Implémentation de la radiomique en routine clinique : approche individuelle et analyse de la composante temporelle par des approches d’apprentissage automatique en TEP pour la neuro-oncologie

Implementation of radiomics in clinical routine : individual approach and analysis of the temporal component using learning algorithms in PET for neuro-oncology

• Auteur / Autrice : Shamimeh Ahrari
• Direction : Antoine Verger, Laëtitia Imbert
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la vie et de la santé
• Date : Soutenance le 18/09/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale BioSE - Biologie, Santé, Environnement
• Partenaire(s) de recherche : Laboratoire : Imagerie adaptative diagnostique et interventionnelle (Nancy)
• Jury : Président / Présidente : Florent Besson
• Jury : Examinateurs / Examinatrices : Antoine Verger, Laëtitia Imbert, Ninon Burgos, Fanny Orlhac, Olivier Humbert
• Jury : Rapporteur / Rapporteuse : Ninon Burgos, Fanny Orlhac

Mots clés

Mots clés contrôlés

Apprentissage automatique

Radiomique

Gliomes

Tomographie par émission

Mots clés libres

Tep

Gliome

Analyse radiomique

Apprentissage automatique

Interprétabilité

Pet

Glioma

Radiomics analysis

Machine learning

Interpretability

Résumé

La caractérisation non-invasive des gliomes fait partie de la médecine personalisée, aidant ainsi les cliniciens à prendre des décisions optimales pour améliorer la survie des patients tout en préservant leur qualité de vie. Dans ce contexte, l’imagerie moléculaire Tomographie par Emission de Positons (TEP) avec des radiotraceurs marqués aux acides aminés tels que la 18F-FDOPA, est actuellement recommandée par les groupes d’experts internationaux comme un complément à l’imagerie par résonance magnétique conventionnelle. Les progrès dans l’analyse d’images sont désormais axés sur la quantification de l’hétérogénéité tumorale par une analyse radiomique. Cependant, cette analyse a principalement été appliquée à des images statiques, en ignorant la dimension temporelle. Au contraire, l’analyse dynamique enregistre les variations temporelles du métabolisme tumoral, enrichissant ainsi l’évaluation statique. Malgré les résultats prometteurs des paramètres dynamiques à l’échelle de la région pour le diagnostic initial, leur efficacité dans la détection des récidives a été peu étudiée, avec certaines limitations identifiées pour cette indication. Cette thèse étudie donc l’analyse radiomique des images TEP dynamiques à l’échelle du voxel, en utilisant l’apprentissage automatique pour identifier des biomarqueurs d’intérêt dans les gliomes. La dimension temporelle de l’analyse radiomique a pu être étudiée à deux niveaux : en suivant la cinétique du métabolisme tumoral à partir d’une seule acquisition TEP dynamique, et en évaluant les variations métaboliques chez un même patient lors d’examens répétés dans le temps. Dans un premier temps, ce travail a évalué l’impact de l’application d’une fonction d’étalement du point sur l’analyse dynamique à l’échelle du voxel. Par la suite, une première analyse de la dimension temporelle a été étudiée avec une analyse radiomique effectuée à partir d’une seule image TEP dynamique. L’apport de cette analyse pour la détection des récidives de gliomes était faible. Par conséquent, la dimension temporelle de l’analyse radiomique a été réalisée en examinant les changements dans les caractéristiques radiomiques entre deux examens TEP consécutifs, chez des patients suivis pour gliome. Une étude de validation multicentrique a ensuite été effectuée pour évaluer l’apport de cette analyse radiomique en clinique. L’objectif était de déterminer si le modèle radiomique proposé permettait d’améliorer les performances diagnostiques des médecins dans la détection de l’agressivité des gliomes. Pour aller plus loin, l’adaptation des algorithmes d’apprentissage profond pour l’analyse de l’imagerie TEP à la 18F-FDOPA est encourageante. Cette approche pourrait offrir une flexibilité dans l’interprétabilité des modèles tout en évaluant les relations complexes entre les caractéristiques de l’imagerie TEP et le pronostic des patients.

With the growing emphasis on personalized medicine, a non-invasive glioma characterization tool is essential, aiding clinicians in making optimal decisions to improve patient survival while preserving their quality of life. Medical imaging techniques such as Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET) offer a promising solution in neuro-oncology for the non-invasive diagnosis and monitoring of gliomas. In this context, PET molecular imaging, particularly with amino acid radiotracers such as 18F-FDOPA, is currently recommended by international guidelines as an adjunct to conventional MRI. Advancements in image processing are now focused on quantifying tumor heterogeneity through the massive extraction of characteristics, known as radiomics analysis. However, this analysis has primarily been applied to static images acquired at a fixed time, ignoring the temporal dimension. In contrast, dynamic analysis offers a unique perspective by capturing the temporal variations of tumor metabolism, providing complementary information to static analysis. While region-based dynamic parameters have shown promising results for the initial diagnosis, they have limitations in detecting glioma recurrences. This thesis therefore explores the potential of machine learning-based radiomics analysis on dynamic PET acquisition at the voxel level to identify biomarkers of interest for glioma cancer indications. The temporal dimension of radiomics analysis can be addressed on two levels: by tracking the kinetics of tumor metabolism through single-time-point dynamic acquisition, and by monitoring changes in patient status over multiple examinations. Initially, this work investigated the impact of point spread function deconvolution, a common post-reconstruction technique at our institution, on voxel-based dynamic analysis. Subsequently, the first aspect of the temporal dimension was evaluated through radiomics analysis of single-time-point dynamic PET images at the voxel level. The prognostic value of this analysis for glioma recurrence detection was modest. Therefore, the temporal dimension of radiomics analysis was further explored by examining changes in radiomics features between two consecutive PET scans, aiming to monitor the post-treatment status of patients with glioma. A multicenter validation study was then conducted to assess the potential of integrating radiomics analysis into clinical practice. The objective was to investigate the impact of an explainable radiomics model on the diagnostic performance of physicians in determining the aggressiveness of suspected gliomas at the initial diagnosis. To go further, the feasibility of adapting deep learning algorithms to the analysis of 18F-FDOPA PET imaging is encouraging. This approach could provide greater flexibility in model explainability while capturing the complex relationships between PET imaging features and patient outcomes.