?. References, C. Brzinsky-fay, U. Kohler, and M. Luniak, Sequence Analysis with Stata, Stata Journal, vol.6, issue.4, pp.435-60, 2006.

?. Ezzat, S. Asa, S. Couldwell, W. Barr, C. Dodge et al., The prevalence of pituitary adenomas, Cancer, vol.101, issue.3, pp.613-635, 2004.
DOI : 10.1002/cncr.20412

?. Neumuth, T. Strauß, G. Meixensberger, J. Lemke, H. Burgert et al., Acquisition of Process Descriptions from Surgical Interventions, Proc Int Conf on Database and Expert Systems Applications, pp.602-613, 2006.
DOI : 10.1007/11827405_59

?. Neumuth, T. Trantakis, C. Eckhardt, F. Dengl, M. Meixensberger et al., Supporting the analysis of intervention courses with surgical process models on the example of fourteen microsurgical lumbar discectomies, Comput Assisted Radiol Surg, pp.436-444, 2007.

?. Neumuth, T. Jannin, P. Strauss, G. Meixensberger, J. Burgert et al., Validation of Knowledge Acquisition for Surgical Process Models, Journal of the American Medical Informatics Association, vol.16, issue.1, pp.72-82, 2008.
DOI : 10.1197/jamia.M2748
URL : https://hal.archives-ouvertes.fr/inserm-00344260

?. Scherer and S. , Early Career Patterns: A Comparison of Great Britain and West Germany, European Sociological Review, vol.17, issue.2, pp.119-163, 2001.
DOI : 10.1093/esr/17.2.119

R. References, ?. Agrawal, M. Konolige, K. Agarwal, S. Joshi et al., CenSurE: Center surround extremas for realtime feature detection and References A pervasive computing system for the operating room of the future, Mobile Networks and Applications, vol.12, issue.23, pp.215-243, 2007.

?. Beauchemin, S. Barron, and J. , The computation of optical flow, ACM Computing Surveys, vol.27, issue.3, 1995.
DOI : 10.1145/212094.212141

?. Cramme, K. Singer, and Y. , On the Algorithmic Implementation of Multi-class SVMs. JMLR, 2001.

?. Houliston, B. Parry, D. Merry, and A. , TADAA: Towards Automated Detection of Anaesthetic Activity, Methods of Information in Medicine, vol.50, issue.5, pp.464-71, 2011.
DOI : 10.3414/ME11-02-0001

?. Kragic, D. Hager, and G. , Task modelling and specification for modular sensory based human-machine cooperative systems. Intellignent robots and systems, pp.3192-3199, 2003.

?. Laptev, I. Lindeberg, and T. , Local descriptors for spatio-temporal recognition. Spatial coherence for visual motion analysis, 2006.

?. Miyawaki, F. Masamune, K. Suzuki, S. Yoshimitsu, K. Vain et al., Scrub nurse and timed-automata-based model for surgery, IEEE Industrial Electronics Trans, vol.5, issue.52, pp.1227-1262, 2005.

?. Speidel, S. Sudra, G. Senemaud, J. Drentschew, M. Müller-stich et al., Situation modeling and situation recognition for a context-aware augmented reality system, Prog Biomed Optics Imaging, vol.9, issue.1, p.35, 2008.

?. Yoshimitsu, K. Masamune, K. Iseki, H. Fukui, Y. Hashimoto et al., Development of scrub nurse robot (SNR) systems for endoscopic and laparoscopic surgery. Micro-NanoMechatronics and Human Science, pp.83-91, 2010.

?. References, L. Bouarfa, P. Jonker, and J. Dankelman, Discovery of high-level tasks in the operating room, J Biomed Inform, vol.44, issue.3, pp.455-62, 2010.

?. Jannin, P. Morandi, and X. , Surgical models for computer-assisted neurosurgery, NeuroImage, vol.37, issue.3, pp.783-91, 2007.
DOI : 10.1016/j.neuroimage.2007.05.034
URL : https://hal.archives-ouvertes.fr/inserm-00185435

?. Speidel, S. Sudra, G. Senemaud, J. Drentschew, M. Müller-stich et al., Situation modelling and situation recognition for a context-aware augmented reality system, Progress Biomed Optics Imaging, vol.9, issue.1, p.35, 2008.

?. Xiao, Y. Hu, P. Hu, H. Ho, D. Dexter et al., An Algorithm for Processing Vital Sign Monitoring Data to Remotely Identify Operating Room Occupancy in Real-Time, Anesthesia & Analgesia, vol.101, issue.3, pp.823-855, 2005.
DOI : 10.1213/01.ane.0000167948.81735.5b

F. Lalys, L. Riffaud, D. Bouget, and P. Jannin, A Framework for the Recognition of High-Level Surgical Tasks From Video Images for Cataract Surgeries, IEEE Transactions on Biomedical Engineering, vol.59, issue.4, pp.966-976
DOI : 10.1109/TBME.2011.2181168
URL : https://hal.archives-ouvertes.fr/inserm-00669682

G. Forestier, F. Lalys, L. Riffaud, B. Trelhu, and P. Jannin, Classification of surgical processes using dynamic time warping, Journal of Biomedical Informatics, vol.45, issue.2, pp.255-264
DOI : 10.1016/j.jbi.2011.11.002
URL : https://hal.archives-ouvertes.fr/inserm-00669624

C. Essert, C. Haegelen, F. Lalys, A. Abadie, and P. Jannin, Automatic computation of electrode trajectories for Deep Brain Stimulation: a hybrid symbolic and numerical approach, International Journal of Computer Assisted Radiology and Surgery, vol.287, issue.1-2
DOI : 10.1007/s11548-011-0651-8
URL : https://hal.archives-ouvertes.fr/inria-00637291

-. Mri-brain-template, F. Lalys, C. Haegelen, J. Ferre, O. El-ganaoui et al., Construction Conferences with proceedings 2012 ? Surgical tools recognition and pupil segmentation for cataract surgery modeling, NeuroImage, vol.49, issue.173, pp.345-354

M. Mehri, F. Lalys, C. Maumet, C. Haegelen, and P. Jannin, Analysis of electrodes' placement and deformation in deep brain stimulation from medical images, Medical Imaging 2012: Image-Guided Procedures, Robotic Interventions, and Modeling, pp.8316-8348
DOI : 10.1117/12.912225
URL : https://hal.archives-ouvertes.fr/inserm-00669674

G. Forestier, F. Lalys, L. Riffaud, B. Trelhu, and J. P. Egc, Clustering de sequences d'activités pour l'étude de procedures neurochirurgicales, pp.489-494

F. Lalys, L. Riffaud, D. Bouget, and P. Jannin, An Application-Dependent Framework for the Recognition of High-Level Surgical Tasks in the OR, MICCAI, vol.44, issue.3, pp.331-339
DOI : 10.1016/j.jbi.2010.01.004
URL : https://hal.archives-ouvertes.fr/inserm-00617015

F. Lalys, C. Haegelen, A. Abadie, J. P. Ipcai, and G. Berlin, Correlating Clinical Scores with Anatomical Electrodes Locations for Assessing Deep Brain Stimulation, pp.113-121
DOI : 10.1093/brain/123.10.2091
URL : https://hal.archives-ouvertes.fr/inserm-00617006

F. Lalys, L. Riffaud, X. Morandi, P. I. Jannin, and S. Geneve, Automatic Phases Recognition in Pituitary Surgeries by Microscope Images Classification, pp.34-44
DOI : 10.1007/978-3-642-13711-2_4
URL : https://hal.archives-ouvertes.fr/inserm-00616977

F. Lalys, C. Haegelen, A. Abadie, and P. Jannin, Post-operative assessment in Deep Brain Stimulation based on multimodal images: registration workflow and validation, Medical Imaging 2009: Visualization, Image-Guided Procedures, and Modeling
DOI : 10.1117/12.810475
URL : https://hal.archives-ouvertes.fr/inserm-00616970

B. Trelhu, F. Lalys, L. Riffaud, X. Morandi, and J. P. Egc, Analyse de données pour la construction de modèles de procédures neurochirurgicales, pp.427-432

F. Lalys, C. Haegelen, A. Abadie, O. Ganaoui, and J. P. Orasis, Analyse post-opératoire en stimulation cérébrale profonde basée sur des images multimodales : mise en place et validation des chaînes de recalage, Trégastel, France. Conferences/workshops without proceedings

G. Forestier, F. Lalys, L. Riffaud, B. Trelhu, P. Jannin et al., MICCAI workshop) -Toronto, Canada 2011 -Validation of basal ganglia segmentation on a 3T MRI template 2010 -Validation de la Segmentation des Ganglions de la Base sur un Template IRM 3 Tesla, Assessment of surgical skills using Surgical Processes and Dynamic Time Warping, pp.2-2011

F. Lalys, C. Haegelen, M. Baillieul, A. Abadie, and P. Jannin, Anatomo-clinical atlases in subthalamic Deep Brain Stimulation correlating clinical data and electrode contacts coordinates, IBMISPS
URL : https://hal.archives-ouvertes.fr/inserm-00616979

A. Dépôt, D. Bouget, P. Jannin, and L. Fjames, Des informations binaires de présence d'instruments sont analysées et des modèles graphiques probabilistes sont utilisés pour reconnaître des informations de haut niveau dans la salle d'opération. D'autres systèmes ont aussi été testés, comme la mise en place d'un outil de suivi du regard du chirurgien Le principal défaut de tous ces systèmes est qu'ils ne sont pas installés d'office dans les salles d'opération, et que la mise en place de trop nombreux outils pourrait à long terme gêner le déroulé de l'intervention. Pour pallier à ce problème, les nouvelles études se focalisent sur des sources d'informations déjà installées dans la salle d'opération, telles que les signes vitaux des patients L'utilisation de vidéos, grand champs ou endoscopiques, permet d'automatiser l'acquisition de données sans altérer la routine clinique, ProcSide: software for recording surgical procedures ou d'un système de tracking 3D de la positon de chaque membre du staff Des outils de vision par ordinateur et de réalité augmentée sont utilisés pour extraire des informations pertinentes au chirurgien. Les images vidéos des différentes caméras se révèlent donc être une source riche en informations pouvant éventuellement remplacer les approches se basant sur des enregistrements humains, 2003.

. Deuxièmement, nous avons utilisé comme unique source d'information les vidéos des microscopes, utilisés de façon systématique

. Troisièmement, différents niveaux de granularités des tâches chirurgicales (i.e. phases et activités) ont été couverts. Enfin, nous avons introduit une sémantique forte à notre modélisation

. La-chirurgie-de-la-cataracte,-type-de-chirurgie-ophtalmologique, Le principe est d'enlever la lentille naturelle de l'oeil (le cristallin) pour la remplacer par une lentille artificielle Nous disposions de 20 vidéos (temps moyen de chirurgie: 15min) et huit phases furent identifiées (Figure 1, droite) Pour définir les activités, nous nous sommes basés sur la formalisation proposée par Neumuth décrivant une activité comme un triplet : < verbe d'action ? outil chirurgical ? structure anatomique >. 12 verbes d'action, 13 outils chirurgicaux et 6 zones d'action furent identifiés. Toutes les combinaisons ne sont bien évidemment pas possibles, car n'ayant aucun sens, ce qui a amené à identifier 17 activités puis 25 paires d'activités possibles, 2007.

?. Références, A. Ahmadi, T. Sielhorst, R. Stauder, M. Horn et al., Recovery of surgical workflow without explicit models, Proc MICCAI, pp.420-428, 2007.

?. Ahmed, N. Natarajan, T. Rao, and K. , Discrete Cosine Transform, IEEE Transactions on Computers, vol.23, issue.1, pp.90-93, 1974.
DOI : 10.1109/T-C.1974.223784

?. Bhatia, B. Oates, T. Xiao, Y. Hu, and P. , Real-time identification of operating room state from video, AAAI, pp.1761-1767, 2007.

?. Beauchemin, S. Barron, and J. , The computation of optical flow, ACM Computing Surveys, vol.27, issue.3, 1995.
DOI : 10.1145/212094.212141

?. Darzi, A. Mackay, and S. , Skills assessment of surgeons, Surgery, vol.131, issue.2, pp.121-125, 2002.
DOI : 10.1067/msy.2002.115831

?. James, A. Vieira, D. Lo, B. Darzi, A. Yang et al., Eye-Gaze Driven Surgical Workflow Segmentation, Proc MICCAI, pp.110-117, 2007.
DOI : 10.1007/978-3-540-75759-7_14

?. Duda, R. O. Hart, and P. , Pattern classification and scene analysis, 1973.

?. Hamming and R. W. , Coding and Information Theory, 1980.

?. Haralick, R. Shanmugam, K. Dinstein, and I. , Textural Features for Image Classification, IEEE Transactions on Systems, Man, and Cybernetics, vol.3, issue.6, pp.61-63, 1973.
DOI : 10.1109/TSMC.1973.4309314

?. Hough and V. , Machine Analysis of Bubble Chamber Pictures, Proc Int Conf High Energy Accelerators and Instrumentation, 1959.

?. Hu and M. , Visual pattern recognition by moment invariants, IRE Trans on Information Theory, vol.8, issue.2, pp.179-187, 1962.

?. Keogh, E. Pazzani, and M. , An enhanced representation of time series which allows fast and accurate classification, clustering and relevance feedback. Prediction of the future: AI approaches to time-series problems, pp.44-51, 1998.

?. Klank, U. Padoy, N. Feussner, H. Navab, and N. , Automatic feature generation in endoscopic images, International Journal of Computer Assisted Radiology and Surgery, vol.3, issue.3-4, pp.331-340, 2008.
DOI : 10.1007/s11548-008-0223-8

?. Laptev, I. Lindeberg, T. Lin, H. Shafran, I. Yuh et al., Local descriptors for spatio-temporal recognition. Spatial coherence for visual motion analysis Towards automatic skill evaluation: Detection and segmentation of robot-assisted surgical motions, Computer Aided Surgery, vol.11, issue.5, pp.220-250, 2006.

?. Lo, B. Darzi, A. Yang, and G. , Episode Classification for the Analysis of Tissue/Instrument Interaction with Multiple Visual Cues, International Conference on Medical Image Computing and Computer-Assisted Intervention, 2003.
DOI : 10.1007/978-3-540-39899-8_29

?. Nara, A. Izumi, K. Iseki, H. Suzuki, T. Nambu et al., Surgical Workflow Monitoring Based on Trajectory Data Mining, New frontiers in Artificial Intelligence, vol.101, issue.3, pp.283-91, 2011.
DOI : 10.1213/01.ane.0000167948.81735.5b

?. Neumuth, T. Trantakis, C. Eckhardt, F. Dengl, M. Meixensberger et al., Supporting the analysis of inter-vention courses with surgical process models on the example of fourteen microsurgical lumbar discectomies, Int J Comput Assisted Radiol Surg, vol.2, issue.1, pp.436-444, 2007.

?. Padoy, N. Horn, M. Feussner, H. Berger, M. Navab et al., Recovery of surgical workflow: a model-based approach, Int J Comput Assisted Radiol Surg, vol.2, issue.1, pp.481-483, 2007.
URL : https://hal.archives-ouvertes.fr/inria-00177016

?. Rabiner and L. , A tutorial on Hidden Markov Models and selected applications in speech recognition, Proc of IEEE, vol.77, issue.2, 1989.

?. Speidel, S. Sudra, G. Senemaud, J. Drentschew, M. Müller-stich et al., Situation modelling and situation recognition for a context-aware augmented reality system. Progression in biomedical optics and imaging, p.35, 2008.

?. Smeulders, A. Worrin, M. Santini, S. Gupta, A. Jain et al., Content-based image retrieval at the end of the early years, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.22, issue.12, pp.1349-80, 2000.
DOI : 10.1109/34.895972

?. Viterbi and A. , Errors bounds for convolutional codes, IEEE TIT, vol.13, issue.2, pp.260-269, 1967.