Stratégies adaptatives basées sur l'intelligence artificielle pour la radiothérapie du cancer de la tête et du cou

Adaptive strategies based on artificial intelligence for radiotherapy of head-and-neck cancer treatment

• Auteur / Autrice : Madalina-Liana Costea
• Direction : Marie-Claude Biston, David Sarrut
• Type : Thèse de doctorat
• Discipline(s) : Physique medicale
• Date : Soutenance le 22/02/2023
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....)
• Jury : Président / Présidente : Philippe Maingon
• Jury : Examinateurs / Examinatrices : Marie-Claude Biston, David Sarrut, Sophie Chiavassa, Jeppe Friborg, Maciej Orkisz
• Jury : Rapporteurs / Rapporteuses : Sophie Chiavassa, Jeppe Friborg

Mots clés

Mots clés contrôlés

radiothérapie

Tumeurs cérébrales

Radiothérapie

Intelligence artificielle

Cancer -- Radiothérapie

Mots clés libres

Radiothérapie adaptative

Cancer de la tête et du cou

Intelligence artificielle

Apprentissage profond

Bibliothèque d'atlas

Méthodes hybrides basées sur la bibliothèque d'atlas

CT synthétique

Planification automatique

Automatic segmentation

Auto-planning

Deep learning

Synthetic CT

Adaptive radiotherapy

Artificial intelligence

Head-and-neck cancer

Atlas-based segmentation

Résumé

Les techniques de radiothérapie à modulation d'intensité avec des distributions de dose hautement conformes sont la norme pour la radiothérapie (RT) des tumeurs HN. Pour être délivré en toute sécurité, le positionnement précis du patient et le contourage correct des volumes cibles et des organes-à-risque (OAR) sont nécessaires. Le contourage manuel est réalisé à partir d'images tomodensitométrie (CT) et prend généralement 2-3 heures pour un médecin qualifié. De plus, la planification manuelle du traitement est complexe et la qualité du plan dépend de l'expérience du planificateur. La radiothérapie guidée par l'image permet de surveiller les évolutions de la tumeur et des tissus normaux pendant le traitement. Pour faciliter la RT adaptative (ART), des solutions d'intelligence artificielle (IA) ont été explorées. L'objectif principal de la thèse était d'étudier différentes solutions pour améliorer le flux de travail de traitement des patients HN et permettre l'ART. Nous avons considéré la segmentation automatique (AS) des images CT, la planification automatique (auto-planning), et la génération d'images CT synthétiques (sCT) à partir d'images de tomodensitométrie conique (CBCT) du jour. Au premier, un algorithme d'optimisation multicritères (MCO) a priori pour l’auto-planning basée sur l'élaboration d'une “wish-list” a été évalué et comparé à la planification manuelle. Il a été conclu que des plans d'arcthérapie volumétrique (VMAT) de haute qualité peuvent être générés avec une “wish-list” robuste d'objectifs et de contraintes de dose. De plus, l'épargne des OAR était supérieure à celle des plans optimisés manuellement. Le deuxième objectif était d'évaluer et de comparer les performances de six méthodes différentes pour l'AS des OAR et niveaux ganglionnaires (CTVn) sur les images CT. De plus, l’auto-planning a été utilisée pour évaluer l'impact dosimétrique de l'utilisation des contours d'AS. Quatre méthodes basées sur une bibliothèque d'atlas (ABAS) et deux solutions d’apprentissage profond (DL) ont été étudiées et comparées pour 14 OAR et 3 niveaux CTVn. L'une des solutions DL a été entraînée avec les données monocentriques et l'autre était une solution commerciale entraînée avec des données multicentriques. Les résultats ont montré que les solutions DL avaient les meilleures performances sur la majorité des structures considérées. La solution DL monocentrique a été plus performante pour les OAR, par contre la DL multicentrique était meilleure pour les CTVn. De surcroît, l'étude dosimétrique a démontré un impact négatif seulement pour les plans génère avec des AS CTVn. Le dernier objectif était d'étudier différentes méthodes pour la génération des images sCT à partir d'images CBCT. Une solution DL a été étudiée et comparée à d'autres méthodes: correspondance entre nombres Hounsfield de CBCT et densités électronique (HU-ED), affectation de densités (DAM) et recalage élastique entre l’image CT et CBCT (DIR). En rapport avec l'image CT, la précision des nombres HU a été analysée sur la base de l'erreur moyenne (ME) et de l'erreur absolue moyenne (MAE). La précision du calcul de la dose a été évaluée en comparant les distributions de dose calculées sur le CT aux doses calculées sur les sCT. Les résultats ont montré que la méthode DIR était la plus précise, suivie de DL, DAM et HU-ED. En conclusion, pour la tâche de contourage, les solutions DL étaient les plus intéressantes. L'algorithme d’auto-planning basé sur la “wish-list” produit des plans de haute qualité, mais le temps de calcul est trop important pour être intégré dans l’ART. Enfin, les solutions DIR et DL peuvent offrir une génération rapide d'images sCT à partir d'images CBCT, ce qui permet d'effectuer des calculs de dose sur l'anatomie du jour. L'intervention humaine n'est pas encore à négliger, mais les aspects étudiés dans cette thèse sont des points clés pour l'ART des patients HN.

Intensity-modulated radiation therapy (IMRT) techniques with highly conformal dose distributions and steep dose gradients are the standard for radiotherapy (RT) of head-and-neck (HN) tumors. To be safely delivered, accurate patient positioning and accurate delineation of targets and organs-at-risk (OARs) is necessary. Manual contouring is performed on computed tomography (CT) images, and typically takes 2-3 hours for a skilled physician. Similarly, manual treatment planning is complex and the plan quality is highly dependent on the planner’s experience. Furthermore, image-guided RT allows monitoring of the daily tumor and normal tissue changes, during the treatment course. To facilitate adaptive RT (ART), artificial intelligence (AI) solutions have been explored. The goal of this PhD was to investigate different solutions for improving the treatment workflow of HN cancer patients and facilitate implementation ART. We considered automatic segmentation (AS) of CT images, automated treatment planning (auto-planning), and synthetic-CT image (sCT) generation from cone-beam CT (CBCT) images. First, an a priori multicriteria optimization (MCO) algorithm for auto-planning based on the elaboration of a “wish-list” was evaluated and compared with manual planning. It was concluded that high-quality volumetric art therapy (VMAT) plans could be generated with a robust wish-list of dose objectives and constraints. Moreover, OARs sparing was superior compared with manual planning. The second objective was to evaluate and compare six different methods for AS of OARs on CT images. Their performance was assessed with regard to resource demand, contour geometrical accuracy, computational time, and time needed to perform manual corrections. Additionally, auto-planning was used to evaluate the dosimetric impact of using the AS contours with and without manual correction. Four atlas-based and two deep learning (DL) solutions were investigated and compared for 14 OARs. One DL solution was trained with mono-centric data and the other one was a commercial solution trained with multi-centric data. Overall the results showed that the DL solutions had the best performances over the majority of the OARs. However, the contours generated by the mono-centric DL solution were the fastest to correct. Moreover, the dosimetric study demonstrated no significant impact on the radiation doses. Furthermore, the same six solutions were evaluated and compared for the AS of three lymph node (CTVn) levels on HN CT images. The same performance evaluation metrics were used. Results showed the superiority of the DL solutions and the preference of the experts for the contours obtained with the multi-centric DL solution, which were also the fastest to correct. Regarding the dosimetric consequences, a significant underdosage of the nodal targets was observed regardless of the AS method used. The last objective was to investigate different methods for sCT generation based on CBCT images. One DL solution was investigated and compared against: adapted CBCT Hounsfield Units and electron densities (HU-ED) calibration curve, density assignment method (DAM) and deformable image registration (DIR). Image accuracy was evaluated by calculating the differences in HU numbers between the CT and the sCT. The accuracy of dose calculation was evaluated by comparing plans calculated on the CT with the plans calculated on the sCT. Results showed that DIR method was the most precise, followed by DL, DAM and the adapted HU-ED method. In conclusion, for the delineation task, DL solutions were the most attractive. The wish-list based auto-planning algorithm produced high-quality plans, but the computational time was large. Lastly, DIR and DL solutions can offer fast sCT generation from CBCT images, that enable to perform dose calculations on the anatomy of the day. The human intervention is not yet to be overlooked, however the aspects investigated are key points for ART of HN patients.