Apprentissage génératif pour la synthèse d'images médicales dynamiques 4D

Dynamic generative modelling for medical applications

• Auteur / Autrice : Yi-Heng Cao
• Direction : Dimitris Visvikis, Vincent Jaouen
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 08/02/2024
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère)
• Jury : Président / Présidente : Ulrike Schick
• Jury : Examinateurs / Examinatrices : Dimitris Visvikis, Vincent Jaouen, Ulrike Schick, Vincent Noblet, David Sarrut, Hadi Fayad
• Jury : Rapporteurs / Rapporteuses : Vincent Noblet, David Sarrut

Mots clés

Mots clés contrôlés

Cancer -- Radiothérapie

Poumon

Imagerie quadridimensionnelle en médecine

Mots clés libres

Synthèse d’image

Imagerie dynamique

Mouvement respiratoire

Radiothérapie

Image synthesis

Dynamic imaging

Respiratory motion

Radiotherapy

Résumé

La tomodensitométrie quadridimensionnelle (TDM 4D) consiste à reconstruire une acquisition en plusieurs phases afin de suivre les mouvements des organes internes et des tumeurs. Elle est couramment utilisée dans la planification des traitements de radiothérapie pour le cancer du poumon, mais elle expose les patients à des doses de radiation plus élevées, allant jusqu’à six fois supérieures à celles d’une tomodensitométrie tridimensionnelle (TDM 3D) classique. Les méthodes d’apprentissage automatique profond, issues du domaine de la vision par ordinateur, suscitent un vif intérêt au sein de la communauté de l’imagerie médicale. Parmi ces approches, les modèles génératifs se distinguent en leur capacité à générer des images synthétiques reproduisant fidèlement l’apparence et les caractéristiques statistiques d’images obtenues à partir de systèmes réels. Dans cette thèse, nous explorons l’utilisation d’un modèle génératif pour la génération d’image dynamique. Nous proposons un modèle capable de générer un mouvement respiratoire spécifique à un patient à partir d’une image TDM 3D de diagnostic et de données respiratoires. L’objectif est de permettre aux radiologues d’effectuer la délimitation des volumes cibles et des organes à risque, ainsi que le calcul de la dose sur des images dynamiques de synthèses. Cette méthode éviterait ainsi la nécessité de réaliser une acquisition TDM 4D, réduisant ainsi l’exposition du patient aux radiations.

Four-dimensional computed tomography (4DCT) involves reconstructing an acquisition in multiple phases to track the movements of internal organs and tumors. It is used routinely for radiotherapy treatment planning of lung cancer, but it exposes patients to higher radiation doses, up to six times greater than those of a conventional threedimensional computed tomography (3DCT). Deep learning methods from the field of computer vision are gaining significant interest within the medical imaging community. Among these approaches, generative models stand out due to their ability to generate synthetic images that faithfully replicate the appearance and statistical characteristics of images acquired from real systems. In this thesis, we explore the use of a generative model for dynamic image generation. We propose a model capable of generating patient-specific respiratory motion from a diagnostic 3DCT image and respiratory data. The goal is to enable radiologists to delineate target volumes and organs at risk, as well as perform dose calculations on these dynamic synthetic images. This method would reduce the need for a 4DCT acquisition, thereby reducing the patient’s radiation exposure.