Méthodes numériques en imagerie médicale pour l'évaluation de dose per-opératoire en ablation par électroporation

Numerical methods on medical images for per-operative dose evaluation in electroporation ablation

• Auteur / Autrice : Eloïse Inacio
• Direction : Baudouin Denis de senneville, Clair Poignard
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Soutenance le 16/12/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Bordeaux
• Jury : Président / Présidente : Amandine Crombé
• Jury : Examinateurs / Examinatrices : Damien Voyer
• Jury : Rapporteurs / Rapporteuses : Abdallah El Hamidi, François Cornelis

Mots clés

Mots clés contrôlés

Électroporation

Apprentissage profond

Recalage d'images

Imagerie médicale

Mots clés libres

Imagerie médicale

Méthodes variationnelles

Recalage d'image

Apprentissage Profond

Segmentation

Calcul de Dose

Medical imaging

Variational Methods

Image Registration

Deep Learning

Segmentation

Dose Computation

Résumé

Alors que l’espérance de vie augmente, le cancer est devenu l’une des principales causes de décès dans le monde. Parmi les cancers les plus difficiles à traiter figurent les tumeurs profondes, qui sont compliquées à soigner en raison de leur emplacement près de structures vitales dans des organes tels que le foie ou le pancréas. Une méthode prometteuse pour traiter ces tumeurs est l’ablation par électroporation, qui utilise des champs électriques pour créer des pores dans les membranes des cellules tumorales. Lorsqu’ils sont appliqués à haute intensité, cela entraîne une électroporation irréversible, conduisant à la mort des cellules sans endommager les structures avoisinantes. Cependant, l’électroporation nécessite une planification précise et une adaptation en temps réel en raison de sa complexité. Cela implique des outils numériques pour analyser les images médicales et estimer la zone de traitement. L’objectif de ce travail est de fournir de tels outils permettant d’analyser les images médicales afin d’estimer, pendant l’opération, la zone de traitement, de manière à ce que le radiologue interventionnel puisse adapter son approche. Plus précisément, nous abordons la localisation des électrodes en introduisant l’apprentissage profond dans le programme existant, ainsi que le recalage des multiples images capturées durant l’intervention avec des conditions aux limites auto-adaptatives innovantes. Ces deux tâches de vision par ordinateur sont cruciales pour une estimation précise du champ électrique et doivent être résolues en quasi-temps réel pour être praticables en contexte clinique. Ces avancées dans la vision par ordinateur et le traitement d’images permettent une estimation plus précise du champ électrique et améliorent l’efficacité globale de la procédure, conduisant à de meilleurs résultats pour les patients atteints de tumeurs profondes.

As life expectancy rises, cancer has tragically become one of the world’s leading causes of death. Among the most challenging cancers are deep-seated tumors, which are difficult to treat due to their location in vital organs like the liver or the pancreas. A promising method to tackle these tumors is electroporation ablation, which uses electric fields to create pores in the cell membranes of tumor cells. When applied with high intensity, this results in irreversible electroporation, leading to cell death without damaging nearby structures. However, electroporation requires precise planning and real-time adaptation due to its complexity. This involves numerical tools to analyze medical images and estimate the treatment area. The aim of this work is to provide such tools, analysing medical images, to per-operatively estimate the treatment area so that the interventional radiologists may adapt their approach as they are performing the procedure. More specifically, we tackle the localisation of the electrode by introducing deep learning in the existing pipeline, and the registration of the multiple scans captured during the intervention with novel auto-adaptive boundary conditions. Both computer vision tasks are crucial for a precise estimation of the electric field and need to be solved in near real time to be practical in clinical settings. These advancements in computer vision and image processing contribute to more accurate electric field estimation and improve the overall effectiveness of the procedure, leading to better patient outcomes for those battling deep-seated cancers.