Caractérisation de pseudo CT générés à partir d'images IRM à l'aide de méthodes deep learning : application aux tumeurs cérébrales traitées par radiothérapie

Characterization of Pseudo CT From MRI With Deep Learning : Application to Brain Tumors Treated With Radiotherapy

• Auteur / Autrice : Emilie Alvarez Andres
• Direction : Charlotte Robert, Nikos Paragios
• Type : Thèse de doctorat
• Discipline(s) : Recherche clinique, innovation technologique, santé publique
• Date : Soutenance le 15/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Cancérologie : biologie-médecine-santé (Villejuif, Val-de-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Radiothérapie moléculaire et innovation thérapeutique (Villejuif, Val-de-Marne ; 2011-....)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-….)
• Jury : Président / Présidente : Élizabeth Moyal
• Jury : Examinateurs / Examinatrices : David Sarrut, Nick Reynaert, Vincent Lepetit, Hervé Saint-Jalmes, Philippe Meyer
• Jury : Rapporteur / Rapporteuse : David Sarrut, Nick Reynaert

Mots clés

Mots clés contrôlés

Dosimétrie en radiothérapie

Radiothérapie

Tumeurs du cerveau

Apprentissage profond

Tomodensitomètre

Imagerie par résonance magnétique

Mots clés libres

Pseudo CT

IRM

Deep learning

Tumeurs cérébrales

Dosimétrie

Pseudo CT

MRI

Deep learning

Brain tumors

Dosimetry

Résumé

De nos jours, les traitements de tumeurs cérébrales par radiothérapie nécessitent l’acquisition d’un scanner utilisé pendant les étapes de segmentation et de dosimétrie, ainsi que d’une Imagerie par Résonance Magnétique (IRM) jouant un rôle important durant l’étape de segmentation des volumes cibles en particulier. Cependant, cette double modalité implique de recaler spatialement les images, processus qui induit des erreurs de 2mm, actuellement prises en compte par une augmentation de marges. Ainsi, générer des pseudo scanners (pCT) à partir d’images IRM apparaît comme étant une solution attractive pour diminuer les marges et réduire l’irradiation des tissus sains périphériques. La première étape de cette thèse avait pour but de caractériser les paramètres jouant un rôle clé dans la qualité de pCT générés par Deep Learning (DL), à savoir la taille de la cohorte d’entrainement, la séquence IRM utilisée en entrée du réseau, la technique de standardisation des images IRM, le filtre de correction d’inhomogénéités de champ et l’architecture du réseau. Pour ce faire, une large cohorte composée de plus de 400 patients a été constituée, rassemblant des images de multiples appareils d’IRM et localisations tumorales, afin d’assurer la robustesse du modèle. Les pCT obtenus ont tout d’abord été évalués à l’aide de l’erreur absolue moyenne, basée sur les intensités. Des analyses dosimétriques ont ensuite été menées. Toutes les approches étudiées ont atteint des performances dosimétriques équivalentes, excepté pour la taille du jeu d’entrainement. Pour introduire une dosimétrie basée sur les pCT en pratique clinique et déployer une méthodologie de validation de la non-infériorité de la planification de traitement dans le cas d’une radiothérapie basée seulement sur IRM comparée à celle conventionnellement basée sur scanner, une deuxième étude visant à définir les métriques dosimétriques les plus adaptées à une évaluation de pCT sans biais a été réalisée. Leurs corrélations avec des métriques basées sur les intensités ont été calculées. Enfin, l’impact de scenarios simulant des erreurs extrêmes de pCT a été quantifié, basé sur les métriques optimales préalablement définies. Un nouveau jeu de test de 71 patients a été constitué, reflétant les localisations tumorales rencontrées en clinique et les modalités de traitement propres à notre centre. Les gamma index globaux et locaux pour le critère 1%/1mm associés à des seuils de dose non-extrêmes ont montré leur pertinence pour la tâche d’évaluation de pCT cérébraux. De plus, les différences de métriques issues des histogrammes dose/volume des volumes cibles et organes à risque doivent aussi être calculées car elles reflètent la performance dosimétrique du pCT pour chaque structure segmentée. Enfin, la génération de pCT a été appliquée à la radiothérapie basée sur protons, grâce à une collaboration avec le Centre de Protonthérapie d’Orsay. Le modèle de DL préalablement développé sur des patients adultes a été testé sur des patients pédiatriques, afin d’évaluer sa généralisabilité. Des performances cliniques satisfaisantes ont été atteintes, excepté pour quelques patients, pouvant potentiellement prouver la transférabilité du modèle évalué. Les travaux futurs comprennent une évaluation dosimétrique à plus grande échelle, avec la composition d’une cohorte de 198 enfants représentant 4 histologies différentes. Le but est de déterminer l’approche d’entrainement et de validation du réseau la plus efficace à l’aide de cartes de pouvoirs d’arrêt pour s’affranchir de l’influence des paramètres des scanners sur les images. Ainsi, une solide compréhension des points clés de la génération de pCT ainsi qu’une méthodologie de leur caractérisation ont été réalisées. Les recommandations en découlant ont le rôle clé de faciliter la quantification et l’interprétation de critères d’évaluation de la qualité de pCT dans le contexte de mise en place d’essais cliniques, tel que l’essai observationnel en cours GliopCT.

Current brain tumor radiotherapy treatments require the acquisition of a Computed Tomography (CT) used during the segmentation and dosimetry steps, and a Magnetic Resonance Imaging (MRI) being mostly important for the target volumes delineation. Yet, dealing with multiple modalities implies to spatially register them, which has been shown to include 2mm errors (Ulin et al.), currently considered with a margin increase. Thus, generating pseudo Computed Tomography (pCT) from MRI appears to be an appealing approach to reduce margins and surrounding healthy tissues irradiation. The first step of the thesis aimed at characterizing parameters playing a key role in the Deep Learning (DL)-derived pCT quality, namely the training set size, the MRI sequence used as network input, the MRI standardization approach, the bias field correction filter and the network architecture. To do so, a large cohort composed of more than 400 patients was constituted, gathering images from multiple MR devices and tumor locations, to ensure the model robustness. The obtained pCT were first evaluated via the mean absolute error, based on intensities. Further dosimetry analyses were performed. Except for the training set size, all the studied approaches led to equivalent dosimetry performances. With the goal to introduce pCT-based dosimetry in clinical practice and to deploy a methodology to validate the non-inferiority of MRI-only based-radiotherapy treatment planning compared to conventional CT-based radiotherapy treatment planning, a second study aiming at assessing the best-suited dosimetry criteria for an unbiased pCT evaluation was performed. Their correlations with intensity-based metrics were also calculated. Lastly, the impact of scenarios simulating extreme errors pCT was quantified, based on the previously defined metrics. A new test set of 71 brain patients was constituted reflecting tumor locations encountered in clinics and treatment modalities used in our center. Global and local 1%/1mm gamma indices with non-extreme dose thresholds were proved to be relevant for the brain pCT task evaluation. Additionally, dose volume histograms-based metrics differences for target and organs at risk volumes should also be computed since they reflect delineated structure-wise pCT dosimetry performance. Lastly, pCT generation was applied to proton-based radiotherapy, via a collaboration with the Centre de Protonthérapie d’Orsay. The previously developed adults DL-model was tested on paediatrics to assess its generalizability. Satisfying clinical performances were reached, except for a few patients, potentially suggesting the transferability of the evaluated model. Future work consists in a dosimetry analysis in a larger scale, with the composition of a cohort of 198 children representing 4 different histologies. The goal is to assess the most efficient network training and validation approach, with stopping power maps to ensure the non-influence of CT devices parameters on images. Thus, a solid understanding of key points for pCT generation and a methodology for pCT characterization have been achieved. The resulting recommendations have the key role to facilitate the quantification and interpretation of pCT quality evaluation criteria in the context of clinical trials set up, such as the ongoing observational GliopCT.