Modèles de prédiction de la réponse à la chimiothérapie néoadjuvante à partir d'examens d'IRM mammaire

Definition of predictive models to assess the response to neadjuvant chemotherapy from breast magnetic resonance images

• Auteur / Autrice : Marie-Judith Saint Martin
• Direction : Frédérique Frouin
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'information et de la communication
• Date : Soutenance le 18/11/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'imagerie translationnelle en oncologie (Orsay, Essonne ; 2020-....)
• Jury : Président / Présidente : Cyril Poupon
• Jury : Examinateurs / Examinatrices : Nicolas Passat, Benjamin Lemasson, Carole Lartizien
• Jury : Rapporteur / Rapporteuse : Nicolas Passat, Benjamin Lemasson

Mots clés

Mots clés contrôlés

Cancer du sein

Apprentissage profond

Traitement d'images

Apprentissage supervisé (intelligence artificielle)

Apprentissage automatique

Imagerie par résonance magnétique

Imagerie médicale

Mots clés libres

Radiomique

IRM mammaire

Apprentissage automatique

Traitement d'images

Apprentissage profond

Radiomics

Breast MRI

Machine learning

Image processing

Deep learning

Résumé

La chimiothérapie néoadjuvante (CNA) est devenue le traitement de référence des cancers agressifs ou localement avancés. Cependant, seulement 20 à 30% des patientes obtiennent une réponse pathologique complète (pCR). Être capable d'identifier les lésions chimiorésistantes avant le début du traitement améliorerait considérablement la prise en charge des patients. Dans cette perspective, la radiomique cherche à mieux exploiter les images et extrait des indices de forme, des indices issus de l'histogramme ou de texture pour construire des modèles d'aide à la décision. L'objectif de ce travail de thèse a été d'améliorer la prédiction de la réponse à la CNA en s'intéressant notamment aux problématiques de normalisation des images et d'exportabilité des modèles de prédiction.Nous avons travaillé sur une base clinique rétrospective multicentrique de 136 IRM mammaires constituée à l'Institut Curie et composée d'images pondérées en T1 après injection de produit de contraste et d'images pondérées en T2. La qualité des études radiomiques en IRM mammaire est sujette à trois limitations : le champ de biais magnétique affectant la distribution des intensités au sein du champ de vue, l'arbitraire de l'intensité dans les images et les variations d'intensité liées aux paramètres d'acquisition (machine, antenne, séquences…), appelées « effet scanner ». Une étude multi-machine réalisée sur deux fantômes de sein acquis suivant le protocole utilisé en clinique a mis en évidence la nécessité d'adapter pour le sein l'algorithme de correction de biais N4. L'intérêt d'harmoniser les indices radiomiques avec la méthode ComBat, après une étape de normalisation des images, a aussi été démontré. Cette chaîne de traitement a ensuite été adaptée à la base des patientes. Des analyses statistiques ont été menées pour identifier les indices robustes à la segmentation inter-radiologue. Nous avons aussi proposé une méthode de segmentation automatique des tumeurs par apprentissage profond, utilisant la fusion d'images pondérées en T1 après contraste et d'images de soustraction, dans l'objectif de réduire la charge de travail des radiologues et de rendre cette tâche plus robuste. Une chaîne de sélection de caractéristiques radiomiques a été proposée pour construire des modèles multiparamétriques. Les résultats ont montré l'intérêt d'associer les paramètres radiomiques issus de la région tumorale classique, de la tumeur binarisée placée dans une boîte englobante et d'une boîte de taille fixe située à l'intérieur de la tumeur. Ces modèles ont été testés sur une base indépendante multicentrique, harmonisée de façon originale pour pallier les limites de ComBat dans le cas de petits échantillons, ce qui a permis d'améliorer les performances dans 73% des expériences.

Neoadjuvant chemotherapy (NAC) has become the standard treatment for locally advanced or invasive breast cancer, but with only 20 to 30% of patients achieving pathological complete response (pCR). Being able to predict non-responders to NAC would greatly improve patient care. In this context, the field of radiomics considers images as sources of a large amount of data and extracts shape, histogram-based and texture features to build decision-making tools. The goal of this thesis is to improve the prediction of pCR to NAC, with a particular focus on the normalization of images and the exportability of radiomic models.We used a retrospective multicentric database of 136 patients treated at Institut Curie and imaged using T1-weighted dynamic contrast-enhanced and T2 images. Radiomic studies suffer from three main drawbacks: the bias field inhomogeneity creating regional intensity variations, the arbitrary units in which MR signal is expressed and the influence of acquisition parameters on feature values, called the “scanner effect”. A multi-scanner study based on two breast phantoms imaged using the routine clinical protocol, highlighted the need to adapt the bias field correction N4 algorithm for the breast area. The need for further harmonization of features, using the ComBat method, after image normalization was also underscored. This pre-processing pipeline was then applied to patient data. Statistical analyses were carried out to identify features robust to inter-radiologist segmentation variabilities. A deep learning-based automatic segmentation approach using combined post-contrast T1-weighted and subtraction images was developed to reduce radiologists' workload and improve segmentation robustness. A pipeline to build multiparametric radiomic models was proposed. Results showed that combining features extracted from the standard tumor segmentation, from a bounding box on the binarized tumor images and from a constant box placed inside the tumor, improved performances. Models were tested on an independent multicentric test, harmonized using an original method to overcome the limitations of the ComBat method in small datasets, that improved performances in 73% of experiments.