Développement de méthodes innovantes de machine learning et multi-atlas pour la radiothérapie des tumeurs cérébrales basée sur l'IRM

par Emilie Alvarez Andres

Projet de thèse en Recherche clinique, innovation technologique, santé publique

Sous la direction de Charlotte Robert, Nikos Paragios et de Eric Deutsch.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Cancérologie, Biologie, Médecine, Santé (Villejuif, Val-de-Marne ; 2015-....) , en partenariat avec Unité de Radiothérapie Moléculaire (laboratoire) et de Université Paris-Sud (1970-2019) (établissement de préparation de la thèse) depuis le 01-12-2017 .


  • Résumé

    L'Imagerie par Résonance Magnétique (IRM) est, de par son aspect non-irradiant et l'excellent contraste qu'elle permet au niveau des tissus mous, la modalité d'imagerie de référence pour la prise en charge des tumeurs cérébrales. En radiothérapie, un scanner (Computed Tomography, CT) ainsi qu'une IRM sont prescrits en vue de la planification du traitement. L'acquisition scanographique est essentielle puisqu'elle permet un accès aux densités électroniques de chacun des voxels et rend donc possible le calcul dosimétrique. Des séquences IRM (T1-Gd, T2 FLAIR), réalisées dans l'idéal en position de traitement, sont par ailleurs nécessaires pour la délinéation des volumes cibles et des organes à risque. Une étape de recalage d'images rigide, source d'incertitudes, permet finalement de remettre les deux jeux d'images dans le même repère spatial. L'objectif de ce projet est de mettre au point des méthodes permettant à la fois de segmenter automatiquement des images IRM mais aussi de générer des images pseudo-CT à partir d'images IRM seules. Dans un premier temps, les dernières avancées en matière de Machine Learning seront exploitées, avec notamment l'utilisation de réseaux neuronaux convolutionnels pour l'obtention des pseudo-CT. La deuxième partie de la thèse portera sur le développement d'une méthode de recalage élastique multi-atlas. Enfin, une mise en commun des deux approches clôturera le projet. Une évaluation des performances dosimétriques sera réalisée par comparaison des matrices de dose obtenues avec les pseudo-CT et les scanners initiaux.

  • Titre traduit

    Development of innovative methods based on machine learning and multi-atlas for MRI-only treatment planning for brain tumor radiotherapy


  • Résumé

    Since it is a non-ionizing technology which offers an excellent soft tissue contrast, Magnetic Resonance Imaging (MRI) plays a key role in brain tumor imaging. In radiotherapy, MRI and Computed Tomography (CT) acquisitions are needed for treatment preparation. The CT scan is an essential tool as it contains the electronic density information of the whole voxels making the dose calculation possible. MRI sequences (such as T1-Gd and T2 FLAIR), ideally acquired in the treatment position, are necessary to contour the target volumes and the organs at risk. A final rigid registration step allows to put the two sets of images in the same spatial frame which can lead to uncertainty introduction. This project aims to develop methods to both automatically segment MR images and generate pseudo-CT images from MR images. In this aim, the last innovations in terms of Machine Learning will be studied, especially with the use of convolutional neural networks to deduce pseudo-CT maps. The purpose of the thesis second part will be to develop a multi-atlas deformable registration method. At the end, the two innovative approaches will be pooled together. The performances of each step will be evaluated based on a comparison between dose distribution matrices obtained using the pseudo-CT and initial CT.