Le vieillissement de la population a entraîné une forte augmentation du nombre de chirurgies du genou et de la hanche au Québec et au Canada. Ce partenariat a deux volets pour résoudre deux problèmes de localisation optique et de recalage en chirurgie du genou, qui détermineront l’emplacement et l’angle de coupe du fémur, une action irréversible. À ce titre, les deux volets sont d’une importance cruciale. Le volet 1 se concentrera sur la localisation fiable des outils chirurgicaux et détectera automatiquement si la position est inexacte. Ce volet sera réalisé à travers deux objectifs spécifiques, le premier se concentrant sur les techniques classiques de traitement d’image et d’apprentissage automatique (ML), et le second sur l’apprentissage profond (DL). En plus d’améliorer la précision de la localisation, la méthode que nous proposons détectera automatiquement si l’un des outils n’est pas localisé avec précision, de sorte que le chirurgien puisse nettoyer l’outil affecté. Le volet 2 sera axé sur le recalage fiable de nuages de points, la classification de l’exactitude du recalage et une stratégie de sélection personnalisée des points. Ce volet sera également mis en oeuvre dans le cadre de deux objectifs. Dans le premier objectif, nous développerons d’abord des techniques novatrices pour résoudre le problème mathématiquement difficile du recalage. Nous développerons ensuite de nouvelles méthodes permettant d’évaluer automatiquement l’exactitude du recalage, de sorte que la chirurgie ne puisse se poursuivre que si l’enregistrement est exact. Dans le second objectif, nous développerons une nouvelle stratégie d’échantillonnage personnalisée pour chaque os, afin que des résultats de recalage optimaux puissent être obtenus en ne sélectionnant que quelques points. Dans le cadre de ces deux objectifs, nous mettrons au point de nouvelles techniques qui utilisent à la fois des algorithmes traditionnels d’apprentissage automatique (ML) et l’apprentissage profond (DL).