’affirmer que nos aiguilles ont subit des défor-
mations plus complexes et en plus grands nombres que les aiguilles des piqués exploités par
Abayazid et Roesthuis. Cette constatation est une des explications de la différence de préci-
sion dans les reconstructions. Une autre explication concerne les erreurs d’approximations
des fonctions courbures et angles d’orientation, à l’origine directe de l’erreur de recons-
truction. Pour les résultats expérimentaux, ces erreurs sont dues aux erreurs de mesures
des capteurs tandis que pour nos résultats elles proviennent des erreurs d’approximations
des formes des aiguilles des scanners. Les erreurs de mesures ou d’approximation de ce
type sont difficilement quantifiables, ce qui rend complexe la comparaison des erreurs de
reconstructions simulées et expérimentales. La comparaison des reconstructions avec les
positions optimales des aiguilles de porcs et les positions issues des travaux de Park et Sei-
fabadi semble plus pertinente, les erreurs de reconstructions sont présentés dans le tableau
15.6. Ces résultats viennent appuyer le bien-fondé de nos positions optimales et leurs vali-
dités puisqu’on remarque que la reconstruction est plus précise avec ces positions qu’avec
les positions issues des travaux de Park et Seifabadi.
Pour un nombre de triplet compris entre 6 et 10, on constate que les erreurs maximales et
moyennes sont assez proches. Même si dans ce cas l’utilisation des positions optimales ne
constitue pas d’amélioration, on souligne néanmoins que les reconstructions restent rela-
tivement précises puisque les erreurs moyennes sont inférieures à 3mm dans les deux cas.
Dans la pratique le nombre de triplets de capteurs est limité sur une aiguille : les résultats
les plus pertinents sont donc ceux concernant un nombre de triplets compris entre 1 et 5.
On peut ainsi utiliser les résultats de la figure 15.16 qui démontre que pour un seuil de
précision souhaité, le nombre de triplets nécessaire à la reconstruction de l’aiguille dans
les tissus patients est sensiblement inférieur lorsqu’on utilise des positions optimales plutôt
que équidistantes. Une des conséquences de ce résultat est que pour une aiguille intru-
mentée à usage clinique avec un nombre fixé de triplets de capteurs on peut augmenter
la précision de reconstruction en utilisant les positions optimales.
On en conclut donc que le gain de précision apporté par l’utilisation de ces positions est
multi-critère et fonctionne donc également pour les aiguilles patients, c’est à dire avec des
insertions d’aiguilles dans des tissus différents que ceux utilisés pour le calcul des positions.
L’observation des erreurs moyennes de reconstructions des aiguilles patients présentées

dans la figure 15.17 montre que l’ajout d’un triplet de capteurs s’accompagne d’une légère
augmentation de l’erreur de reconstruction, c’est à dire qu’en ajoutant un capteur on re-
construit moins bien. La cause principale de ce phénomène est la taille relativement faible
de notre échantillon d’aiguilles patients qui le rend plus vulnérable aux aiguilles mal re-
construites faisant fausser les erreurs de reconstructions. On peut facilement surmonter
ce problème en augmentant la taille de notre échantillon. La limite principale de notre
méthode concerne l’approximation de la forme de l’aiguille à partir du scanner car la pré-
cision de cette approximation a un impact sur la qualité de la reconstruction. Cette limite
existe quelque soit la méthode d’approximation utilisée. Une première étape intéressante
serait de caractériser l’erreur d’approximation. Plusieurs articles traitent de la caractérisa-
tion de l’erreur d’approximation d’une spline de lissage [GM79, Rag83, RR81] et leur
exploitation constitueraient peut-être une première étape de l’évaluation de la qualité de
l’approximation de la forme d’aiguille.
15.6 Conclusion
Nos résultats, dans un premier temps, nous ont permis de démontrer le bien fondé de l’uti-
lisation des positions optimales calculées à partir de notre ensemble d’aiguilles de porcs
pour les reconstructions d’aiguilles lors de piqués dans des tissus humains. Dans un second
temps, le gain de précision obtenu avec l’utilisation de ces positions optimales à pu être
caractériser par comparaison avec des résultats de reconstruction utilisant d’autres posi-
tionnement de capteurs.
CHAPITRE 16
RECONSTRUCTION AVEC LES MODES
16.1 Introduction
Le chapitre 11 présente une méthode de reconstruction simple à partir des informations des
capteurs. Dans cette méthode, les fonctions globales de courbures et d’angle d’orientation
sont approximées à partir des informations locales des capteurs par "simple" interpolation.
On entend par là qu’aucune hypothèse spécifique sur ces fonctions n’est faite en dehors des
points d’interpolation. Or la qualité de la reconstruction des fonctions courbure et angle
d’orientation influt directement sur la qualité de la reconstruction de la forme de l’aiguille.
Ainsi plus les fonctions courbure et angle reconstruites sont fidèles aux fonctions courbure
et angle d’orientation originales de l’aiguille, plus la forme de l’aiguille reconstruite est
fidèle à la forme de l’aiguille réelle. On en déduit donc deux choses :
• Optimiser la reconstruction des fonctions de courbure et angle d’orientation globales
à partir des informations de courbure et d’angle d’orientation locales est une étape
cruciale de l’amélioration de la précision de reconstruction.
• L’utilisation d’hypothèses supplémentaires lors de l’étape d’interpolation permettrait
de rendre la reconstruction actuelle plus précise.
Par "hypothèses supplémentaires", on entend des informations sur le comportement des
fonctions courbure et angle d’orientation. Malheureusement, les seules informations dont
on dispose lors d’un piqué sont les valeurs de ces fonctions (calculées à partir des données
des capteurs) aux points d’interpolations (les positions des capteurs).
Pour obtenir ces informations supplémentaires, nous allons effectuer un travail préalable.
Nous avons remarqué, lors de l’étude de population d’aiguille, que les déformées des ai-
guilles présentées des similitude géométriques (même formes, mêmes déformations, etc...).
Nous allons voir dans ce chapitre comment caractériser ces similitudes et comment en tirer
partie pour améliorer la précision des reconstructions des formes d’aiguilles.
164 Chapitre 16. Reconstruction avec les modes
16.2 Modes de déformations
16.2.1 Fondements
Un piqué d’aiguille est le processus de réalisation de l’insertion d’aiguille dans un tissu

par le geste du praticien. Le mot geste décrit les actions du praticien sur l’aiguille en elle-
même et leurs évolutions temporelles. C’est un facteur cinématique du processus. Les mots
aiguille et tissus se réfèrent aux deux composants de notre système. Ce sont les facteurs ma-
tériels du processus. L’aiguille est définie par ses caractéristiques (métal, longueur, gauge),
c’est un facteur constant. A l’inverse, les tissus et le geste d’insertion varient pour chaque
piqué, ces facteurs ne sont pas constants mais conservent néanmoins certaines similarités
(propriétés bio-mécanique des tissus, force axiale du geste d’insertion, etc...). Cet état de
fait est présenté dans le tableau 16.1.
Facteurs Matériel Cinématique

Constant (=) Aiguille
Similaire (≈) Tissus environnant Geste
TABLE 16.1. – Différents facteurs lors d’insertions d’aiguilles
Lors d’un piqué, par un geste d’insertion, l’aiguille pénètre dans les tissus et se déforme à
leurs contacts. Par le principe de causalité, mêmes causes mêmes effets, la similarité des
facteurs aiguille, geste et tissus lors des différents piqués entraine donc des déformations
similaires. On va alors chercher à synthétiser cette proximité et cette répétition des défor-
mations de deux manières :
• par la caractérisation géométrique : c’est à dire les formes que peuvent prendre les
aiguilles.
• par la caractérisation statistique : c’est à dire les fréquences auxquelles les aiguilles
prennent ces aspects.
Ces caractéristiques seront extraites des données grâce à la méthode d’analyse en compo-
santes principales et seront regroupées dans ce qu’on appelle les modes de déformations.
On présente dans la suite de ce chapitre deux types de modes de déformations.
16.2.2 Modes de déformations à partir des points de contrôles
Dans cette première partie on explore une première approche destinée à se familiariser avec
les modes de déformations en considérant les formes géométriques des aiguilles. Pour ce
faire, on va réaliser une analyse en composantes principales directement sur les coordon-
nées des points de contrôle des B-Splines des formes des aiguilles.
Soit un ensemble E composé des formes B-spline de n d’aiguilles. On définit la B-Spline

16.2. Modes de déformations 165
Sk de la kme forme d’aiguille de l’ensemble E de la façon suivante :
nc
Sk (t) = ∑ Bi,n (t)Pki
i=1
Pikx


nc
= ∑ Bi,n (t)  Piky 
 
i=1 Pikz
On définit comme l’aiguille moyenne de l’ensemble E l’aiguille de forme B-spline S̄ dont

les points de contrôles sont les moyennes des points de contrôle des aiguilles de l’ensemble
E :
nc
S̄(t) = ∑ Bi,n (t)P̄i
i=1
P̄ix

nc
= ∑ Bi,n (t)  P̄iy 
i=1 P̄iz
n
1
avec ∀i ∈ J1, nc K, P̄i =
n ∑ Pij
j=1
n n n
1 1 1
et ∀i ∈ J1, nc K, P̄ix =
n ∑ Pixj P̄iy =
n ∑ Piyj P̄iz =
n ∑ Pij z
j=1 j=1 j=1
Soit un échantillon de n réalisations des 3nc variables aléatoires X1 , X2 , ..., X3nc tel que xk,i
la kme réalisation de la variable Xi soit une coordonnée d’un des points de contrôle de la
kme B-spline de l’ensemble E selon la définition suivante :

k
Pix pour i ∈ J1, nc K


xk,i = Pk pour i ∈ Jnc + 1, 2nc K
 i−ncy
Pk

pour i ∈ J2nc + 1, 3nc K
i−2ncz
L’échantillon X s’écrit alors :

x1,1 · · · x1,3nc
 
X =  ... .. 
. 

xn,1 · · · xn,3nc
 1
P1x · · · Pn1cx P11y · · · Pn1cy P11z · · · Pn1cz

 .. .. .. .. ..
 . . . . .


 .. .. .. .. ..
 
 . . . . .


=  .. .. .. .. ..

 . . . . .


 .. .. .. .. ..
 
 . . . . .


P1x · · · Pncx P1ny
n n · · · Pnncy P1nz · · · Pnncz
La matrice M contient l’échantillon X centré sur sa moyenne :

 1
P1x − P̄1x · · · Pn1cx − P̄ncx P11y − P̄1y · · · Pn1cy − P̄ncy P11z − P̄1z · · · Pn1cz − P̄n,cz

.. .. .. .. ..
. . . . .
 
 
.. .. .. .. ..
 
. . . . .
 
M=
 
.. .. .. .. ..
 
. . . . .

 
.. .. .. .. ..
 
. . . . .
 
 
n n n n n
P1x − P̄1x · · · Pncx − P̄ncx P1y − P̄1y · · · Pncy − P̄ncy P1z − P̄1z · · · Pnncz − P̄n,cz
On réalise l’analyse en composantes principales sur la matrice M et on obtient comme

résultat m = 3nc modes de déformations. On note le jme mode de déformation (δ ij ∈
R3 )i∈J1,nc K . Les modes de déformations s’interprètent alors comme les variations des points
de contrôle de la B-spline moyenne. On peut alors utiliser les modes de déformation par
ajout de combinaison linéaire des modes aux points de contrôle de la B-Spline moyenne.
Soit λ = (λ1 , ..., λ3nc ) ∈ R3nc le vecteur représentant cette combinaison linéaire, la valeur
λi représentant le poids accordé au ime mode de déformation. La B-Spline combinaison
linéaire λ des modes de déformation est noté Sλ et est définie par :
nc 3nc
!
Sλ (t) = ∑ Bi,n (t) P̄i + ∑ λ j δ ij
i=1 j=1
16.2.2.1 Résultats
On présente dans cette partie l’aiguille moyenne des aiguilles de porcs ainsi que les trois
principaux modes de déformations obtenus par analyse en composantes principales à partir
des points de contrôle pour les aiguilles de porcs. Ces trois principaux modes sont les plus
significatifs.
L’aiguille moyenne des aiguilles de porcs est représentée dans la figure 16.1. On observe
que l’aiguille est plane et que sa flèche est d’environ 10 mm. Ces caractéristiques sont
à relier avec le type de recalage utilisé. En effet, celui-ci consiste à placer les aiguilles
de telle façon que la flèche soit positive selon l’axe (Oy) et que le plan (xOy) minimise
la distance aux carrés par rapport aux points de l’aiguille. On peut ainsi penser que sans
recalage l’extrémité distale de l’aiguille aurait eu une distribution uniforme autour de l’axe
(Ox) et donc que l’aiguille moyenne aurait pris un aspect d’aiguille droite.
F IGURE 16.1. – Aiguille moyenne des aiguilles de porcs.

Les échelles sont en millimètres.
On présente maintenant les modes de déformations. Leur numérotation provient de la va-

leur de la variance qui leur est associée. Ainsi les modes de déformations sont triés par
ordre d’importance décroissante. Dans chaque cas, on présentera le mode de déformation
indépendamment des autres. Ainsi pour le mode k on représentera Sλk avec λk tel que :
(
3nc 1 si i = k
λk = (λ1 , .., λ3nc ) ∈ R avec λi =
0 si i 6= k
La figure 16.2 présente le premier mode de déformation des aiguilles de porcs. Ce mode
reflète une flexion simple de l’aiguille telle qu’elle se produit quand on applique une force
radiale sur l’extrémité distale de l’aiguille. Le mode de déformation 1 représente une dé-
formation de l’aiguille presque plane sans point d’inflexion.
F IGURE 16.2. – Mode de déformation 1 des aiguilles de porcs.

Le mode 1 est représentée par la courbe rouge. Les échelles sont en millimètres.
La figure 16.3 présente le deuxième mode de déformation des aiguilles de porcs. Le mode
de déformation 2 représente une déformation de l’aiguille plane avec un point d’inflexion.

La figure 16.4 présente le troisième mode de déformation des aiguilles de porcs. Ce mode
représente les déformations non planaires de l’aiguille. On voit que dans ce cas l’aiguille
prend une forme en sorte spirale comme cela arrive parfois lorsqu’une insertion d’aiguille
est combiné avec un mouvement de rotation.

L’impact du recalage fait apparaitre les limites des modes de déformations des aiguilles
à partir des points de contrôle des B-splines qui ne sont donc pas invariant par les trans-
formations géométriques de translation et de rotation appliquées sur l’aiguille. Néanmoins
ces modes de déformations permettent de mettre en valeurs les différents types de défor-
mations. On constate ainsi que la complexité des déformations croit avec les modes de
déformations. Les modes étant classés par ordre décroissant de variance on en conclut que
les déformations les plus simples sont aussi les plus fréquentes de l’ensemble des aiguilles
de porcs.
16.2.3 Modes de déformations des fonctions courbures et angle

d’orientation
L’utilisation des modes de déformations répond aux besoins de constituer une base de
connaissance préalable de déformations sur les aiguilles et ensuite d’utiliser cette base
pour nous aider à reconstruire les fonctions courbure et angle d’orientation. En ce sens les
modes de déformations concerneront cette fois-ci, non pas les formes géométriques des
aiguilles, mais directement les fonctions courbures et angles d’orientations.
Ainsi les modes de déformations seront extraits des fonctions courbure et angle d’orien-
tation par une analyse en composantes principales fonctionnelles multidimensionnelles
(ACPFM).
16.2.3.1 Mise à échelle des fonctions courbure et angle d’orientation

L’ACPFM sera effectuée sur les fonctions bidimensionnelles contenant les fonctions cour-
bure et angle d’orientation. Au regard de la reconstruction des aiguilles de scanners on peut
donner un encadrement approximatif de ces fonctions :
∀s ∈ [0, L], |κ(s)| 6 5 × 10−3 mm−1

|θ (s)| 6 10 rad
On remarque alors que la courbure κ a un ordre de grandeur environ 1000 fois plus grand
que l’ordre de grandeur de l’angle d’orientation θ . Ceci aura comme conséquence que les
modes de déformations résultants de la ACPFM refléteront plus les variations de θ que

de κ. Ce phénomène se produit quand il y a un important déséquilibre entre les ordres
de grandeurs des composantes d’une fonction multidimensionnelle dont on fait l’ACPFM
[RS05].
Une des solutions pour limiter ce problème est de faire une mise à échelle des fonctions
κ et θ préalable à l’ACPFM. Pour cela nous allons ajuster les moyennes des fonctions
en multipliant les discrétisations de ces fonctions par des termes multiplicatifs appropriés.
Mais plutôt que de faire en sorte que les moyennes de ces deux ensembles de fonctions
soient égales, nous allons introduire le paramètre η dans les termes multiplicatif de façon
à pouvoir donner plus d’importance à l’un ou à l’autre de ces ensembles.
Soit un ensemble E composé des formes B-spline de n d’aiguilles. On note fi la fonction

à valeur dans R2 regroupant les fonctions courbure κi et angle d’orientation θi de la ime
aiguille.
fi :R → R2
κi (s)

s 7→
θi (s)
L’ensemble ( fi )i=1,..,n est un ensemble de n fonctions continues de R dans R2 .

Soit µ la fonction moyenne des fonctions courbure et angle de déformation :
µκ 1 n
n ∑i=1 κi
1 n κi 1 n

µ= = 1 n = ∑ = ∑ fi
µθ n ∑i=1 θi n i=1 θi n i=1
On note κ̃i la fonction résultante de la mise à échelle de la fonction κi pour tout i ∈ [1, n].
De même on note θ̃i la fonction résultante de la mise à échelle de la fonction θi pour tout
i ∈ [1, n]. Ces fonctions sont définies de la façon suivante :
K
κ̃i = κi × 10 2
K
θ̃i = θi × 10− 2
avec
K = log10 (µθ ) − log10 (µκ ) + η
Soit µκ̃ la fonction moyenne de (κ̃i )i=1,..,n et µθ̃ la fonction moyenne de θ̃i On a

i=1,..,n
alors :
1 n
µκ̃ n ∑i=1 κ̃i
=
µθ̃ 1 n
n ∑i=1 θ̃i
1 n K
n ∑i=1 κi × 10
2
= 1 n K
n ∑i=1 θi × 10
− 2
µκ
= × 10K
µθ
µκ
= × 10log10 (µθ )−log10 (µκ )+η
µθ
µκ µθ

log
= × 10 10 µκ × 10η
µθ
Finalement on obtient :
µκ̃
= 10η (16.1)
µθ̃
Ainsi le rapport des moyennes des fonctions courbure mise à échelle sur les fonctions
angle d’orientation mise à échelle est de 10η . On remarque ainsi que le paramètre η a une
influence logarithmique sur le rapport de ces fonctions. Ainsi si η = 0, la moyenne des
fonctions courbures mise à échelle est égale la moyenne des fonctions angles d’orientation
mise à échelle, solutionnant ainsi le problème des différences d’ordre de grandeurs lors de
l’ACPFM.
16.2.3.2 Analyse en composantes principales fonctionnelles

multidimensionnelles
On note f˜i la fonction à valeur dans R2 regroupant les fonctions mise à échelle de la cour-
bure κ̃i et angle d’orientation θ̃i .
f˜i :R → R2
κ̃i (s)

s 7→
θ̃i (s)
On souhaite étudier les caractéristiques de la famille de fonctions f˜i i=1,..,n d’un point

de vue statistique. On va pour cela utiliser l’analyse en composantes principales fonction-

nelles multidimensionnelles, présentée dans la boite à outils. On obtient alors en résultats
m modes de la courbure et de l’angle de déformation notés (δ i )i∈J1,mK :
δi :R → R2
i
δκ (s)

s 7→
δθi (s)
16.2.3.3 Exemples
On présente dans cette partie, à titre d’exemple, les résultats de l’analyse en composantes
principales fonctionnelles multidimensionnelles sur l’ensemble de fonctions f˜i i=1,..,n avec

comme paramètre η = 0. Les deux premiers modes de déformations de la courbure et de

l’angle d’orientation sont représentés dans les figures 16.5 et 16.6.
(a) Mode de la courbure (mm−1 ) (b) Mode de l’angle d’orientation (rad)
F IGURE 16.5. – Mode de déformation 1 de la courbure et de l’angle d’orientation.

Pour ces deux en fonctions la courbe en noire représente la fonction moyenne sur
l’ensemble des données tandis que la courbe bleue représente le mode ajouté à cette
moyenne et la courbe rouge le mode soustrait à cette moyenne.
(a) Mode de la courbure (mm−1 ) (b) Mode de l’angle d’orientation (rad)
F IGURE 16.6. – Mode de déformation 2 de la courbure et de l’angle d’orientation.

Pour ces deux en fonctions la courbe en noire représente la fonction moyenne sur
l’ensemble des données tandis que la courbe bleue représente le mode ajouté à cette
moyenne et la courbe rouge le mode soustrait à cette moyenne.
On observe dans les figures 16.5a et 16.6a que la moyenne de la courbure est très élevée au
voisinage de s = 200 mm. Or le moment appliqué sur l’extrémité distale est nulle, on devrait
donc avoir une courbure nulle également. On en déduit que le pic de valeurs de la courbure
moyenne au voisinage de s = 200 mm constitue une donnée aberrante. Ce phénomène, traité
dans plusieurs travaux [GM79, Rag83, RR81], est un phénomène de dégénérescence aux
extrémités susceptible d’apparaître pour des fonctions reconstruites à partir de splines de
lissage. C’est un phénomène intrinsèque à la méthode d’approximation en elle-même. Dans
le cas de la courbure présentée ici il apparait aux deux extrémités de l’aiguille mais n’est
visible que pour l’extrémité distale car le recalage pour enlever la partie d’aiguille présente
dans l’embout plastique à fait disparaître le phénomène pour l’extrémité proximale.
Dans notre cas ce phénomène n’a pas d’implications importantes, en effet plus les erreurs
d’approximation de courbure et d’angle d’orientation sont situées vers l’extrémité distale
moins l’erreur de reconstruction est élevée. De plus les positions des capteurs ne sont pas
situées à l’extrémité distale et de ce fait les valeurs aberrante de courbure et d’angle d’orien-
tation ne seront pas utilisées lors de l’étape de reconstruction à partir des modes.
16.3 Reconstruction à partir des modes

16.3.1 Principes
Comme expliqué dans la partie concernant la théorie de Reissner présentée dans le chapitre
5, la poutre se déforme sous l’action des cas de chargement externes p et m. L’équation
suivante obtenue dans la partie 13 (valable en cas de non-cisaillement et de non-traction-
compression) fait le lien entre le moment linéique externe m et les fonctions de courbure
et d’angle d’orientation κ et θ :

0
mt = −GJκt


m1 = −EI(κ cos(θ ))0 + (GJ − EI)κt κ sin(θ ) (16.2)

m = EI(κ sin(θ ))0 + (GJ − EI)κ κ cos(θ )

2 t
Les modes de déformation de la courbure et de l’angle d’orientation traduisant les varia-

tions de ces deux fonctions sur l’ensemble des aiguilles. Par conséquent, comme le montre
l’équation 16.2, les modes de déformations de la courbure et de l’angle d’orientation sont
liés aux variations des cas de chargements de l’aiguille.
Ce résultat fournit une interprétation physique à la méthode de reconstruction de la cour-
bure et de l’angle d’orientation par combinaison linéaire des modes de déformations que
nous allons présenter dans la suite de ce chapitre.
En effet, l’hypothèse :
Les fonctions courbure et angle d’orientation entre deux positions de capteurs peuvent être
approchées par des combinaisons linéaires des modes de courbure et angle.
s’interprète alors physiquement comme :
Les cas de charges présent sur l’aiguille entre deux positions de capteurs peuvent être
approchés par des combinaison linéaires de fonctions reliées aux cas de charges principaux
de notre ensemble d’aiguilles.
16.3.2 Combinaison linéaire de modes de déformations

16.3.2.1 Définition
On note δ la matrice rassemblant les m modes de déformations de notre ensemble d’ai-
guilles :
δκ1 · · · δκm

δ= δ1 δm (16.3)

··· =
δθ1 · · · δθm
Soit µ la moyenne des fonctions sur laquelle a été réalisée l’ACPFM. On va alors dire
qu’une fonction f est une combinaison linéaire des m modes lorsque cette fonction f cen-
trée sur µ est combinaison linéaire des m modes, c’est à dire :
16.3. Reconstruction à partir des modes 175
f − µ ∈ Vect(δ 1 , ..., δ m )
Soit λ ∈ Rm la combinaison linéaire des m modes réunit dans la fonction d’approximation

f , on a alors :
f − µ = δ .λ
⇒ f = µ + δ .λ
λ1
 
 . 
⇒f = µ + δ1 ··· δm .  .. 

λm
m
⇒ f = µ + ∑ λi δ i
i=1
m
µκ δκi

⇒f = + ∑ λi
µθ i=1 δθi
16.3.2.2 Recherche du coefficient λ
Soit f la fonction originale que l’on souhaite approximer à partir de sa discrétisation

( f (si ))i=1,..,n , on a :
i
yκ
f (si ) = (16.4)
yiθ
On souhaite approximer f avec f ∗ la fonction reconstruite par combinaison linéaire de
modes, on pose :
f∗ = µ +δλ (16.5)
Pour cela on va minimiser la somme des différences au carré :

n
S(si , λ ) = ∑ k f (si ) − f ∗ (si )k2
i=1
n
= ∑ k f (si ) − µ(si ) − δ (si )λ k2
i=1
On tombe alors sur un système de minimisation de somme au moindre carrés linéaire clas-
sique. On calcule le gradient de S selon les coordonnées du paramètre λ :
n
∂S ∂S

(si , λ ) = 2 ∑ ( f (si ) − µ(si ) − δ (si )λ ) | f (si ) − µ(si ) − δ (si )λ
∂λj i=1 ∂ λ j
n
= −2 ∑ δ j (si ) | f (si ) − µ(si ) − δ (si )λ

i=1
Le minimum de S est atteint lorsque ses gradients sont nuls. Le paramètre λ étant de di-
mension m, il y a donc m équations de gradient :
∂S
(si , λ ) = 0, j = 1, ..., m
∂λj
n
⇔ ∑ f (si ) − µ(si ) − δ (si )λ | δ j (si ) = 0

i=1
* +
n m
⇔∑ f (si ) − µ(si ) − ∑ δ k (si )λk | δ j (si ) =0
i=1 k=1
* +
n n m
⇔∑ f (si ) − µ(si ) | δ (si ) − ∑
j
∑δ k j
(si )λk | δ (si ) =0

i=1 i=1 k=1

n
m n
⇔ ∑ f (si ) − µ(si ) | δ j (si ) − ∑ λk ∑ δ k (si ) | δ j (si ) = 0
D E
i=1 k=1 i=1

n
* " j #+
m n
* " j #+
fκ (si ) − µκ (si ) δκ (si ) δκk (si ) δκ (si )
⇔∑ | − ∑ λk ∑ | =0
i=1 fθ (si ) − µθ (si ) δθj (si ) k=1 i=1 δθk (si ) δθj (si )
  j   j
δκ (s1 ) δκk (s1 ) δκ (s1 )
 
fκ (s1 ) − µκ (s1 )
 
fθ (s1 ) − µθ (s1 )   δθj (s1 ) δθk (s1 ) δθj (s1 )
* + *   +
  m
   
.. ..  − ∑ λk  .. ..
 
 =0
   
⇔  . | |
  j. .   j.
    
  
k=1 k
fκ (sn ) − µκ (sn )   δκ (sn ) δκ (sn )   δκ (sn )
   
   
fθ (sn ) − µθ (sn ) δθj (sn ) δθk (sn ) δθj (sn )
  j
δκk (s1 ) δκ (s1 )

fκ (s1 ) − µκ (s1 )
  
fθ (s1 ) − µθ (s1 ) δθk (s1 )   δθj (s1 )
*   +
 m   
.. .. ..
 − ∑ λk 
 
 =0
 
⇔  . . |
  j.
    
 k=1  
 fκ (sn ) − µκ (sn ) δκk (sn )   δκ (sn )
 
  
fθ (sn ) − µθ (sn ) δθk (sn ) δθj (sn )
δκ1 (s1 ) · · · δκm (s1 ) δκj (s1 )

 
fκ (s1 ) − µκ (s1 )
   
fθ (s1 ) − µθ (s1 ) δθ1 (s1 ) δθm (s1 ) λ1 δθj (s1 )
   +
*     
.. .. .. ..  |  ..
   
 =0

⇔  . − . . .   .
   
  
 fκ (sn ) − µκ (sn ) 1 m  j
δκ (sn ) δκ (sn ) λm  δκ (sn )
    
   
fθ (sn ) − µθ (sn ) δθ1 (sn ) · · · δθm (sn ) δθj (sn )
16.3. Reconstruction à partir des modes 177
On pose :
fκ (s1 ) − µκ (s1 ) δκ1 (s1 ) · · · δκm (s1 )

   
fθ (s1 ) − µθ (s1 ) δθ1 (s1 ) δθm (s1 ) λ1
 
   
.. .. .. λ =  ... 
   
Y = . , X = . . , (16.6)
     
 fκ (sn ) − µκ (sn ) 1
δκ (sn ) m
δκ (sn ) λm
   
  
fθ (sn ) − µθ (sn ) δθ1 (sn ) · · · δθm (sn )
On a alors :
∂S
(si , λ ) = 0, j = 1, ..., m
∂λj
 j
δκ (s1 )

 j
 δθ (s1 ) +
* 
⇔ Y − Xλ | 
 ..  =0

 . 
 j
 δκ (sn ) 

δθj (sn )
h i
⇔ δκj (s1 ) δθj (s1 ) · · · δκj (sn ) δθj (sn ) (Y − Xλ ) = 0
 1
δκ (s1 ) δθ1 (s1 ) · · · δκ1 (sn ) δθ1 (sn )

.. ..
⇔ . .  (Y − Xλ ) = 0
 
δκm (s1 ) δθm (s1 ) · · · δκm (sn ) δθm (sn )

⇔X T (Y − Xλ ) = 0
⇔X T Y − X T Xλ = 0
⇔X T Xλ = X T Y
⇔λ = (X T X)−1 X T Y
λ = (X T X)−1 X T Y
On a donc l’expression de λ , la combinaison linéaire des modes de déformation pour ob-

tenir l’approximation de la fonction bidimensionnelle f .
16.3.3 Choix du paramètre η

Le paramètre η apparait dans le ratio des moyennes des fonctions courbure et angle d’orien-
tation mises à échelle. On rappelle ainsi l’équation 16.1 :
µκ̃
= 10η
µθ̃
Le paramètre η permet alors de donner de l’importance soit à la courbure, soit à l’angle

d’orientation. Par exemple si η = 1 alors la moyenne des fonctions courbures des aiguilles
est 10 fois supérieure à celle des fonctions angle de déformation. A l’inverse si η = -1 alors
c’est la moyenne des fonctions angle de déformation qui est 10 fois supérieure à celle des
fonctions de courbure.
L’importance qu’une des deux fonctions a ainsi par rapport à l’autre se retrouve alors, une
fois l’ACPFM réalisée, dans les modes de déformations.
En utilisant la méthode de reconstruction à partir des modes présentés dans la partie précé-
dente, nous allons définir la valeur optimale de η de la façon suivante :
Soit un nombre de modes de reconstruction m fixé.

• on choisit une valeur de η.
• on obtient les m modes de déformation des aiguilles de porcs avec l’ACPFM.
• on calcule l’erreur moyenne de reconstruction de l’ensemble des aiguilles de porcs
en reconstruisant chaque aiguille avec les m modes de déformation.
On minimise alors l’erreur moyenne de reconstruction sur la variable η.
Finalement on obtient alors la valeur optimale du paramètre η qui minimise l’erreur de

reconstruction des aiguilles de porcs pour un nombre de modes m donné.
16.4 Résultats
Dans les résultats suivants on utilise l’hypothèse selon laquelle les triplets sont positionnés
de façon optimale.
16.4.1 Paramètres optimaux de la méthode de reconstruction avec

modes
Nous allons présenter dans cette partie les résultats de l’erreur moyenne de reconstruc-
tion avec les modes des aiguilles de porcs en fonction du nombre de modes utilisé et du
paramètre η pour un nombre de triplets de capteurs.
Les figure 16.7a et 16.7b représentent cette erreur pour 1 triplet de capteurs. L’erreur
moyenne de reconstruction est minimale pour m = 9 et η = 0.5.
(a) Vue 3D (b) Vue 2D. Les valeurs pour lesquels la reconstruc-
tion avec modes est plus précise que la recons-
truction classique sont affichées en gris.
F IGURE 16.7. – Erreur de reconstruction moyenne en millimètre avec les modes pour 1
triplet de capteurs de l’ensemble des aiguilles de porcs en fonction du
nombre de modes et du paramètre η.
Les figure 16.8a et 16.8b représentent l’erreur moyenne de reconstruction pour 2 triplet de
capteurs. L’erreur moyenne de reconstruction est minimale pour m = 7 et η = 0.1.
F IGURE 16.8. – Erreur de reconstruction moyenne en millimètre avec les modes pour 2
triplets de capteurs de l’ensemble des aiguilles de porcs en fonction du
nombre de modes et du paramètre η.
Les figure 16.9a et 16.9b représentent l’erreur moyenne de reconstruction pour 3 triplet de
capteurs. L’erreur moyenne de reconstruction est minimale pour m = 13 et η = 0.3.
F IGURE 16.9. – Erreur de reconstruction moyenne en millimètres avec les modes pour 3
triplets de capteurs de l’ensemble des aiguilles de porcs en fonction du
nombre de modes et du paramètre η
Pour un nombre de triplet supérieur ou égal à 4, la reconstruction avec modes ne permet

pas de reconstruire plus précisément que la reconstruction classique.
Les zones grises des figures 16.7, 16.8 et 16.9 symbolisent les valeurs des nombres de
modes m et de paramètres η pour lesquelles la reconstruction avec les modes est plus
précise en moyenne que la reconstruction classique. Ainsi pour un nombre de triplets de
capteurs compris entre de 1 et 3, l’utilisation de la reconstruction avec les modes permettrait
de gagner en précision, sous condition de choisir un nombre de modes m et un paramètre
η approprié.
Par conséquent nous allons utiliser dans la suite de ce chapitre, selon le nombre de triplets
de capteurs, les valeurs de m et de η qui minimisent l’erreur moyenne. Ces valeurs sont
récapitulées dans le tableau 16.2 :
Nombre de triplets
Nombre de modes m Paramètre η
de capteurs
1 9 0.5
2 7 0.1
3 13 0.3
TABLE 16.2. – Valeurs du nombre de mode m et du paramètre η qui minimisent l’erreur

moyenne de reconstruction par modes de l’ensemble des aiguilles de porcs
selon le nombre de triplets de capteurs.
16.4.2 Validation de la reconstruction avec modes
Nous allons présenter dans cette partie les résultats de validation de la reconstruction avec
modes. Ces résultats comprennent la reconstruction des ensembles d’aiguilles de porc et
d’aiguilles patients à partir des modes.
16.4.2.1 Reconstruction des aiguilles de porcs
Nous allons estimer la fiabilité de la reconstruction avec les modes sur l’ensemble des
aiguilles de porcs. La méthode employée est la validation croisée de type leave-one-out
cross-validation. Cette méthode consiste à diviser notre ensemble de scanners en deux
échantillons, un d’apprentissage et un de test. Pratiquement, à partir de l’ensemble d’ai-
guilles de porcs de taille n, est constitué un échantillon d’apprentissage de taille n − 1 à
partir duquel sont calculé les modes de déformations. Ces modes de déformations sont
ensuite utilisés pour reconstruire l’échantillon test de taille 1, constitué donc d’une seule
aiguille. En répétant cette procédure n fois, on peut ainsi obtenir la reconstruction avec les
modes de chaque aiguille tout en préservant le fait que les modes sont indépendants des
aiguilles reconstruites.
La figure 16.10 présente les résultats statistiques des erreurs de reconstruction des aiguilles
de porcs selon le type de reconstruction et le nombre de triplets de capteurs.
F IGURE 16.10. – Diagramme en boites de l’erreur de reconstruction des aiguilles de porcs

Les segments aux extrémités désignent les minima et maxima, les boites encadrent le
premier et troisième quartile tandis que la médiane est tracée en rouge.
On remarque sur la figure 16.10 que le premier quartile, la médiane ainsi que le troisième
quartile sont inférieurs dans le cas d’une reconstruction avec modes par rapport à une re-
construction classique. A l’inverse le maximum de l’erreur de reconstruction avec modes
est plus élevé que celui de l’erreur de reconstruction classique pour un nombre de triplet de
capteur égal à 1 ou 2.
La moyenne des erreurs de reconstruction est présentée dans le tableau 16.3.
Erreur de reconstruction moyenne de l’ensemble des aiguilles de porcs (mm)

Nombre de triplets de capteurs 1 2 3
classique 8.0 4.6 3.8
Reconstruction optimale
avec les modes 6.6 3.9 3.0
TABLE 16.3. – Erreur moyenne de reconstruction de l’ensemble des aiguilles de porcs dans
le cas de reconstructions avec ou sans modes pour des positions optimales
de capteurs.
L’utilisation de la reconstruction avec modes permet ainsi de gagner en moyenne 1.4 mm

pour un triplet de capteurs, 0.7 mm pour deux triplet de capteurs et 0.8 mm pour trois
triplets de capteurs.
Le gain de précision est le gain relatif de l’erreur moyenne de reconstruction, il est présenté
dans le diagramme 16.11.
F IGURE 16.11. – Gain relatif de précision pour l’ensemble des aiguilles de porcs obtenue
avec la reconstruction avec les modes par rapport à la reconstruction clas-
sique.
On observe ainsi à partir de la figure 16.11 que l’utilisation des modes pour la reconstruc-
tion des aiguilles de porcs permet un gain de précision entre 15% et 22% en moyenne.
16.4.2.2 Reconstruction des aiguilles patients
On présente dans cette partie les résultats de la reconstruction avec les modes des aiguilles
patients. On effectue cette reconstruction pour un nombre de triplets compris entre 1 et 3
en gardant les valeurs de m et de η spécifié dans le tableau 16.2.
La figure 16.12 présente les résultats statistiques des erreurs de reconstruction de l’en-
semble des aiguilles patients selon le nombre de triplets de capteurs.
F IGURE 16.12. – Diagramme en boites de l’erreur de reconstruction des aiguilles patients

Les segments aux extrémités désignent les minima et maxima, les boites encadrent le
premier et troisième quartile tandis que la médiane est tracée en rouge
On remarque sur la figure 16.12 que dans le cas d’un seul triplet de capteurs l’erreur maxi-
male est supérieure dans le cas de la reconstruction classique tandis que la médiane est
supérieure dans le cas de la reconstruction avec les modes. La moyenne des erreurs de
reconstruction est présentée dans le tableau 16.4.
Erreur de reconstruction moyenne de l’ensemble des aiguilles patients (mm)

Nombre de triplets de capteurs 1 2 3
classique 7.6 2.0 2.0
Reconstruction optimale
avec les modes 6.0 2.9 2.6
TABLE 16.4. – Erreur moyenne de reconstruction de l’ensemble des aiguilles patients dans
le cas de reconstructions avec ou sans modes pour des positions optimales
de capteurs.
Par conséquent, au vu des résultats du tableau 16.4 on constate que la reconstruction avec
les modes est plus précise que la reconstruction classique uniquement pour un seul triplet
de capteur. Le gain relatif en pourcentage de la reconstruction avec les modes par rapport
à la reconstruction classique est présenté dans lea figure 16.13.
F IGURE 16.13. – Gain relatif de précision pour l’ensemble des aiguilles patients obtenue
avec la reconstruction avec les modes par rapport à la reconstruction clas-
sique.
16.4.3 Reconstruction des fonctions courbures et angles de

déformations
On présente ici un exemple de reconstructions des fonctions courbures et angle d’orienta-

tion lors de la reconstruction avec les modes.
F IGURE 16.14. – Reconstruction de la courbure à partir des modes.

La courbure originale est en verte et la courbure approximée est en rouge.
F IGURE 16.15. – Reconstruction de l’angle d’orientation à partir des modes.

La fonction angle originale est en verte et la fonction angle originale reconstruite est en
rouge.
16.5 Discussion
16.5.1 Nombres de modes et paramètre η
Dans la partie précédente ont été présentés les résultats de reconstruction avec les modes
selon le nombre de triplets de capteurs de l’aiguille. Ainsi, pour un nombre de triplets
compris entre 1 et 3, la reconstruction avec les modes est plus précise que la reconstruction
classique comme le montre les figures 16.7, 16.8 et 16.9. A l’inverse pour un nombre de
triplets supérieur ou égal à 4 la reconstruction avec les modes n’apporte pas de précision
supplémentaire. Or la précision ou non de la reconstruction traduit directement la qualité
de l’approximation des fonctions courbures et angles d’orientations.
Cela signifie que, dans le cas des aiguilles de porcs, 4 est le nombre minimum de don-
nées de discrétisation des fonctions courbures et angle d’orientation qui permet d’avoir
en moyenne une interpolation suffisamment précise pour que l’utilisation des modes n’ap-
porte rien de plus. A l’inverse pour un nombre de données de discrétisation inférieure ou
égale à trois, les fonctions courbure et angle d’orientation obtenues par interpolation sont
moins précises que celles obtenues à partir des modes. Les modes permettent en effet dans
ce cas de "combler" le faible nombre d’informations fournies par les triplets de capteurs.
On soulignera que le fait que les modes soient utiles jusqu’a trois triplets de capteurs est
une information sur les complexités des fonctions courbures et angles d’orientation des ai-
guilles de porcs.
La reconstruction par modes possède deux paramètres : le nombre de mode m et la valeur

η. Les valeurs de ces paramètres influent énormément sur l’erreur de reconstruction comme
le montre les discrétisations de l’erreur moyenne en fonction de ces paramètres présentées
dans les figures 16.7, 16.8 et 16.9. Pour reconstruire au mieux nous allons choisir les va-
leurs qui minimisent cette erreur selon le nombre de triplets de capteurs. Ces valeurs sont
affichées dans le tableau 16.2.
16.5.2 Reconstruction avec modes

La première étape de validation des modes concerne la reconstruction des aiguilles de
porcs. La validation croisée permet de valider l’utilité de la reconstruction avec les modes
en caractérisant le gain de précision obtenu.
Ainsi la reconstruction des aiguilles de porcs avec les modes procure un gain de préci-
sion d’environ 20%, comme le montre la figure 16.11. Les modes, calculés à partir de
déformations d’aiguilles insérées dans une épaule de porcs, se révèlent donc efficace pour
reconstruire des aiguilles déformées dans un tissu de même type.
La reconstruction par modes se révèle beaucoup moins efficace lors de la reconstruction
des aiguilles patients comme le révèle la figure 16.13. En effet, dans le cas où les triplets
sont aux nombres de deux ou trois, la reconstruction avec les modes s’avère moins précise.
A l’inverse dans le cas où l’aiguille instrumentée possède un seul triplet la reconstruction
avec les modes permet un gain de précision de plus de 20% comme le montre la figure
16.13.
On remarque donc que les résultats de reconstruction sont bien meilleurs lorsqu’on recons-
truit des aiguilles déformées dans un tissu de même type que celui des déformées qui ont
permis de créer les modes. Cette différence de milieux d’insertion explique en partie les
différences de performance de la reconstruction avec les modes. Néanmoins, malgré la dif-
férence de milieu, la reconstruction avec les modes permet d’améliorer la précision dans le
cas d’un seul triplet de capteur, lorsque l’erreur moyenne est élevée. Les aiguilles patients
étant plus faiblement déformées, les erreurs moyennes de reconstructions sont plus faibles
que celles des aiguilles de porcs et sont donc plus difficilement améliorable avec les modes.
Ces constatations permettent de dégager les principaux critères d’efficacité de la recons-

truction avec les modes de déformation :
• une faible quantité d’information sur la déformée : plus la quantité d’informations
fournies par les triplets de capteurs est faible, plus les modes seront capables de
combler ce manque d’information.
• une erreur de reconstruction élevée : plus l’erreur de reconstruction est élevée
plus les informations apportées par les modes sont susceptibles de d’améliorer la
précision de reconstruction.
• une forte corrélation entre les modes et les conditions d’insertion : plus les modes
proviennent de données présentant des caractéristiques commune avec l’aiguille à re-
construire, plus la reconstruction sera efficace.
Ainsi, dans le cas des aiguilles de porcs, la reconstruction avec les modes est efficace
jusqu’à 3 triplets de capteurs car, au-delà, l’information présente est suffisamment riche et
les modes ne peuvent plus rien apporter.

Dans le cas des aiguilles patients, la reconstruction avec les modes est efficace pour un
seul triplet de capteurs car au-delà l’erreur de reconstruction est trop faible et les modes
présentent des limites car crées à partir de tissus de porcs.
Au regard des critères cités précédemment, on pourrait suggérer comme piste d’améliora-
tion le calcul direct des modes de déformations à partir d’aiguilles patients. Une expéri-
mentation avec une aiguille instrumentée permettrait de comparer les résultats théoriques
et pratiques de reconstruction.
16.6 Conclusion
La reconstruction avec les modes de déformation constitue donc une approche innovante et
utile qui permet d’améliorer la précision de la reconstruction de la déformée d’une aiguille
lors de son insertion dans les tissus. Cette méthode est particulièrement indiquée dans le cas
où le nombre de triplets de capteurs est limité : cette méthode constitue donc une réponse
intéressante aux contraintes techniques d’instrumentation des aiguilles.
CHAPITRE 17
HYPOTHÈSES DE DÉFORMATIONS
17.1 Introduction
L’étude de la déformation des aiguilles hypodermiques lors de piqués médicaux est au
coeur de ce manuscrit. En assimilant ces aiguilles à des structures telle que des poutres
nous disposons alors d’outils permettant l’étude et la caractérisation de leurs déformations
tels que la théorie des poutres de Reissner [Rei73].
Des hypothèses sur les déformations ont été formulées, il serait intéressant de mesurer leurs
impacts sur la déformation d’une aiguille lors d’un piqué dans les tissus. On aurait ainsi
une idée de l’importance des types de déformations lors d’un piqué d’aiguille et on pourrait
juger de la validité des hypothèses utilisées.
Pour étudier, c’est à dire calculer la déformation d’une aiguille lors de son insertion dans
un tissu il est nécessaire de connaître les caractéristiques de l’aiguille et les caractéristiques
de ces cas de charges. En se basant sur des mesures de cas de charges expérimentaux issus
de la littérature nous allons évaluer, grâce à la théorie des poutres, l’impact des différents
types de déformations sur la forme de l’aiguille, et notamment la position de son extrémité
distale.
17.2 Cas de charges expérimentaux

La littérature recèle de nombreux articles expérimentaux traitant de mesure de cas de
charges lors d’insertions d’aiguilles. Ces mesures expérimentales sont la plupart du temps
obtenues à l’aide de capteurs de force situés à l’extrémité proximale de l’aiguille : on peut
alors notamment mesurer la force axiale et le moment axial lors de l’insertion (figure 17.1).
Ce sont ces deux valeurs que nous allons utiliser par la suite en nous basant sur les valeurs
fixées dans la littérature.
Les expérimentations ont été réalisées sur des prostate de patients [PCS+ 06], fantômes en
190 Chapitre 17. Hypothèses de déformations
Faxiale
Maxial
F IGURE 17.1. – Effort axial appliqué sur l’extrémité d’une poutre droite.
PVC [DS03, PCF+ 05, OEC+ 05], des fantômes en silicone [OSW+ 03], des tissus ex-vivo
de foie de bovin [PSC+ 05, SO02, OSO04], de foie de porcs [BHT00] ou de prostate de
chiens [KWAM01]. Les cas de charges expérimentaux et leurs spécificités relevées dans
le cadre de cet état de l’art sont présentés dans le tableau 17.1.
Charge Article Milieu Aiguille Valeur maximale

17 G 19.11 N
Périnée in vivo
18 G 13.94 N
Podder et al. [PCS+ 06]
17 G 11.91 N
Prostate in vivo
Force 18 G 10.14 N
axiale DiMaio et al. [DS03] PVC 17 G 2.5 N
Okazawa et al. [OEC+ 05] PVC 20 G 8.10 N
Podder et al. [PCF+ 05] PVC 18 G 7.5 N
Brett et al. [BHT00] Lombaire de Porcs 16 G 29 N
Reed [Ree08] Plastisol : 0.39 mm 0.24 N.mm
Moment
Reed et al. [ROC09] gel SimTest : 0.59 mm 1.0 N.mm
axial
Podder et al. [PCS+ 06] Prostate humaine 17 G 7 N.mm
TABLE 17.1. – Forces et moments axiaux maximaux.
A partir des données de la littérature on fixe les deux valeurs seuils suivantes :
Faxialemax = 50N
Maxialmax = 10N.mm
17.3 Impact sur la reconstruction des grandeurs de

déformations
Nous allons évaluer dans cette partie l’impact des différents type de déformations sur l’ex-
trémité distale de l’aiguille reconstruite.
17.3. Impact sur la reconstruction des grandeurs de déformations 191
17.3.1 Cisaillement
L’aiguille est assimilable à une poutre encastrée. Lorsque celle-ci est soumise à une défor-
mation en flexion il y a apparition de contrainte de cisaillement au sein de celle-ci. L’ordre
de grandeur de cette contrainte dépend de la minceur de la poutre. Cette minceur peut-être
caratérisée par le ratio entre sa longueur et son épaisseur. Concrètement si ce ratio est supé-
rieur à 10 le déplacement transverse causé par le cisaillement peut-être négligé [Lep98]. A
titre d’exemple, dans le cas d’une flexion simple d’une poutre droite avec un cas de charge
à son extrémité si le ratio longueur sur épaisseur de cette poutre est égal à 10 alors le dé-
placement transverse causé par le cisaillement correspond à environ 1% du déplacement
transverse causé par la flexion [Lep98].
Dans le cas des aiguilles utilisées dans les piqués de porcs (20 gauges 200mm) le rapport
longueur sur épaisseur est supérieure à 200.
Pour cette raison le phénomène de cisaillement peut-être négligé dans le cas d’une insertion
d’aiguille.
17.3.2 Traction-compression
Dans cette partie nous allons calculer γtmax la grandeur maximale liée à au phénomène de
traction-compression.
Lors d’une insertion d’aiguille, le praticien applique une force sur l’extrémité proximale de
l’aiguille. On fait l’hypothèse que la flexion est absente et qu’on se trouve uniquement en
présence de traction-compression comme illustré dans la figure 17.2.
Faxiale
F IGURE 17.2. – Effort axial appliqué sur l’extrémité d’une poutre droite.
La traction-compression provoque alors de faibles déplacements mais un effort important

peut générer du flambement comme le montre la figure 17.3.
F IGURE 17.3. – Schema de déformation de poutre par flambage.
On peut calculer la valeur théorique de la force axiale entrainant l’apparition du phénomène

de flambage pour une poutre encastrée-rotulée en utilisant la formule d’Euler :
πEI
Ff lambage = (17.1)
(0.7L)2
Le phénomène de traction-compression est maximal pour une force axiale dont la valeur est
donnée dans l’équation ??. On va utiliser la valeur de cette force maximale pour calculer
γtmax à partir de la loi de Hooke :
σ = EεT
Par la théorie de Reissner on a alors :
σ = Eγt
On définit alors la valeur maximal de γt par :

Ff lambage
γtmax = 2 − r2 )
E × π(rext int
I
= 2 − r2 )
(0.7L)2 (rext int
Application numérique :
γtmax ≈ 1.3 × 10−6
On va maintenant calculer l’écart maximale de flèche dû à la traction-compression ∆tract−compr

qui est la distance maximale entre les extrémités distales d’aiguilles lors d’une déformation
avec traction-compression dans un cas et sans traction-compression dans l’autre.
On note R la déformée de l’aiguille avec traction-compression et R̃ la déformée sans
traction-compression. D’après l’équation 5.2 issue de la théorie de Reissner on a :
R0 = (1 + γt )T + γ1 N1 + γ2 N2
Et dans le cas de la déformée sans traction-compression on a donc :
R̃0 = T + γ1 N1 + γ2 N2
Pour une aiguille de longueur L les extrémités distales sont les points R(L) et R̃(L) :
Z L
R(L) = R0 (s)ds + R0
0
Z L
R̃(L) = R̃0 (s)ds + R0
0
On a donc par définition :
∆tract−compr = max kR(L) − R̃(L)k
Et on a :
Z L Z L
0
kR(L) − R̃(L)k = k R (s)ds − R̃0 (s)dsk
0 0
Z L
=k R0 (s) − R̃0 (s)dsk
0
Z L
=k γt (s)T(s)dsk
0
Z L
6 kγt (s)T(s)kds
0
Z L
6 |γt (s)|ds
0
6 γtmax L
L’inégalité devient une égalité par exemple dans le cas d’une compression simple appliquée
à l’aiguille. On a par conséquent :
∆tract−compr = γtmax L
Pour une aiguille de longueur L = 200 mm on obtient alors :
∆tract−compr ≈ 3 × 10−4 mm
L’impact de la déformation en traction-compression de l’aiguille sur la position de l’ex-

trémité distale de celle-ci est donc extrêmement faible. Par conséquent le phénomène de
traction-compression peut-être négligé dans le cas d’une insertion d’aiguille.
17.3.3 Flexion
Nous allons calculer la courbure maximale lors d’une insertion d’aiguille. On se place dans
l’hypothèse d’élasticité linéaire. Lors des expérimentations nous avons utilisés des aiguilles
en acier inoxydable. La courbe contrainte-déformation de l’acier inoxydable est présentée
dans la figure 17.4.
F IGURE 17.4. – Courbe contrainte-déformation de l’acier inoxydable à différentes tempé-

rature.
L’acronyme RT (Room Temperature) désigne la température ambiante. Source :
https ://icme.hpc.msstate.edu/mediawiki/index.php/316_Stainless_Steel
En utilisant la figure 17.4 on peut définir la déformation maximale εmax dans le cas de
l’élasticité linéaire à température ambiante :
εmax ≈ 1.5 × 10−3
On a le lien suivant entre la déformation ε, le rayon r0 de l’aiguille et sa courbure κ :
ε = r0 κ
On note κmax le courbure maximale :

εmax
κmax =
r0
Cette valeur va être utilisée pour calculer l’écart maximal dû à la flexion. Pour cela nous
allons mesurer la distance entre les extrémités de deux aiguilles :
• une aiguille avec de la flexion. On suppose que la courbure est maximale sur toute la
longueur de l’aiguille. On suppose que la déformation est plane pour maximiser la
flèche de l’aiguille. Les expressions de la courbure et de l’angle unitaire de torsion
le long de cette aiguille sont alors :
κ(s) = κmax pour 0≤s≤L (17.2)

κt (s) = 0 pour 0≤s≤L
• la même aiguille mais sans flexion. On suppose que la courbure de l’aiguille est nulle
sur toute sa longueur. L’aiguille ne subit alors pas de déformation et reste droite.
On reconstruit l’aiguille en appliquant notre méthode de reconstruction présentée dans le
chapitre 11 sur les fonctions courbure et angle unitaire définis dans le système 17.2. Les
aiguilles reconstruites sont présentées dans la figure 17.5.
F IGURE 17.5. – Déformation d’une aiguille avec et sans courbure.

L’aiguille déformée sans courbure est représentée en rouge et celle avec courbure est
représentée en verte.
Par mesure de la distance entre les deux extrémités distales on en déduit que l’écart maxi-
mal de flèche dû à la courbure ∆courbure est de 65.5 mm.
∆courbure ≈ 65.5mm
17.3.4 Torsion
On note Mt le moment de torsion, en élasticité linéaire on a :
Mt = GJκt (17.3)
On note L la longueur de l’aiguille, Maxial son moment de torsion à sa base, lin la distance
entre la base de l’aiguille et le point d’entrée dans les tissus et di la distance entre le point
d’entrée et l’extrémité distale de l’aiguille. Le moment de torsion de l’aiguille en dehors

des tissus est constant :
Mt (s) = Maxial pour 0 ≤ s < lin
L’article de Reed [Ree08] présente un modèle pour exprimer la torsion d’une aiguille dans
les tissus. L’expression du moment de torsion de l’aiguille dans les tissus s’exprime alors :
lin + di − s

Mt (s) = Maxial pour lin ≤ s ≤ L = lin + di (17.4)
di
Ainsi le moment de torsion de l’aiguille décroit linéairement dans les tissus. L’expression
du moment de torsion de l’équation 17.4 dans l’équation 17.3 de l’angle unitaire de torsion
donne :
Maxial lin + di − s

κt (s) = pour lin ≤ s ≤ L = lin + di
GJ di
Ce modèle va être utilisé pour calculer l’écart maximal dû à la torsion. Pour cela nous
allons mesurer la distance entre les extrémités de deux aiguilles :
• une aiguille avec de la torsion. Pour maximiser l’effet de la torsion on prend une
longueur d’insertion lin = L et une courbure maximale κmax . On utilise le modèle
de Reed pour l’angle unitaire de déformation en posant Maxial = Maxialmax , la valeur
expérimentale présentée précédemment. Les expressions de la courbure et de l’angle
unitaire de torsion le long de cette aiguille sont alors :

Maxialmax L−x

κt (s) = pour 0≤s≤L
GJ L
• la même aiguille mais sans torsion. Les expressions de la courbure et de l’angle

unitaire de torsion le long de cette aiguille sont alors :

κt (s) = 0 pour 0≤s≤L
On reconstruit les aiguilles en appliquant notre méthode de reconstruction présentée dans

le chapitre 11 sur les fonctions courbure et angle unitaire définis dans les systèmes 17.5 et
17.6. Les aiguilles reconstruites sont présentées dans la figure 17.6.
F IGURE 17.6. – Déformation d’une aiguille avec et sans torsion.
Par mesure de la distance entre les deux extrémités distales on en déduit que l’écart maxi-
male de flèche du à la torsion ∆torsion est de 7.8 mm.
∆torsion ≈ 7.8mm
On calcule que dans ce cas la distance entre les extrémités des deux aiguilles représente
environ 12% de la flèche de l’aiguille.
En supposant toujours que l’aiguille est insérée en entier dans les tissus (le cas où la torsion
a le plus d’effet sur la déformée) on va calculer ce ratio en fonction de la valeur constante
de la courbure le long de l’aiguille κ et du moment de torsion à la base Maxial . Les résultats
sont affichés en pourcentage et sont présentés dans la figure 17.7.
F IGURE 17.7. – Ratio entre les extrémités distales des deux aiguilles déformées avec et
sans torsion en fonction de la valeur constante de la courbure et du moment
de torsion à la base de l’aiguille.
On constate à partir des résultats de la figure 17.7 que dans le cas où la courbure est
constante le pourcentage d’erreur de positionnement de l’extrémité de l’aiguille en fonc-
tion de la flèche dépend uniquement du moment de torsion à la base de l’aiguille et pas de
la courbure.
Ainsi le pourcentage d’erreur en torsion en fonction de la flèche dépend de plusieurs fac-

teurs :
• le moment de torsion à la base de l’aiguille Maxial : il est raisonnable de supposer

que le comportement constaté dans la figure 17.7 est similaire pour d’autre profil
de courbure et donc que plus le moment est grand plus le pourcentage d’erreur sera
élevé.
• le module de cisaillement G et le moment quadratique de la poutre en torsion J : plus
ceux-ci sont élevés plus l’effet du moment de torsion est atténué donc, par l’hypo-
thèse précédente, le pourcentage d’erreur devrait être plus faible.
• la courbure κ : on peut conjecturer à partir des résultats de la figure 17.7 que le
pourcentage d’erreur ne dépend pas de sa valeur mais de son profil (sa monotonie par
exemple). Il serait intéressant d’étudier différent profil et essayer ensuite de trouver
une borne au pourcentage d’erreur qui soit indépendante de la courbure.
Par conséquent l’erreur d’approximation commise lorsqu’on néglige la courbure est prin-
cipalement dû au moment axial Maxial , c’est à dire au geste d’insertion effectué et aux
moment de cisaillement G et quadratique J, c’est à dire au type d’aiguille utilisée.
17.4 Conclusion
Les erreurs de précisions maximales selon les types de déformations sont rassemblées dans
le tableau 17.2.
Erreur de précision maximale
Type de déformation
du à la déformation (mm)
Flexion 65.5
Torsion 7.8
Traction-compression 0.0003
Cisaillement infime
TABLE 17.2. – Erreurs de précisions maximales expérimentales et théoriques selon le type

de déformations.
A la vue des résultats du tableau 17.2 on en conclut donc que les déformations dues à la
traction-compression et au cisaillement sont négligeables et que par conséquent l’utilisa-
tion d’hypothèses négligeant ces phénomènes semble légitime dans le cas d’une insertion
d’aiguille.
On remarque également que bien que dans le cas général la flexion est le principale respon-
sable du déplacement de l’extrémité de l’aiguille la torsion peut, dans certains cas limites,
représenter jusqu’à une dizaine de pourcents de ce déplacement. Dans notre cas, les flèches
maximales des aiguilles traitées dans la partie population d’aiguilles étant d’une vingtaine
de millimètres, la torsion représente alors au environ deux millimètres.
Cinquième partie
Conclusion
CHAPITRE 18
CONCLUSION
18.1 Contributions
Mes travaux de recherche se sont focalisés sur la reconstruction de la déformée d’une ai-
guille instrumentée à partir des capteurs de déformations fixés à sa surface. L’impératif de
précision nécessaire à une utilisation clinique du dispositif se heurte alors aux limitations
techniques qui restreignent fortement le nombre de capteurs de déformation implantable
sur une aiguille. Les méthodes développées pour résoudre cette problématique s’articulent
autour de deux thématiques : l’obtention des données de capteurs et leurs exploitations.
Les principales contributions réalisées durant mon travail de thèse sont présentées ci-
dessous :
• Une première approche de reconstruction de la déformée à partir des informations de
flexion issues des capteurs a été développée. Elle se caractérise par une forte cohésion
mathématique et physique, permettant ainsi de définir le contexte et les hypothèses
du problème sur lesquelles s’appuient les autres méthodes.
• Le calcul des déformations des capteurs par la théorie des poutres a permis d’établir
le lien entre orientation des capteurs et torsion. La méthode de reconstruction déve-
loppée permet d’utiliser les informations de torsion obtenues et d’améliorer ainsi la
précision de reconstruction. Une procédure de calcul des cas de charges s’appuyant
sur cette méthode a été proposée.
• Le problème du positionnement de capteurs a été abordée de façon innovante par
le biais d’une méthode d’optimisation des positions à partir de piqués d’aiguilles. Il
n’existe pas à notre connaissance de méthodes similaires reposant sur des données
expérimentales. L’utilisation des positions optimales calculées permet alors d’aug-
menter la significativité des données renvoyées par les capteurs.
• Un traitement statistique réalisé sur ces données expérimentales de piqués d’aiguille
a permis d’extraire les caractéristiques représentatives des déformations des aiguilles
204 Chapitre 18. Conclusion
dans les tissus. L’utilisation de ces caractéristiques dans une méthode de reconstruc-
tion spécialement adaptée permet, dans une certaine mesure, de combler le manque
d’informations dû au nombre limité de capteurs sur l’aiguille.
Ainsi les travaux réalisés portant sur la reconstruction de la déformée d’une aiguille instru-
mentée se sont matérialisés sous forme de différentes méthodes, chacune de ces méthodes
permettant de faire un pas supplémentaire vers une précision optimale.
La diversité des domaines explorés par ces méthodes témoignent de la multiplicité des
approches utilisées, aussi bien mathématiques que physiques, pour atteindre cet objectif.
L’utilisation conjointe de techniques de différents domaines tels que la mécanique, la géo-
métrie différentielle ou les statistiques, m’a permis de préserver la signification concrète
de mes travaux par interprétation physique tout en réalisant des opérations complexes, plus
abstraites. Grâce à cela j’ai pu développer des méthodes avancées qui font le lien avec le
réel, tel que le calcul des cas de charges de l’aiguille à partir des informations de capteurs.
L’utilisation de données expérimentales m’a également permis de développer des méthodes
innovantes tel que l’optimisation des positions à partir de piqués d’aiguilles ou la recons-
truction de la déformée à partir des modes de déformation des aiguilles.
18.2 Perspectives
Les travaux effectués dans le cadre de l’utilisation de données expérimentales constitue un
cadre propice aux perspectives de ce travail.
Parmi les domaines d’améliorations possibles figure ainsi l’approximation des formes d’ai-
guilles à partir des piqués d’aiguilles. Un travail qualitatif permettrait de caractériser l’er-
reur de reconstruction commise et de définir une marge de confiance. Appliqué à notre
travail cette marge permettrait de juger de la validité de nos résultats plus précisément.
Les formes d’aiguilles reconstruites font l’hypothèse d’une torsion nulle. La réalisation
de piqués en utilisant une aiguille instrumentée munis de capteurs permettant d’obtenir la
valeur de la torsion, comme celle que nous avons présentée, apporterait une information
supplémentaire sur les déformations d’aiguilles. Ces informations de torsion pourrait alors
être incluses dans les méthodes de positionnement des capteurs et de reconstruction avec
les modes de déformations, les rendant plus complètes.
Une étude des déformations d’aiguilles avec comme base expérimentale des données pa-
tients ne pourrait impacter les résultats que positivement. Elle lèverait également le doute
sur la compatibilité de nos résultats dans le cas de piqués d’aiguille patients, les aiguilles
patients de l’échantillon utilisé au cours de mes travaux étant peu nombreuses.
Les différentes méthodes proposées dans cette thèse ont été développées en vue d’une in-
tégration dans la plateforme de navigation IMACTIS destinée à une application clinique.
Préalablement à cette utilisation des étapes de tests et de validation pour caractériser expé-
rimentalement les erreurs de reconstructions commises sont à considérer.
Au delà de l’intégration dans un environnement de navigation envisagé dans ce manuscrit,
18.2. Perspectives 205
le développement de certaines méthodes présentées ici laisse entre-ouvert la porte d’une

utilisation dans le domaine de la recherche. Ainsi, concernant les cas de charges d’une
aiguille, notre méthode de calcul à partir des capteurs de déformation remplacerait avanta-
geusement le calcul par capteurs de forces situé à l’extrémité proximale de l’aiguille, cette
dernière méthode utilisant des hypothèses restrictives et se révélant moins précise.
Sixième partie
Annexes
CHAPITRE 19
ANNEXES
19.1 Paramètres des aiguilles utilisées
Variable Description Valeur

L Longueur 200 mm
E Module de Young de l’acier inoxydable 200 × 109 N.m−2
G Module de cisaillement de l’acier inoxydable 77.2 × 109 N.m−2
I Moment quadratique de la poutre en flexion 1.15 × 10−14 m4
J Moment quadratique de la poutre en torsion 5.37 × 10−2 mm4
rint Rayon interne d’une aiguille de 22 gauges 0.603 × 10−3 m
rext Rayon externe d’une aiguille de 22 gauges 0.9081 × 10−3 m
TABLE 19.1. – Valeurs des paramètres d’une aiguille en acier inoxydable de 20 gauges de
longueur 200 mm.
210 Chapitre 19. Annexes
19.2 Définition du tenseur Ω
T(s) = Q(s)e1
0
⇒ T0 (s) = (Q(s)e1 )
0
= Q (s)e1
0
= Q (s)Q−1 (s)T(s)
0
= Q (s)QT (s)T(s)
= Ω(s)T(s)
De même on a :
0
N1 0 (s) = Q (s)QT (s)N1 (s)
0
N2 0 (s) = Q (s)QT (s)N2 (s)
On définit alors le tenseur Ω :

0
Ω(s) = Q (s)QT (s)
19.3 Antisymétrie de Ω
0
0 T
Ω(s) + ΩT (s) = Q (s)QT (s) + Q (s)QT (s)
0
0 T
= Q (s)QT (s) + Q(s) Q (s)
0 0
= Q (s)QT (s) + Q(s) QT (s)
0
= Q(s)QT (s)
0
= Q(s)Q−1 (s)
0
= (I3 )
=0
D’où l’antisymétrie de Ω.
19.3. Antisymétrie de Ω 211
19.4 Reconstruction
19.4.1 Reconstruction : Aiguille de porcs
(a) Aiguille 1 (b) Aiguille 2 (c) Aiguille 3
(d) Aiguille 4 (e) Aiguille 5 (f) Aiguille 6
(g) Aiguille 7 (h) Aiguille 8 (i) Aiguille 9
(j) Aiguille 10 (k) Aiguille 11 (l) Aiguille 12
(m) Aiguille 13 (n) Aiguille 14 (o) Aiguille 15
(p) Aiguille 16 (q) Aiguille 17 (r) Aiguille 18
(s) Aiguille 19 (t) Aiguille 20 (u) Aiguille 21
F IGURE 19.1. – Reconstruction des aiguilles de porcs (1/3)

19.4. Reconstruction 213
(j) Aiguille 32 (k) Aiguille 33 (l) Aiguille 34
(m) Aiguille 35 (n) Aiguille 36 (o) Aiguille 37
(p) Aiguille 38 (q) Aiguille 39 (r) Aiguille 40
(s) Aiguille 41 (t) Aiguille 42 (u) Aiguille 43

(j) Aiguille 53 (k) Aiguille 54

19.5. Modes de déformation 215
19.4.2 Reconstruction : Aiguilles patients
(g) Aiguille 7 (h) Aiguille 8
F IGURE 19.4. – Reconstruction des aiguilles patients
19.5 Modes de déformation
Les 8 principaux modes de déformations de la courbure pour les aiguilles de porcs sont
présentés dans le figure 19.5.
F IGURE 19.5. – Modes de la courbure.
Les 8 principaux modes de déformations de l’angle d’orientation pour les aiguilles de porcs
sont présentés dans le figure 19.6.
19.5. Modes de déformation 217
F IGURE 19.6. – Modes de la courbure.

BIBLIOGRAPHIE
[AB74] R. S. Anderssen and P. Bloomfield. Numerical differentiation procedures for non-exact data. Numerische
Mathematik, 22(3) :157–182, 1974. 100
[ADJ06] Charles Audet and John E Dennis Jr. Mesh adaptive direct search algorithms for constrained optimization.
SIAM Journal on optimization, 17(1) :188–217, 2006. 142
[Ahl84] Anders Ahlén. An input estimation approach to differentiation of noisy data. Rep. UPTEC 8450R, Dep.
Technol., Uppsala Univ., Sweden, 1984. 99
[Aka98] Hirotogu Akaike. Information Theory and an Extension of the Maximum Likelihood Principle, pages 199–
213. Springer New York, New York, NY, 1998. 103
[AKM13] M. Abayazid, M. Kemp, and S. Misra. 3d flexible needle steering in soft-tissue phantoms using fiber bragg
grating sensors. In Proc. IEEE International Conference on Robotics and Automation (ICRA), pages 5843–
5849, May 2013. 51, 52, 54, 58, 159
[BBC+ 08] Pierre Bonami, Lorenz T Biegler, Andrew R Conn, Gérard Cornuéjols, Ignacio E Grossmann, Carl D Laird,
Jon Lee, Andrea Lodi, François Margot, Nicolas Sawaya, et al. An algorithmic framework for convex mixed
integer nonlinear programs. Discrete Optimization, 5(2) :186–204, 2008. 140
[BC09] O. A. Bauchau and J. I. Craig. Euler-Bernoulli beam theory, pages 173–221. Springer Netherlands, Dor-
drecht, 2009. 25
[Béz66] Pierre Bézier. Définition numérique des courbes et surfaces i. Automatisme, 11(12) :625–632, 1966. 37
[BHT00] P. N. Brett, A. J. Harrison, and T. A. Thomas. Schemes for the identification of tissue types and boundaries at
the tool point for surgical needles. IEEE Transactions on Information Technology in Biomedicine, 4(1) :30–
36, March 2000. 190
[Bis75] Richard L. Bishop. There is more than one way to frame a curve. The American Mathematical Monthly,
82(3) :246–251, 1975. 119
[BJS11] J.R. Berrendero, A. Justel, and M. Svarc. Principal components for multivariate functional data.
Computational Statistics & Data Analysis, 55(9) :2619 – 2634, 2011. 46
[BLL+ 09] Pietro Belotti, Jon Lee, Leo Liberti, Francois Margot, and Andreas Wächter. Branching and bounds tighte-
ningtechniques for non-convex minlp. Optimization Methods & Software, 24(4-5) :597–634, 2009. 140
[BNW06] Richard H Byrd, Jorge Nocedal, and Richard A Waltz. Knitro : An integrated package for nonlinear optimi-
zation. In Large-scale nonlinear optimization, pages 35–59. Springer, 2006. 142
[BZJ+ 08] Ivan Bricault, Nabil Zemiti, Emilie Jouniaux, Céline Fouard, Elise Taillant, Frédéric Dorandeu, and Philippe
Cinquin. Light puncture robot for ct and mri interventions. IEEE Engineering in Medicine and Biology
Magazine, 27(3) :42–50, 2008. 6
[Casng] P. De Casteljau. Mathématiques et cao. volume 2 : Formes à pôles. Hermes, forthcoming. 37
[Cul79] Jane Cullum. The effective choice of the smoothing norm in regularization. Mathematics of Computation,
33(145) :149–170, 1979. 100, 101
[CW78] Peter Craven and Grace Wahba. Smoothing noisy data with spline functions. Numerische Mathematik,
31(4) :377–403, 1978. 100, 101, 102, 114
220 Bibliographie
[dB78] Carl de Boor. A Practical Guide to Splines. Springer-Verlag New York, 1978. 37
[DS03] S. P. DiMaio and S. E. Salcudean. Needle insertion modeling and simulation. IEEE Transactions on Robotics
and Automation, 19(5) :864–875, Oct 2003. 190
[FDKP12] C. Fouard, A. Deram, Y. Keraval, and E. Promayon. CamiTK : a modular framework integrating visua-
lization, image processing and biomechanical modeling. In Y. Payan, editor, Soft Tissue Biomechanical
Modeling for Computer Assisted Surgery, pages 323–354. 2012. 106
[FMG+ 16] A. Farvardin, R. J. Murphy, R. B. Grupp, I. Iordachita, and M. Armand. Towards real-time shape sensing of
continuum manipulators utilizing fiber bragg grating sensors. In 2016 6th IEEE International Conference on
Biomedical Robotics and Biomechatronics (BioRob), pages 1180–1185, June 2016. 59
[GM79] Theo Gasser and Hans-Georg Müller. Kernel estimation of regression functions, pages 23–68. Springer
Berlin Heidelberg, Berlin, Heidelberg, 1979. 130, 161, 173
[Gug89] H. Guggenheimer. Computing frames along a trajectory. Computer Aided Geometric Design, 6(1) :77 – 78,
1989. 119
[Had02] Jacques Hadamard. Sur les problèmes aux dérivées partielles et leur signification physique. Princeton
university bulletin, 13(49-52) :28, 1902. 99
[Hal15] Brian C Hall. Lie groups, Lie algebras, and representations : an elementary introduction, volume 222. Sprin-
ger, 2015. 68
[HBLT12] Nikolai Hungr, Michael Baumann, Jean-Alexandre Long, and Jocelyne Troccaz. A 3-d ultrasound robotic
prostate brachytherapy system with prostate motion tracking. IEEE Transactions on Robotics, 28(6) :1382–
1397, 2012. 5
[HDvdD+ 14] K. R. Henken, J. Dankelman, J. J. van den Dobbelsteen, L. K. Cheng, and M. S. van der Heiden. Error
analysis of fbg-based shape sensors for medical needle tracking. 19(5) :1523–1531, October 2014. 54
[HGDD12] Kirsten Henken, Dennis Van Gerwen, Jenny Dankelman, and John Van Den Dobbelsteen. Accuracy of needle
position measurements using fiber bragg gratings. Minimally Invasive Therapy & Allied Technologies,
21(6) :408–414, November 2012. 51, 52, 58
[HHM11] Graham Hocking, Simon Hebard, and Christopher H Mitchell. A review of the benefits and pitfalls of
phantoms in ultrasound-guided regional anesthesia. Regional anesthesia and pain medicine, 36(2) :162–170,
2011. 103
[Hot33] Harold Hotelling. Analysis of a complex of statistical variables into principal components. Journal of
educational psychology, 24(6) :417, 1933. 43
[HWL06] Ernst Hairer, Gerhard Wanner, and Christian Lubich. Geometric Numerical Integration. Structure-Preserving
Algorithms for Ordinary Differential Equations. 2 edition, 2006. 69
[JMIC13] Hans J. Johnson, M. McCormick, L. Ibanez, and The Insight Software Consortium. The ITK Software
Guide. Kitware, Inc., third edition, 2013. In press. 106
[Klo86] Fopke Klok. Two moving coordinate frames for sweeping along a 3d trajectory. Computer Aided Geometric
Design, 3(3) :217 – 229, 1986. 119
[KWAM01] Hiroyuki Kataoka, Toshikatsu Washio, Michel Audette, and Kazuyuki Mizuhara. A Model for Relations
Between Needle Deflection, Force, and Thickness on Needle Penetration, pages 966–974. Springer Berlin
Heidelberg, Berlin, Heidelberg, 2001. 190
[LD11] Sébastien Le Digabel. Algorithm 909 : Nomad : Nonlinear optimization with the mads algorithm. ACM
Trans. Math. Softw., 37(4) :44 :1–44 :15, February 2011. 142
[Lep98] Steven Lepi. Practical guide to finite elements : a solid mechanics approach, volume 115. CRC Press, 1998.
191
[LFP+ 15] Hao Liu, A. Farvardin, S. A. Pedram, I. Iordachita, R. H. Taylor, and M. Armand. Large deflection shape
sensing of a continuum manipulator for minimally-invasive surgery. In 2015 IEEE International Conference
on Robotics and Automation (ICRA), pages 201–206, May 2015. 59
[LHB+ 12] Jean-Alexandre Long, Nikolai Hungr, Michael Baumann, Jean-Luc Descotes, Michel Bolla, Jean-Yves Gi-
raud, Jean-Jacques Rambeaud, and Jocelyne Troccaz. Development of a novel robot for transperineal
needle based interventions : focal therapy, brachytherapy and prostate biopsies. The Journal of urology,
188(4) :1369–1374, 2012. 5
[Lie80] Sophus Lie. Theorie der transformationsgruppen i. Mathematische Annalen, 16(4) :441–528, 1880. 33
[LPWW13] C. Ledermann, H. Pauer, O. Weede, and H. Woern. Simulation tool for 3d shape sensors based on fiber bragg
gratings and optimization of measurement points. In Robotics, Automation and Mechatronics (RAM), 2013
6th IEEE Conference on, pages 195–200, Nov 2013. 60
Bibliographie 221
[Mag54] Wilhelm Magnus. On the exponential solution of differential equations for a linear operator.
Communications on Pure and Applied Mathematics, 7(4) :649–673, 1954. 69
[Mal73] Colin L Mallows. Some comments on c p. Technometrics, 15(4) :661–675, 1973. 103
[MJK+ 14] Hyowon Moon, Jinwoo Jeong, Sungchul Kang, Keri Kim, Yong-Won Song, and Jinseok Kim. Fiber-bragg-
grating-based ultrathin shape sensors displaying single-channel sweeping for minimally invasive surgery.
Optics and Lasers in Engineering, 59 :50 – 55, 2014. 54, 60
[MJK+ 15] H. Moon, J. Jeong, Ockchul Kim, K. Kim, Woosub Lee, S. Kang, and J. Kim. Fbg-based polymer-molded
shape sensor integrated with minimally invasive surgical robots. In 2015 IEEE International Conference on
Robotics and Automation (ICRA), pages 1770–1775, May 2015. 60
[MPT15] Paul Mignon, Philippe Poignet, and Jocelyne Troccaz. Using rotation for steerable needle detection in 3d
color-doppler ultrasound images. In Engineering in Medicine and Biology Society (EMBC), 2015 37th
Annual International Conference of the IEEE, pages 1544–1547. IEEE, 2015. 5
[MR12] Jason P. Moore and Matthew D. Rogge. Shape sensing using multi-core fiber optic cable and parametric
curve solutions. Opt. Express, 20(3) :2967–2973, Jan 2012. 51, 52, 60
[MT] MATLAB and Global Optimization Toolbox. Release R2014a. The MathWorks, Inc., Natick, Massachusetts,
United States. 142
[OEC+ 05] S. Okazawa, R. Ebrahimi, J. Chuang, S. E. Salcudean, and R. Rohling. Hand-held steerable needle device.
IEEE/ASME Transactions on Mechatronics, 10(3) :285–296, June 2005. 190
[OSO04] A. M. Okamura, C. Simone, and M. D. O’Leary. Force modeling for needle insertion into soft tissue. IEEE
Transactions on Biomedical Engineering, 51(10) :1707–1716, Oct 2004. 190
[OSW+ 03] M. D. O’Leary, C. Simone, T. Washio, K. Yoshinaka, and A. M. Okamura. Robotic needle insertion :
effects of friction and needle geometry. In Robotics and Automation, 2003. Proceedings. ICRA ’03. IEEE
International Conference on, volume 2, pages 1774–1780 vol.2, Sept 2003. 190
[PCF+ 05] TK Podder, DP Clark, D Fuller, J Sherman, Wan Sing Ng, L Liao, DJ Rubens, JG Strang, EM Messing,
YD Zhang, et al. Effects of velocity modulation during surgical needle insertion. In 27th Annual Conference
of the Engineering in Medicine and Biology Society (IEEE-EMBS 2005), Shanghai, China, Sept, pages 1–4,
2005. 190
[PCS+ 06] Tarun Podder, Douglas Clark, Jason Sherman, Dave Fuller, Edward Messing, Deborah Rubens, John Strang,
Ralph Brasacchio, Lydia Liao, Wan-Sing Ng, and Yan Yu. In vivo motion and force measurement of surgical
needle intervention during prostate brachytherapy. Medical Physics, 33(8) :2915–2922, 2006. 189, 190
[Pea01] Karl Pearson. Liii. on lines and planes of closest fit to systems of points in space. The London, Edinburgh,
and Dublin Philosophical Magazine and Journal of Science, 2(11) :559–572, 1901. 43
[PED+ 10] Yong-Lae Park, S. Elayaperumal, B. Daniel, Seok Chang Ryu, Mihye Shin, J. Savall, R.J. Black, B. Moslehi,
and M.R. Cutkosky. Real-time estimation of 3-d needle shape and deflection for mri-guided interventions.
15(6) :906–915, December 2010. 58, 133, 145, 158
[PSC+ 05] T. K. Podder, J. Sherman, D. P. Clark, E. M. Messing, D. J. Rubens, J. G. Strang, L. Liao, R. A. Brasacchio,
Y. Zhang, W. S. Ng, and Y. Yu. Evaluation of robotic needle insertion in conjunction with in vivo manual
insertion in the operating room. In ROMAN 2005. IEEE International Workshop on Robot and Human
Interactive Communication, 2005., pages 66–72, Aug 2005. 190
[Rag83] David L Ragozin. Error bounds for derivative estimates based on spline smoothing of exact or noisy data.
Journal of Approximation Theory, 37(4) :335 – 355, 1983. 130, 161, 173
[RB09] Marcel Roelofs and Johannes Bisschop. AIMMS 3. 9-Language Reference. Lulu. com, 2009. 140
[RCB+ 13] Adeline L.G. Robert, Grégory Chagnon, Ivan Bricault, Philippe Cinquin, and Alexandre Moreau-Gaudry. A
generic three-dimensional static force distribution basis for a medical needle inserted into soft tissue. Journal
of the Mechanical Behavior of Biomedical Materials, 28 :156 – 170, 2013. 103, 129
[RD14] S. C. Ryu and P. E. Dupont. Fbg-based shape sensing tubes for continuum robots. In 2014 IEEE International
Conference on Robotics and Automation (ICRA), pages 3531–3537, May 2014. 51, 52, 54
[Ree08] K. B. Reed. Compensating for torsion windup in steerable needles. In 2008 2nd IEEE RAS EMBS
International Conference on Biomedical Robotics and Biomechatronics, pages 936–941, Oct 2008. 190,
196
[Rei67] Christian H. Reinsch. Smoothing by spline functions. Numerische Mathematik, 1967. 99
[Rei73] Eric Reissner. On one-dimensional large-displacement finite-strain beam theory. Studies in Applied
Mathematics, 52(2) :87–95, June 1973. 26, 119, 189
[RF11] Matteo Palai Yary Volpe Rocco Furferi, Lapo Governi. From unordered point cloud to weighted b-spline - a
222 Bibliographie
novel pca-based method -. Applications of Mathematics and Computer Engineering, 2011. 108
[RJM13] R. J. Roesthuis, S. Janssen, and S. Misra. On using an array of fiber bragg grating sensors for closed-loop
control of flexible minimally invasive surgical instruments. In 2013 IEEE/RSJ International Conference on
Intelligent Robots and Systems, pages 2545–2551, Nov 2013. 51, 52, 59
[RKvdDM14] R.J. Roesthuis, M. Kemp, J.J. van den Dobbelsteen, and S. Misra. Three-dimensional needle shape recons-
truction using an array of fiber bragg grating sensors. 19(4) :1115–1126, August 2014. 51, 52, 54, 61
[RM16] R. J. Roesthuis and S. Misra. Steering of multisegment continuum manipulators using rigid-link modeling
and fbg-based shape sensing. 32(2) :372–382, April 2016. 61, 159
[ROC09] K. B. Reed, A. M. Okamura, and N. J. Cowan. Modeling and control of needles with torsional friction. IEEE
Transactions on Biomedical Engineering, 56(12) :2905–2916, Dec 2009. 190
[RR81] John Rice and Murray Rosenblatt. Integrated mean squared error of a smoothing spline. Journal of
Approximation Theory, 33(4) :353 – 369, 1981. 161, 173
[RS05] J. O. Ramsay and B. W. Silverman. Functional Data Analysis. 2005. 44, 45, 46, 170
[Sch64] Isaac Jacob Schoenberg. Spline functions and the problem of graduation. Proceedings of the National
Academy of Sciences, 52(4) :947–950, 1964. 99
[Sch88] I. J. Schoenberg. Contributions to the Problem of Approximation of Equidistant Data by Analytic Functions,
pages 3–57. Birkhäuser Boston, Boston, MA, 1988. 37
[SGA+ 13] R. Seifabadi, E. E. Gomez, F. Aalamifar, G. Fichtinger, and I. Iordachita. Real-time tracking of a bevel-tip
needle with varying insertion depth : Toward teleoperated mri-guided needle steering. In 2013 IEEE/RSJ
International Conference on Intelligent Robots and Systems, pages 469–476, November 2013. 59, 133, 145,
158
[Sim85] J.C. Simo. A finite strain beam formulation. the three-dimensional dynamic problem. part i. Computer
Methods in Applied Mechanics and Engineering, 49(1) :55 – 70, 1985. 26
[SML06] Will Schroeder, Ken Martin, and Bill Lorensen. The visualization toolkit an object-oriented approach to 3d
graphics, kitware. Inc. publishers, 2006. 106
[SO02] C. Simone and A. M. Okamura. Modeling of needle insertion forces for robot-assisted percutaneous therapy.
In Robotics and Automation, 2002. Proceedings. ICRA ’02. IEEE International Conference on, volume 2,
pages 2085–2091 vol.2, 2002. 190
[TA77] Andrej Nikolaevich Tikhonov and Vasiliy Yakovlevich Arsenin. Solutions of ill-posed problems. 1977. 99
[Tam71] S. Tameroglu. Finite theory of thin elastic rods. Acta Mechanica, 11(3-4) :271–282, 1971. 26
[TG09] Stephen P Timoshenko and James M Gere. Theory of elastic stability. Courier Corporation, 2009. 25
[TS02] Mohit Tawarmalani and Nikolaos V Sahinidis. Convexification and global optimization in continuous and
mixed-integer nonlinear programming : theory, algorithms, software, and applications, volume 65. Springer
Science & Business Media, 2002. 140
[TSD13] Michael D Todd, Christopher J Stull, and Michael Dickerson. A local material basis solution approach to
reconstructing the three-dimensional displacement of rod-like structures from strain measurements. Journal
of Applied Mechanics, 80(4), 2013. 61
[Utr12] Florencio Utreras. Optimal smoothing of noisy data using spline functions. SIAM Journal on Scientific and
Statistical Computing, 2012. 102
[Vau82] C.L. Vaughan. Smoothing and differentiation of displacement-time data : An application of splines and
digital filtering. International Journal of Bio-Medical Computing, 13(5) :375 – 386, 1982. 100
[Whi22] Edmund T Whittaker. On a new method of graduation. Proceedings of the Edinburgh Mathematical Society,
41 :63–75, 1922. 99
[WJZL08] Wenping Wang, Bert Jüttler, Dayue Zheng, and Yang Liu. Computation of rotation minimizing frames.
ACM Transactions on Graphics (TOG), 27(1) :2, 2008. 118, 120, 121
[Wol85] Herman J. Woltring. On optimal smoothing and derivative estimation from noisy displacement data in
biomechanics. Human Movement Science, 4(3) :229 – 245, 1985. 98, 99, 101
[Woo82] Graeme A Wood. Data smoothing and differentiation procedures in biomechanics. Exercise and sport
sciences reviews, 10(1) :308–362, 1982. 100
[WW75a] G. Wahba and S. Wold. A completely automatic french curve : fitting spline functions by cross validation.
Communications in Statistics, 4(1) :1–17, 1975. 102
[WW75b] G. Wahba and S. Wold. Periodic splines for spectral density estimation : the use of cross validation for
determining the degree of smoothing. Communications in Statistics, 4(2) :125–141, 1975. 102
Bibliographie 223
[WZC+ 16] H. Wang, R. Zhang, W. Chen, X. Liang, and R. Pfeifer. Shape detection algorithm for soft manipulator based
on fiber bragg gratings. IEEE/ASME Transactions on Mechatronics, 21(6) :2977–2982, Dec 2016. 60
[YQS+ 07] Xinhua Yi, Jinwu Qian, Linyong Shen, Yanan Zhang, and Zhen Zhang. An innovative 3d colonoscope
shape sensing sensor based on fbg sensor array. In Information Acquisition, 2007. ICIA ’07. International
Conference on, pages 227–232, July 2007. 60
[ZBF+ 08] Nabil Zemiti, Ivan Bricault, Celine Fouard, Benedicte Sanchez, and Philippe Cinquin. Lpr : A ct and mr-
compatible puncture robot to enhance accuracy and safety of image-guided interventions. IEEE/ASME
Transactions on Mechatronics, 13(3) :306–315, 2008. 6

SCHAEFER 2017 Archivage

Transféré par

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

SCHAEFER 2017 Archivage

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

SCHAEFER 2017 Archivage

Transféré par

Droits d'auteur :

Formats disponibles

Reconstruction de la déformée d’une aiguille

To cite this version:

HAL Id: tel-01692611

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

DOCTEUR DE L’UNIVERSITÉ DE GRENOBLE

Thèse dirigée par Alexandre MOREAU-GAUDRY

préparée au sein du laboratoire Techniques de l’Ingénierie Médicale

Thèse soutenue publiquement le 28 Mars 2017,

Table des figures xi

Liste des tableaux xv

4.2 Repère de Frenet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

5 Théorie des poutres 23

6 Algèbre et groupes de Lie 33

8 Méthodes descriptives d’analyse statistique de données multivariées 43

III Reconstruction à partir de capteurs de déformation 49

12 Capteurs de déformation avancés 73

IV Optimisation de la qualité de reconstruction par l’étude de déforma-

14 Etude d’une population d’aiguilles 97

14.5.3 Lissage par B-Spline 3D . . . . . . . . . . . . . . . . . . . . . . 112

15 Optimisation des positions des capteurs 133

16 Reconstruction avec les modes 163

17 Hypothèses de déformations 189

1.1 Image échographique d’un coeur. . . . . . . . . . . . . . . . . . . . . . . . 5

4.1 Exemple de repère mobile. . . . . . . . . . . . . . . . . . . . . . . . . . . 20

5.1 Exemple de poutre circulaire. . . . . . . . . . . . . . . . . . . . . . . . . . 23

6.1 Espace tangent d’un groupe de Lie. . . . . . . . . . . . . . . . . . . . . . . 34

7.1 Schéma de la récursivité du calcul des bases B-Splines. . . . . . . . . . . . . . 39

10.1 Section d’aiguille instrumentée. . . . . . . . . . . . . . . . . . . . . . . . . 52

11.1 Poutre et son repère mobile (e1 , e2 , e3 ) avant déformation. . . . . . . . . . . . 62

12.1 Vue 2D de la déformation d’une poutre avec capteurs parallèles. . . . . . . . . 74

14.1 Chronologie des principaux travaux sur la régularisation adaptée au problème

14.30 Fonctions courbure et angle d’orientation de l’aiguille patient n◦ 3. . . . . . . . 128

15.1 Cas de charges théorique d’une aiguille. . . . . . . . . . . . . . . . . . . . . 134

16.1 Aiguille moyenne des aiguilles de porcs. . . . . . . . . . . . . . . . . . . . . 167

19.1 Reconstruction des aiguilles de porcs (1/3) . . . . . . . . . . . . . . . . . . . 212

1.1 Comparaison des différentes techniques d’imagerie. . . . . . . . . . . . . . . 8

5.1 Constantes liées à la poutre. . . . . . . . . . . . . . . . . . . . . . . . . . . 25

15.1 Modèle de forces des aiguilles de références. . . . . . . . . . . . . . . . . . . 134

16.1 Différents facteurs lors d’insertions d’aiguilles . . . . . . . . . . . . . . . . . 164

17.1 Forces et moments axiaux maximaux. . . . . . . . . . . . . . . . . . . . . . 190

1.1 Gestes Médico-Chirurgicaux Assistés par Ordinateur

1.2 Radiologie interventionelle

procédure de minimalement invasive assistée par une imagerie. La radiologie intervention-

1.2.2 Techniques d’imageries

F IGURE 1.1. – Image échographique d’un coeur.

Le scanner permet d’obtenir en quelques secondes/minutes des portions complètes de l’or-

F IGURE 1.2. – Image scanner d’un coeur.

F IGURE 1.3. – Image IRM d’un coeur.

TABLE 1.1. – Comparaison des différentes techniques d’imagerie.

1.2.4 Environnement de navigation en radiologie interventionelle

1.2.4.2 Principes de la radiologie interventionnelle naviguée

position des éléments les uns par rapport aux autres.

F IGURE 1.4. – Schéma des éléments opératoires.

erreurlocalisation =erreurdformations tissus

TABLE 1.2. – Positionnement relatif des éléments d’un système de navigation

Déformations des tissus

3→4 Modélisation Déformation de l’aiguille

TABLE 1.3. – Erreur du système de navigation

1.2.4.5 Environnement IMACTIS