• Langue : Anglais
• Discipline : Traitement du signal et des images
• Identifiant : 2021LILUB008
• Type de thèse : Doctorat
• Date de soutenance : 06/10/2021

Résumé en langue originale

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.

Résumé traduit

Modern radiation therapy practices greatly improve treatment success while sparing healthy tissues from damages as much as possible. This is done by constantly reducing the uncertainties in the treatment planning workflow. The starting point of the treatment planning is a 3D acquisition of the patient geometry. In current workflow, we merge the benefits of two imaging modalities. Magnetic resonance imaging (MRI) which has excellent capabilities of imaging soft tissues and the Computed Tomography (CT) that gives the attenuation properties of the tissues, needed for dose calculation. The combined used of MRI and CT requires to perform a registration between these two modalities to merge their respective benefits. However, the uncertainty introduced during the registration operation is not negligible and its magnitude amounts to several millimeters. It is generally accepted that it would be very interesting to entirely devise the treatment based on MRI only. The establishment of an MRI-only workflow in radiotherapy depends on the ability to convert the MRI intensities in order to get attenuation properties. Many different methods have been proposed in the literature to solve this problem often referred to as synthetic-CT (sCT) generation. These methods recently underwent significant changes with the emergence of deep learning. Accuracy and generation speed have dramatically increased. Generative Adversarial Networks (GAN) have brought new impulses, with their ability to learn to generate any data distribution. In this thesis, we aimed to improve the generalizability of MRI-to-CT synthesis using GAN. MRI variability has been induced in the training phase by mixing images coming from different centers. This training procedure is a way to force the network to be less attentive to MRI intensities. This process has the capability to tackle the image variability problem in clinical practices, since changes can happen in image acquisition parameters or with machine replacement for instance. Two GAN architectures are proposed to either learn from paired or unpaired data.