Développements en radiomique pour une médecine de précision en neurooncologie

par Jessica Goya Outi

Projet de thèse en Imagerie et physique médicale

Sous la direction de Frédérique Frouin.

Thèses en préparation à Paris Saclay , dans le cadre de Electrical,Optical,Bio: PHYSICS_AND_ENGINEERING , en partenariat avec Imagerie moleculaire in vivo (laboratoire) et de université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2016 .


  • Résumé

    La radiomique est une nouvelle discipline dont l’objectif est de construire un modèle statistique pertinent à partir d’un grand nombre de caractéristiques extraites d’examens d’imagerie médicale (éventuellement combinées à d’autres paramètres issus du dossier clinique ou à des données génomiques) pour répondre à des questions relatives au diagnostic, pronostic ou suivi thérapeutique. Cette discipline intègre différentes compétences méthodologiques relevant de la physique de l’imagerie médicale, du traitement d’images médicales, de l’analyse de données, des méthodes d’apprentissage et des bio-statistiques. La radiomique repose sur une extraction de caractéristiques à partir des images. Elle fait appel à une succession de traitements d’images: correction d’artefacts, segmentation de tumeurs et de régions de référence, normalisation des intensités de signal, extraction de caractéristiques liées à la tumeur. A partir de ces caractéristiques, la construction du modèle statistique de prédiction repose sur des méthodes d’apprentissage qui doivent être adaptées au problème posé et aux a priori dont on dispose. Une fois développé, le modèle statistique est éprouvé sur des données tests, afin de déterminer s’il contribue à une prise en charge personnalisée des patients. Chacune de ces étapes soulève des problèmes spécifiques, non résolus à l’heure actuelle. L’objectif de cette thèse est d’étudier l’impact des différentes étapes de traitement d’images évoquées ci-dessus et des méthodes d’apprentissage mises en œuvre sur la pertinence des modèles de prédiction. Les examens d’imagerie par résonance magnétique multiparamétrique issus d’un protocole de recherche en neuro-oncologie pédiatrique mené à Gustave-Roussy et à l’hôpital Necker constitueront un premier cadre applicatif de cette thèse. Il s’agira de déterminer les paramètres d’imagerie prédictifs de la réponse à la radiothérapie et ceux prédictifs du taux de survie. Les résultats attendus sont une contribution significative au développement de la radiomique, afin de démontrer sa valeur ajoutée par rapport aux méthodes de diagnostic et de pronostic actuelles. Ils devraient également rendre l’approche applicable en routine clinique.

  • Titre traduit

    Contributions to radiomics development for precision medicine in neuro-oncology


  • Résumé

    Radiomics is an emerging field that aims at building a relevant statistical model from a large number of features extracted from medical imaging data (possibly combined with clinical or genomic data) to assist diagnosis, prognosis and therapy monitoring. This field integrates various methodological skills including medical physics, medical image processing, data analysis, machine learning and biostatistics. Radiomics is based on a robust extraction of features from medical images. It requires a succession of image processing steps: artifact correction, segmentation of tumor and reference regions, standardization of image signal intensity, tumor feature extraction. Using these features, a statistical model is designed based on machine learning algorithms, which have to be tuned according to the clinical or biological question and to the a priori knowledge that is available. Once developed, the model has to be tested on independent data, in order to assess its contribution to personalized patient treatment of. All these steps raise specific issues that have not been solved yet. The objective of the current project is to investigate the impact of the choices involved in the different image processing steps and in the machine learning algorithms on the quality of the predictive models, to try to optimize the radiomics methodology. Multi-parametric magnetic resonance imaging data acquired as part of a pediatric neuro-oncological research protocol currently performed in Gustave-Roussy and Necker hospital will be used. The clinical objective is to identify some imaging features that could predict response to radiotherapy and other features that could predict survival rate when embedded in a radiomics approach. Expected results include significant contributions to the development of radiomics as well as some demonstration of its added value for precision medicine. Specific care will be devoted to the developments of tools and methods applicable in clinical research protocols.