Utilisation de l'apprentissage profond pour la segmentation et la caractérisation des images TEP/TDM FDG dans le cadre du cancer du sein métastatique

Deep learning methods to segment and characterize PET/CT images in the context of metastatic breast cancer

• 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
• Jury : Rapporteurs / Rapporteuses : Alexandre Cochet, Olivier Humbert

Mots clés

Mots clés contrôlés

Tumeurs du sein

Mots clés libres

Cancer du sein métastatique

Apprentissage profond

TEP/TDM FDG

Metastatic breast cancer

Deep learning

PET/CT

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.

Metastatic breast cancer patients receive lifelong medication and are regularly monitored to evaluate their response to treatment. To assess this response, doctors use standardized imaging-based criteria like RECIST or PERCIST. These criteria evaluate quantitatively only a limited number of target lesions. Segmentation of all metastases can be useful to extract several imaging biomarkers and better assess treatments’ responses. These imaging biomarkers have been identified as promising prognostic factors for many diseases, they could be used to predict molecular subtypes, progression-free survival, or overall survival. During this thesis, we developed deep learning-based methods allowing lesions’ automatic segmentation on several acquisitions from patients with metastatic breast cancer. These segmentations were used to automatically compute different biomarkers that we then employed to assess patients’ responses to treatments. Finally, we developed a deep learning-based method to predict metastatic lesions’ molecular subtypes.