Améliorations de la dosimétrie en radiothérapie interne sélective des tumeurs hépatiques et impact sur la réponse du patient.

Dosimetric improvements for selective internal radiation therapy of hepatic tumours and impact on patient response.

• Auteur / Autrice : Tien-phong Pham
• Direction : Jean Louis Albérini
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Inscription en doctorat le 01/10/2020
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire Carnot de Bourgogne

Mots clés

Mots clés libres

Simulation GATE

Médecine nucléaire

Physique médicale

Apprentisage profond

Traitement des images

Dosimétrie

Deep learning

GATE simulation

Image processing

Dosimetry

Nuclear medicine

Medical Physics

Résumé

Le cancer du foie est le sixième cancer le plus fréquent dans le monde, mais il se place deuxième en termes de mortalité. Plusieurs types de cancer du foie existent et parmi ceux-ci certains peuvent être traités par radiothérapie interne selective (SIRT), qui consiste en l'injection de microsphères marquées à l'Yttrium-90 (90Y, émetteur β-)dans le foie. Ce projet vise à améliorer la prise en charge des traitements par RIS grâce à des modèles de dosimétrie récents qui seront validés par simulation Monte-Carlo, puis grâce à une prédiction de la réponse au traitement par méthode d'apprentissage profond à partir de ces modèles de dosimétrie.

Liver cancer is the sixth most common cancer in the world but the second leading cause of cancer mortality in men. Among the different types of liver cancer, some can be treated by selective internal radiation therapy (SIRT), which consists in injecting Yttrium-90 (90Y) β-emitter microspheres into the liver. This project aims at improving SIRT treatments by bringing state-of-the-art dosimetric techniques to SIRT that will be validated through Monte-Carlo simulations, and developing deep learning methods to predict treatment response from previous dosimetric models.