Grant: Collaborative Science, Technology and Innovation Program – Ideation Fund

The Ideation Fund is intended to encourage, test and validate transformative research ideas generated by teams of NRC scientific personnel and external collaborators with complementary capabilities, acting as a demonstration phase for a continually-evolving suite of research and development (R&D) deliverables at the NRC. The fund supports exploratory research through two mechanisms: the New Beginnings Initiative and the Small Teams Initiative.

Le Fonds d’idéation vise à encourager, à mettre à l’essai et à valider les idées de recherche transformatrice des équipes scientifiques du CNRC et des collaborateurs externes dotés de capacités complémentaires. Il servira ainsi de plateforme de démonstration d’une série de produits livrables en matière de recherche-développement (R-D) en constante évolution au CNRC. Le Fonds appuie la recherche exploratoire au moyen de deux mécanismes : l’Initiative « Nouveaux débuts » et l’Initiative « Petites équipes ».

The aim of this project is to develop vertebra automatic segmentation and identification tools, in two different modalities: (1) pre-operative MRI scans and (2) per-operative surface scans. For (1), we will exploit existing public (open-source) spine MRI/CT datasets to train a convolutional neural network (CNN) for the task of segmentation. In contrast with existing methods, we will focus on combining local vertebra receptive fields with global spinal structure in a multiscale CNN framework. For (2), the goal is to segment and identify the level of the vertebra in a textured 3D point cloud of the surgical field of view. Since 3D point clouds are unstructured (no regular grid) in nature, we will explore graphical convolutional networks for the task of semantic segmentation. The pre-operative and per-operative 3D spinal segmentations could then be used to track the spine during the surgery and to assist surgeons in the realignment of the spine.

L’objectif de ce projet est de développer des outils de segmentation et d’identification automatiques des vertèbres dans deux contextes : (1) pour les examens préopératoires par IRM et (2) pour les images peropératoires en surface. Pour (1), nous exploiterons les données publiques existantes (libre d’accès) d’images IRM et de tomodensitométrie (CT) de la colonne vertébrale pour entraîner un réseau neuronal convolutif à la tâche de segmentation. Contrairement à ce qui se fait habituellement, nous nous concentrerons sur la combinaison de champs récepteurs vertébraux locaux à la structure globale de la colonne vertébrale dans un réseau neuronal convolutif multiéchelle. Pour (2), nous souhaitons segmenter et déterminer le niveau de la vertèbre dans un nuage de points 3D texturé représentant le champ de vision chirurgical. Les nuages de points 3D étant non structurés par nature (pas de trame régulière), nous explorerons l’utilisation de réseaux convolutifs graphiques pour la segmentation sémantique. Les segmentations spinales préopératoires et peropératoires en 3D pourraient ensuite être utilisées pour suivre la colonne vertébrale durant l’acte chirurgical et aider les chirurgiens à la réaligner.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators.

À court terme, les résultats prévus sont des collaborations renforcées dans l’ensemble de l’industrie, du milieu universitaire et du gouvernement afin d’appuyer l’excellence en recherche. À moyen terme, les résultats prévus sont le développement de technologies potentiellement perturbatrices avec des collaborateurs.