Segmentation des lésions tumorales en imagerie TEP au 18F-FDG basée sur la marche aléatoire : Application aux petites lésions et aux lésions hétérogènes

• Auteur / Autrice : Dago Pacôme Onoma
• Direction : Su Ruan, Isabelle Gardin
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance en 2013
• Etablissement(s) : Rouen
• Ecole(s) doctorale(s) : École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime....-2016)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)

Mots clés

Mots clés contrôlés

Marches aléatoires (mathématiques)

Tomographie par émission

Traitement d'images -- Techniques numériques

Poumon -- Cancer non à petites cellules

Imagerie médicale

Imagerie tridimensionnelle en médecine

Résumé

Pour la planification du traitement par radiothérapie externe, l’imagerie par Tomographie d’Emission de Positons (TEP) au 18F-FDG apporte une information métabolique complémentaire à l’imagerie anatomique par TomoDensitoMétrie (TDM) dans la définition du volume cible tumoral. En effet, elle permet une bonne détection et discrimination des cellules tumorales pour définir le volume cible en radiothérapie, en particulier pour les patients atteints de cancers bronchiques non à petites cellules (CBNPC) et les tumeurs ORL. Dans ce contexte, il est indispensable de disposer d’une méthode de segmentation semi-automatique performante vis-à-vis de certains problèmes rencontrés en imagerie TEP, à savoir l’effet de volume partiel et les hétérogénéités physiologiques souvent présentes dans les lésions. Pour cela, nous avons implémenté une approche basée sur la théorie de la marche aléatoire (MA). Les améliorations algorithmiques que nous avons proposées concernent la définition automatique des germes basée sur l’algorithme Fuzzy-C-Means, prenant en compte les hétérogénéités présentes dans les lésions. Par ailleurs, nous avons proposé de rendre la segmentation indépendante de la valeur fixe du paramètre β de la MA, en intégrant la distance entre voxels adjacents dans la modélisation du ''poids'' du marcheur, ainsi que l’intégration de la densité de probabilité dans le système d’équations linéaires pour prendre en compte l’effet de volume partiel. En raison des améliorations proposées à partir de l’information locale, l’algorithme de segmentation est appelée 3D-Locally Adaptive Random Walk (3D-LARW). Les performances de la méthode ont été évaluées sur des images TEP d’un fantôme physique, de lésions hétérogènes simulées analytiquement, ainsi que sur des données patients. Ces performances ont été confrontées à celles de la méthode originale de la MA, d’une méthode de seuillage adaptatif (TAD) et de la méthode floue FLAB sur ces mêmes données. Les résultats ont montré que notre méthode conduit globalement à de meilleures performances quel que soit le cas d’étude considéré et le critère d’évaluation choisi. Les résultats concernant le fantôme physique ont mis en évidence l’apport intéressant de notre approche sur les petites lésions dans lesquelles l’effet de volume partiel est très important. Par ailleurs, les différences importantes d’erreurs entre notre approche et les autres méthodes (TAD et FLAB) sur les données simulées et les lésions hétérogènes des données patients ont mis en évidence la robustesse de la marche aléatoire vis-à-vis des hétérogénéités physiologiques souvent présentes dans les lésions.

For external radiotherapy treatment planning, Positron Emission Tomography (PET) using 18F-FDG functional imaging provides metabolic information complementary to anatomic imaging (CT) in the tumor target volume delineation. Indeed, it provides good detection and discrimination of tumor cells to define the tumor target volume in radiotherapy, especially for patients with lung cancer and head and neck tumors. In this context, it is essential to provide an accurate automatic segmentation method dealing with some specific problems in PET imaging, such as the partial volume effect and the physiological heterogeneity often found in the lesions. To this aim, we have implemented a method based on the Random Walk (RW) theory. Algorithmic improvements of the original method have been proposed corresponding to the semi-automatic definition of seeds based on the Fuzzy-C-Means algorithm taking into account the heterogeneity present in the lesion. In addition, we have proposed to make the parameter β adaptive by integrating the distance between adjacent voxels in the ''weight'' modeling of the walker and the integration of the probability density in the system of linear equations used in the RW to take partial volume effect into account. Due to the fact that the improvements have been done using local information, the segmentation algorithm is called 3D-Locally Adaptive Random Walk (3D-LARW). The performances of the method have been evaluated on PET images of a physical phantom, analytically simulated heterogeneous lesions, as well as on patient data. These performances have been compared with those of the original method (RW), an adaptive thresholding method (TAD) and a fuzzy method (FLAB). The results have shown that our method gives better overall performances whatever the studied data and the evaluation criteria. On the physical phantom, the results have shown the promising contribution of our approach for small lesions in which partial volume effect occurs. In addition, significant difference between our approach and other methods (TAD and FLAB) have demonstrated the robustness of the random walk against the physiological heterogeneities often found in the lesions on simulated data and heterogeneous lesions of patient data.