Développement de modèle d'un patient virtuel pour l'optimisation DOSImetrique en radiothérapie vectorisée interne : application aux glandes SALivaires

Development of a virtual patient model to study the DOSImetric optimization of internal vectorized radiotherapy: application to the SALivary glands

• Auteur / Autrice : Nathan Sinsoilliez
• Direction : Stefan Janaqi, Vincent Boudousq
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion

Mots clés

Mots clés libres

Simulation

Optimisation

Modèle Virtuel

Radiothérapie vectorisée

Virtual Model

Simulation

Vectorized Radiotherapy

Optimisation

Résumé

L'optimisation dosimétrique en radiothérapie est une obligation règlementaire issue de la Directive Européenne EURATOM 2013/59. En Radiothérapie Interne Vectorisée (RIV), elle est souvent limitée par la complexité associée à la détermination de l'irradiation délivrée (dosimétrie clinique). Des solutions commerciales commencent à apparaitre sur le marché, posant le problème de leur validation. Notre projet vise à générer des procédures permettant de standardiser les approches cliniques. Pour cela nous développerons un « patient virtuel » (un jumeau numérique) adapté à la dosimétrie clinique en RIV. Les approches d'apprentissage profond et de traitement d'image permettront d'extraire les caractéristiques requises pour la définition du patient virtuel. Ainsi, la modélisation Monte-Carlo de l'imagerie et du calcul dosimétrique permettra de simuler différents scénarios et d'extraire les approches les plus pertinentes (compromis précision/justesse vs. complexité et reproductibilité).

DOSimetric optimization in radiotherapy is governed by Directive Européenne EURATOM 2013/59. As for the Internal Vectorized Radiotherapy (RIV), it is often limited by the difficulty to determine the irradiation level (clinical dosimetrie). Few commercial solution exist in the market but their validation is not established for the moment. Our project aims at defining procedures that permit to standardize the clinical approaches. To this end we will develop a virtual patient (numerical tween) that fits the clinical dosimetrie RIV. Deep learning approaches and image treatments will help to define the features of virtual patient. Further, Monte Carlo simulation will help to try different scenarios.