Les pratiques modernes en radiothérapie améliorent considérablement le succès des traitements tout en épargnant autant que possible les tissus sains. Cela se fait en réduisant constamment les incertitudes en amont du traitement. La planification du traitement débute avec une acquisition 3D de la géométrie du patient. Actuellement dans le parcours patient, nous fusionnons les avantages de deux modalités d'imagerie. L'imagerie par résonance magnétique (IRM), qui offre d'excellentes capacités de visualisation des tissus mous, et la tomodensitométrie (TDM, en anglais computed tomography ou CT), qui donne les propriétés d'atténuation des tissus, information nécessaire au calcul de la dose. L'utilisation combinée de l'IRM et du CT nécessite un recalage entre ces deux modalités afin de fusionner leurs avantages respectifs. Cependant, l'incertitude introduite lors de cette opération est loin d'être négligeable et se chiffre à plusieurs millimètres. Il est généralement admis qu'il serait très intéressant de planifier le traitement uniquement avec l'IRM. Le développement d'un parcours patient uniquement basé sur l'IRM en radiothérapie dépend de la capacité à pouvoir corréler les intensités de l'IRM avec les propriétés d'atténuation des tissus. De nombreuses méthodes ont été proposées dans la littérature pour résoudre ce problème, souvent sous l'appellation de génération de pseudo-CT (pCT). Ces méthodes ont récemment connu des changements importants avec l'émergence de l'apprentissage profond. La précision et la vitesse de génération ont considérablement augmenté. Les réseaux adverses génératifs (GAN) ont poursuivi cet élan avec leur capacité à apprendre à générer n'importe quelle distribution de données. Dans cette thèse, nous avons cherché à améliorer la généralisation de la synthèse IRM-CT en utilisant des GAN. Le caractère variable de l'IRM a été induit en phase d'entraînement en prenant des images de différents centres. Cette procédure d'entraînement est un moyen de forcer le réseau à être moins attentif aux intensités de l'IRM. Cette méthode permet de s'affranchir du problème de la variabilité des images en routine clinique puisque des changements peuvent survenir dans les paramètres d'acquisition ou lors du remplacement d'une machine par exemple. Deux architectures de GAN sont proposées pour apprendre à partir de données appariées ou non.
M. John KLEIN - Université de Lille - Co-directeur de thèse M. David SARRUT - Laboratoire CREATIS UMR CNRS 5220, Inserm U 1044 - Rapporteur Mme Su RUAN - Université de Rouen Quantif-LITIS - Rapporteure M. Nick REYNAERT - Université libre de Bruxelles - Directeur de thèse M. David PASQUIER - Université de Lille - Co-encadrant de thèse M. Philippe LAMBIN - University of Maastricht - Examinateur Mme Jocelyne TROCAZ - CNRS - Laboratoire TIMC Équipe GMCAO - Examinatrice M. Merzouki ROCHDI - Université de Lille - Invité
Thesis of the team SIGMA defended on 06/10/2021
français
English