Suivi de l'évolution du cancer du sein métastasé via le recalage et la segmentation d'images TEP en utilisant des réseaux entraînés et non-entraînés

Longitudinal monitoring of metastatic breast cancer through PET image registration and segmentation based on trained and untrained networks

• Auteur / Autrice : Constance Fourcade
• Direction : Diana Mateus, Mathieu Rubeaux, Ludovic Ferrer
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 27/06/2022
• Etablissement(s) : Ecole centrale de Nantes
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Caroline Petitjean
• Jury : Examinateurs / Examinatrices : Diana Mateus, Mathieu Rubeaux, Ludovic Ferrer, Caroline Petitjean, Vincent Noblet, Irène Buvat, Mathieu Hatt, Nicolas Duchateau
• Jury : Rapporteur / Rapporteuse : Caroline Petitjean, Vincent Noblet

Mots clés

Mots clés contrôlés

Apprentissage profond

Traitement d'images -- Techniques numériques

Recalage d'images

Cancer du sein

Mots clés libres

Cancer du sein métastasé

Recalage d’images

TEP

Apprentissage profond

Metastatic breast cancer

Image registration

PET

Deep learning

Résumé

Le cancer du sein métastasé nécessite un suivi régulier. Au cours du traitement, des images de TEP- scan sont régulièrement acquises puis interprétées selon des recommandations telles que PERCIST pour décider d’un éventuel ajustement thérapeutique. Cependant, PERCIST se concentre seulement sur la lésion présentant l’activité tumorale la plus élevée. L’objectif de cette thèse est de développer des outils permettant de prendre en compte toutes les zones actives à l’aide du TEP-scan, afin de suivre au mieux l’évolution du cancer du sein. Notre première contribution est une méthode pour la segmentation automatique d’organes actifs (cerveau, vessie). Notre deuxième contribution formule la segmentation de lésions sur les images de suivi comme un problème de recalage d’images. Pour résoudre le recalage longitudinal d’images TEP corps entier, nous avons développé une nouvelle méthode nommée MIRRBA (Medical Image Registration Regularized By Architecture), qui combine les avantages des méthodes conventionnelles et de celles utilisant l’apprentissage profond. Nous avons validé trois approches (conventionnelle, apprentissage profond et MIRRBA) sur une base de données privées d’images TEP longitudinales obtenues dans le contexte de l’étude EPICURE. Finalement, notre troisième contribution est l’évaluation de biomarqueurs extraits des segmentations de lésions obtenues grâce au recalage. Nous proposons donc un nouvel outil automatisé pour améliorer suivi du cancer du sein métastasé.

Metastatic breast cancer requires constant monitoring. During follow-up care, PET images are regularly acquired and interpreted according to specific guidelines, such as PERCIST, to decide whether or not the treatment should be adapted. However, PERCIST focuses only on one lesion representing tumor burden. The objective of this PhD thesis is to assist physicians monitormetastatic breast cancer patients with longitudinal PET images and improve tumor evaluation by providing them tools to consider all regions showing a high uptake. Our first contribution is a method for the automatic segmentation of active organs (brain, bladder, etc). Our second contribution formulates the segmentation of lesions in the followup examination as an image registration problem.The longitudinal full-body PET image registration problem is addressed, in this thesis, with our novel method called MIRRBA (Medical Image Registration Regularized By Architecture), which combines the strengths of both conventional and DL-based approaches within a Deep Image Prior (DIP) setup. We validated the three types of approaches (conventional, DL and MIRRBA) on a private longitudinalPET dataset obtained in the context of the EPICURE project. Finally, the third contribution is the evaluation of the biomarkers extracted from lesion segmentations obtained from the lesion registration step. We propose a new tool for the monitoring of metastatic breast cancer.