Développement de methodes quantitatives pour le suivi de l'angiogenese tumorale par échographie de contraste ultrasonore

Development of quantitative methods for the following of tumoral angiogenesis with dynamic contrast-enhanced ultrasound

• Auteur / Autrice : Guillaume Barrois
• Direction : Sharon Lori Bridal
• Type : Thèse de doctorat
• Discipline(s) : Informatique Biomédicale
• Date : Soutenance le 30/09/2014
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Jury : Examinateurs / Examinatrices : Alain Coron, Christian Cachard, Massimo Mischi, Robert Eckersley, Séverine Dubuisson

Mots clés

Mots clés contrôlés

Ultrasons

Modèles mathématiques

Mots clés libres

Ultrasons

Agent de contraste

Recalage

Quantification

Modélisation

Clustering

Clustering

Ultrasound

Résumé

L'objectif de ce travail était de développer des méthodes pour permettre une évaluation in vivo plus robuste du réseau vasculaire dans la tumeur par imagerie de contraste ultrasonore. Trois aspects de l'analyse de donnée ont été abordé: 1) la régression des modèles paramétriques de flux sur les données de puissance linéaire, 2) la compensation du mouvement 3) l’évaluation d’une méthode de clustering pour identifier les hétérogénéités dans les tumeurs. Un modèle multiplicatif est proposé pour décrire le signal DCE-US. Une méthode de régression en est dérivée. La caractérisation du signal permet la mise au point d’une méthode de simulation de séquences 2D+T. La méthode de régression permet une diminution de la variabilité des paramètres de flux fonctionnels extraits, sur données simulées expérimentales. La méthode de simulation est appliquée pour évaluer une méthode combinant estimation du mouvement et estimations des paramètres micro-vasculaires dans un unique problème mathématique d'optimisation. Cette nouvelle méthode présente en plus l'avantage d'être indépendante de l'opérateur. Il est montré que dans une large majorité des cas l'estimation du mouvement est meilleure avec la nouvelle méthode qu'avec une méthode de références. Une méthode de clustering est adaptée et évaluée sur données DCE-US simulées et in-vivo. Elle permet de détecter des hétérogénéités dans la structure vasculaire des tumeurs. Les méthodes développées permettent d'améliorer l’évaluation du réseau microvasculaire par DCE-US grâce à une description rigoureuse du signal, à la mise au point d'outil diminuant l'intervention de l'opérateur et la prise en compte de l'hétérogénéité du réseau vasculaire.

This work aimed to develop methods to robustly evaluate in vivo functional flow within the tumor vascular network with Dynamic contrast-enhanced ultrasound (DCE-US). Three aspects of data analysis were addressed: 1) insuring best fit between parametric flow models and the experimentally acquired echo-power curves, 2) compensating sequences for motion and 3) evaluating a method to discriminate between tissues with different functional flow. A multiplicative model is proposed to describe the DCE-US signal. Based on this model, a new parametric regression method of the signal is derived. Characterization of the statistical properties of the noise and signal is also used to develop a new method simulating contrast-enhanced ultrasound 2D+t sequences. A significant decrease in the variability of the functional flow parameters extracted according to the new multiplicative-noise fitting method is demonstrated using both simulated and experimentally-acquired sequences. The new sequence simulations are applied to test a method combining motion estimation and flow-parameter estimation within a single mathematical framework. Because this new method does not require the selection of a reference image, it reduces operator intervention. Tests of the method on both simulations and clinical data and demonstrate in a majority of sequences a more accurate motion estimation than the commonly used image registration method. Finally, a non-parametric method for perfusion curve clustering is evaluated on 2D+t sequences. The aim of this method is to regroup similar filling patterns without a priori knowledge about the patterns. The method is tested on simulated and on pre-clinical data.