Apprentissage profond pour l'optimisation des doses en radiothérapie

Deep Learning-based Methods for Radiotherapy Dose Optimization

• Auteur / Autrice : Sonia Martinot
• Direction : Nikos Paragios, Maria Vakalopoulou, Charlotte Robert
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 15/12/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Interfaces : matériaux, systèmes, usages (Palaiseau, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Mathématiques et informatique pour la complexité et les systèmes (Gif-sur-Yvette, Essonne ; 2006-....)
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Jury : Président / Présidente : Daniella Thorwarth
• Jury : Examinateurs / Examinatrices : Vincent Lepetit, David Sarrut, Eric Deutsch
• Jury : Rapporteur / Rapporteuse : Vincent Lepetit, David Sarrut

Mots clés

Mots clés contrôlés

Intelligence artificielle

Monte-Carlo, Méthode de

Radiothérapie

Apprentissage profond

Mots clés libres

Apprentissage profond

Optimisation

Radiothérapie

Deep learning

Radiotherapy

Optimization

Résumé

La radiothérapie est un pilier du traitement moderne du cancer. La simulation de la dose de radiation avant son administration est une étape primordiale pour garantir la sécurité et la qualité du plan proposé. La méthode Monte-Carlo (MC), reconnue pour simuler le transport des particules et les interactions avec la matière, s'impose comme la référence en termes de précision dans cette tâche. Cependant, ses exigences en termes de calcul entravent son intégration dans le flux de travail clinique. L'apprentissage profond offre une voie prometteuse pour surmonter cette limitation.Le travail présenté dans cette thèse se concentre sur l'exploitation du potentiel de l'apprentissage profond pour accélérer les simulations Monte-Carlo des distributions de dose en radiothérapie. Notre nouvelle approche implique le traitement de séquences de simulations MC de faible précision à l'aide de modèles d'apprentissage profond. Étant donné les importantes données d'entraînement requises pour l'optimisation des modèles d'apprentissage profond, nous avons créé un jeu de données comprenant des simulations MC de réels plans de radiothérapie du monde réel, à l'aide d'un supercalculateur.Notre recherche explore des architectures d'apprentissage profond à la fois récurrentes et entièrement convolutives, que nous avons adaptées pour gérer des séquences de distributions de dose en 3D. Des études d'ablation ont mis en évidence les limitations inhérentes découlant de la petite taille de notre ensemble de données en 3D. Ce défi nous a conduit à explorer les capacités de nos modèles récurrents dans le cade d'entraînement faiblement supervisé. L'évaluation quantitative et qualitative de nos modèles a montré des performances compétitives comparés aux méthodes classiques et de pointe.Néanmoins, le calcul de la séquence d'entrée de simulation de dose MC à faible précision requiert toujours des ressources informatiques conséquentes. Pour contourner cette exigence entravante, nous avons élaboré des modèles qui extraient des informations essentielles des simulations MC à faible précision en entrée, sans nécessiter la séquence complète lors de l'inférence. Notre modèle repose sur des représentations vectorielles du nombre de photons simulés lors de la simulation MC des séquences de dose en entrée pour prédire les cartes de dose de haute précision. Cette approche a montré des performances améliorées tout en réduisant la charge informatique.Enfin, nous présentons une nouvelle classe de fonctions de coût pour optimiser les modèles d'apprentissage profond et compléter davantage notre stratégie d'accélération de la méthode MC. Notre nouveau critère d'optimisation, basé sur le taux de passage de l'indice gamma, s'aligne sur les normes d'évaluation clinique des distributions de dose. Nous proposons une approximation efficace et différentiable de cette métrique pour permettre des entraînements rapides de modèles d'apprentissage profond. De plus, nous fournissons une recette d'entraînement sur mesure qui renforce le potentiel de cette nouvelle fonction de perte innovante. Nos expériences soulignent les avantages significatifs de l'optimisation des modèles avec notre fonction de perte.

Radiation therapy is a cornerstone of modern cancer treatment. Simulating the radiation dose prior to delivery is a paramount step to ensure the safety and quality of the proposed plan. The Monte-Carlo (MC) method, renown for simulating particle transport and interactions with matter, stands as the gold standard for this task in terms of precision. However, its computational demands hinder its adoption into clinical radiotherapy workflow. Deep learning offers a promising way of overcoming this limitation as recent works on deep learning-based frameworks have displayed comparable performances in specific cases.The work presented in this thesis focuses on leveraging the potential of deep learning approaches to accelerate Monte-Carlo computations of radiatiotherapy dose distributions. Our novel approach involves processing sequences of low-precision MC simulations using deep learning models. Given the extensive training data required for optimizing deep learning models, we created a dedicated dataset consisting of MC simulations of real-world radiotherapy plans, executed using a supercomputer.Our research delves into recurrent and fully convolutional deep learning architectures, which we adapted to handle sequences of 3D dose distributions. Ablation studies highlighted the inherent limitations stemming from the small size of our 3D dataset. This challenge led us to explore the capabilities of our recurrent framework within a weakly-supervised setting. Quantitative and qualitative evaluation of our proposed models demonstrated competitive performance when benchmarked against classical and state-of-the-art methods.Nonetheless, computing the input low-precision MC dose simulation sequence still results in an unwanted computational bottleneck. To circumvent this impeding requirement, we devised models that extract essential information from the low-precision input MC dose simulations without requiring the full sequence during inference. Our proposed model relies on positional embeddings of the number of photons simulated during MC simulation of the input dose sequences to predict the high precision dose maps. This approach displayed improved performances while reducing the computational overhead.Finally, we introduce a new class of loss functions to optimize deep learning models and further complete our acceleration strategy. Our novel criterion, based on the gamma index passing rate, aligns with clinical evaluation standards for dose distributions. We propose an efficient, tensorized and differentiable approximation of this metric to enable fast trainings of deep learning models. Additionally, we provide a tailored training recipe that enhances the potential of this innovative loss function. Our experiments underline the significant benefits of optimizing deep learning models with our clinical-based loss function.