Caractérisation des tumeurs gliales en TEP/TDM à la 18F-Dopa et en IRM de perfusion

Characterization of glial tumors in PET/CT 18F-dopa and in perfusion MRI

• Auteur / Autrice : Christophe Nioche
• Direction : Irène Buvat
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 29/06/2011
• Etablissement(s) : Paris 11
• Ecole(s) doctorale(s) : Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015)
• Jury : Président / Présidente : Hervé Foehrenbach
• Jury : Examinateurs / Examinatrices : Irène Buvat, Hervé Foehrenbach, Charles-André Cuenod, Alexander Hammers, Marine Soret, Jean-Noël Vallée
• Jury : Rapporteurs / Rapporteuses : Charles-André Cuenod, Alexander Hammers

Mots clés

Mots clés contrôlés

Dopamine

Cerveau -- Cancer

Imagerie par résonance magnétique

Tomographie par émission

Mots clés libres

IRMp

TEP

Neurooncologie

Modèle cinétique

VSC

Dopamine

PMRI

PET

Neurooncology

Kinetic modelling

CBV

Dopamine

Résumé

L’IRM apporte des informations morphologiques concernant la tumeur, mais également des informations concernant sa micro-vascularisation. En TEP/TDM, l’accumulation de la 18F-FDopa dans les cellules tumorales résulte de l’activité métabolique plus importante que celle des tissus sains. Nous avons étudié 28 gliomes pour lesquels nous avons analysé les données provenant d’IRM et de TEP/TDM. Une méthode de recalage a été développée afin de combiner les informations issues des deux modalités TEP et IRM et d’extraire des volumes d’intérêt sur la base des données conjointes TEP et IRM. L’analyse du contenu de ces volumes d’intérêt par un modèle de mélange gaussien a permis de différencier, dans ces volumes, les tissus tumoraux et les tissus sains, et d’obtenir ainsi des volumes tumoraux et de référence communs pour les modalités TEP et IRM. Des paramètres issus de la TEP ou de l’IRM ont ensuite été calculés dans ces volumes communs aux deux modalités, pour caractériser les tumeurs et les tissus sains. L’analyse discriminante linéaire (ADL) des données TEP/TDM et d’IRM combinées permet de discriminer les différentes classes tissulaires. Les courbes Receiver Operating Characteristic ROC combinées à l’ADL permettent d’évaluer les critères multiples [SUVmax , rCBV] et [rk1 , rCBV] et conduisent à des AUC respectives de 0,88 et 0,92. En considérant les informations combinées [SUVmax , rCBV], nous avons obtenu une sensibilité de détection des tumeurs de haut grade de 95% pour une spécificité correspondante de 60% ainsi qu’une valeur prédictive négative de 52% pour une valeur prédictive positive de 95%. De même, avec le critère [rk1 , rCBV], nous avons obtenu une spécificité de 60% pour 95% de sensibilité de détection des tumeurs de haut grade ainsi qu’une valeur prédictive négative de 60% pour une valeur prédictive positive de 95%. Nos travaux montrent que la fusion des informations microvasculaires et métaboliques est possible. Dans le cas du diagnostic différentiel des gliomes, l’information microvasculaire n’apporte cependant pas d’information plus discriminante que l’information métabolique seule.

MRI provides morphological information about tumour, but also provides information regarding the micro-vascularization of the tumour. In PET/CT, the accumulation of 18F-FDopa in tumour cells results from the metabolic activity greater than that of healthy tissues. We studied 28 gliomas for which we analysed data from MRI and PET/CT. A registration method has been developed to combine information from both PET and MRI and to extract volumes of interest consistent with the information included in the two modalities. In these volumes, the tumour compartment and normal tissue compartment were identified using a Gaussian mixture model. Parameters from PET or MRI data were then calculated in these compartments. ROC analyses combined with linear discriminant analyses were used to assess whether joint observation of standardized uptake value (SUVmax ) and relative Cerebral Blood Volume (rCBV) or of relative rk1 and rCBV could distinguish between low grade and high grade tumours. We found that using this joint analysis, 82.4% of high-grade tumors and 70.0% of low-grade tumors were correctly classified (AUC of 0.88 for [SUVmax , rCBV] and of 0.92 for [rk1 , rCBV]). Considering the [SUVmax , rCBV] combined information, the sensitivity for detecting high-grade tumors was 95% with a specificity of 60%. The negative predictive value was 52% for a positive predictive value of 95%. Similarly, considering the [rk1 , rCBV] combined information, we also a specificity of 60% associated with a 95% sensitivity for detecting high-grade tumors, with a negative predictive value of 60% and positive predictive value of 95%. Our work shows that joint analysis of microvascular and metabolic information is possible by combining PET and MR imaging data. However, we found that, in our patient population, the microvascular information given by MR did not bring information more discriminating than the metabolic information derived from PET only.