Utilisation de l'apprentissage profond pour la segmentation et la caractérisation des images TEP/TDM FDG dans le cadre du cancer du sein métastatique
Auteur / Autrice : | Noémie Moreau |
Direction : | Nicolas Normand, Mathieu Rubeaux, Caroline Rousseau |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 07/10/2022 |
Etablissement(s) : | Nantes Université |
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 : Laure Tougne |
Rapporteurs / Rapporteuses : Alexandre Cochet, Olivier Humbert |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Les patientes atteintes d’un cancer du sein métastatique reçoivent un traitement tout au long de leur vie et sont suivies très régulièrement afin d’estimer l’efficacité de leurs traitements. Pour évaluer la réponse au traitement, les médecins utilisent des critères d’interprétation des images comme RECIST ou PERCIST. Ces critères se limitent à l’évaluation quantitative d’une partie des tumeurs. La segmentation de toutes les tumeurs et leur caractérisation grâce à plusieurs paramètres (ou biomarqueurs) permettraient l’évaluation plus précise de la réponse au traitement des patientes. Cela permettrait aussi de prédire différentes informations sur les lésions (sous-type moléculaire) ou sur les patientes (survie sans progression, survie globale). Au cours de cette thèse, nous avons développé une méthode permettant la segmentation sur plusieurs acquisitions de toutes les lésions chez des patientes atteintes d’un cancer du sein métastatique. Les segmentations obtenues ont permis l’extraction de différents biomarqueurs que nous avons ensuite utilisés pour évaluer automatiquement la réponse thérapeutique des patientes. Enfin, nous avons utilisé l’apprentissage profond pour prédire le sous-type moléculaire des lésions métastatiques.