Contribution à l'analyse de l'IRM dynamique pour l'aide au diagnostic du cancer de la prostate

Contribution to dynamic MRI analyze for diagnosis support for the prostate cancer

• Auteur / Autrice : Guillaume Tartare
• Direction : Denis Hamad, Nacim Betrouni
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Génie informatique, Traitement du signal et des Images
• Date : Soutenance le 12/12/2014
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale / LISIC
• Partenaire(s) de recherche : Equipe de recherche : Thérapies interventionnelles assistées par l'image et la simulation (Lille)
• Jury : Président / Présidente : Sylvie Thiria
• Jury : Examinateurs / Examinatrices : Denis Hamad, Nacim Betrouni, Sylvie Thiria, Philippe Puech
• Jury : Rapporteurs / Rapporteuses : Ali Mansour, Su Ruan

Mots clés

Mots clés contrôlés

Pharmacocinétique

Traitement du signal

Classification automatique

Imagerie par résonance magnétique

Prostate -- Cancer

Mots clés libres

Cancer de la prostate

IRM dynamique

Modélisation pharmacocinétique

Classification spectrale

Prostate cancer

Dynamic contrast enhanced MR imaging

Pharmacokinetics modeling

Spectral culstering

Résumé

Le cancer de la prostate est le cancer le plus fréquent chez les hommes. Son développement entraine une néo-angiogénèse qui modifie le réseau capillaire. Il est reconnu que l'IRM dynamique (DCE-MRI) est capable de distinguer ces modifications de la microcirculation physiologique. Cependant, ces images restent difficiles à analyser et à interpréter en routine clinique. Dans cette thèse, nous nous sommes intéressés à la mise en place de méthodes robustes pour l'analyse de ces images. Dans un premier temps, nous traitons les méthodes de quantifications des paramètres pharmacocinétiques. Ainsi, une plateforme logicielle a été construite autour du modèle multi-étapes de Tofts. La validation technique a été conduite en utilisant des images simulées avec connaissance de la vérité de terrain de la distribution des lésions. La validation clinique est en cours dans le service de Radiologie de l'Hôpital Claude Huriez du CHRU de Lille. Parallèlement, nous avons exploré l'application des techniques de traitement des données pour l'analyse non paramétrique et non supervisée des courbes temps-intensités. Nous avons développé une approche originale basée sur la classification spectrale. Cette méthode, basée sur la théorie des graphes, permet le regroupement des signaux après transformation de l'espace de représentation. Par la suite, ces groupes de données peuvent être étiquetés par comparaison avec un signal artériel qui sert de référence. Les expérimentations préliminaires conduites sur les données simulées ainsi que sur des données cliniques montre la faisabilité de l'approche. Les deux approches développées sont complémentaires, l'une donnant des paramètres quantitatifs et l'autre permettant de segmenter les zones cancéreuses.

Prostate cancer is the most common cancer among men. Its developments leads to a neo-angiogenesis that changes the capillary network. It is recognized that the DCE-MRI is able to distinguish these physiological changes in microcirculation. However, the images are difficult to analyze and interpret. In this thesis, we were interested by the development of robust methods for the analysis of these images. Initially, we were focused on pharmacokinetic parameters quantification methods. A software platform was constructed to implement the multi-step Tofts model. Technical validation was performed using simulated images with knowledge of the ground truth. Clinical validation is in progress in the Radiology department of Lille University Hospital. In parallel, we have explored the application of nonparametric and unsupervised techniques of data processing for time-intensity curve analysis. We have developed an original approach based on spectral classification. This method, based on graph theory, allows the grouping of signals after transformation of the space of representation. Subsequently, these groups of data can be labeled by comparison to the arterial signal serving as reference. Preliminary experiments conducted on simulated data as well as clinical data show the feasibility of the approach. The two approaches are complementary, one giving quantitative parameters and the other segmenting the cancerous areas.