Modélisation et simulation de la croissance de métastases pulmonaires

Lung metastases growth modeling and simulation

• Auteur / Autrice : Julien Jouganous
• Direction : Olivier Saut
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Soutenance le 23/09/2015
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Bordeaux
• Jury : Président / Présidente : Bertrand Maury
• Jury : Examinateurs / Examinatrices : Thierry Colin, Hassan Pathallah
• Jury : Rapporteurs / Rapporteuses : Hervé Delingette, Benoît Perthame

Mots clés

Mots clés contrôlés

Simulation par ordinateur

Modèles mathématiques

Cellules cancéreuses -- Croissance

Mots clés libres

Modélisation

Forêts aléatoires

Apprentissage automatisé

Métastase pulmonaire

Croissance tumorale

Cancer

Simulation numérique

Modeling

Random forests

Machine learning

Lung metastasis

Tumor growth

Cancer

Simulation

Résumé

Cette thèse présente des travaux de modélisation mathématique de la croissance tumorale appliqués aux cas de métastases pulmonaires.La première partie de cette thèse décrit un premier modèle d’équations aux dérivées partielles permettant de simuler la croissance métastatique mais aussi la réponse de la tumeur à certains types de traitements. Une méthode de calibration du modèle à partir de données cliniques issues de l’imagerie médicale est développée et testée sur plusieurs cas cliniques.La deuxième partie de ces travaux introduit une simplification du modèle et de l’algorithme de calibration. Cette méthode, plus robuste, est testée sur un panel de 36 cas test et les résultats sont présentés dans le troisième chapitre. La quatrième et dernière partie développe un algorithme d’apprentissage automatisé permettant de tenir compte de données supplémentaires à celles utilisées par le modèle afin d’affiner l’étape de calibration.

This thesis deals with mathematical modeling and simulation of lung metastases growth.We first present a partial differential equations model to simulate the growth and possibly the response to some types of treatments of metastases to the lung. This model must be personalized to be used individually on clinical cases. Consequently, we developed a calibration technic based on medical images of the tumor. Several applications on clinical cases are presented.Then we introduce a simplification of the first model and the calibration algorithm. This new method, more robust, is tested on 36 clinical cases. The results are presented in the third chapter. To finish, a machine learning algorithm