Apport de l’Intelligence Artificielle pour l’automatisation de la segmentation et de la planification en radiothérapie externe

Contribution of Artificial Intelligence for the Automation of Segmentation and Planning in External Radiotherapy

• Auteur / Autrice : Celia Petitjean
• Direction : Xavier Franceries, Jocelyne Mazurier
• Type : Projet de thèse
• Discipline(s) : Radio-physique et imagerie médicale
• Date : Inscription en doctorat le 15/02/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : Génie Electrique, Electronique, Télécommunication et Santé
• Partenaire(s) de recherche : Equipe de recherche : UMRS1037 Centre de Recherche en Cancérologie de Toulouse

Mots clés

Mots clés libres

Radiothérapie externe

Optimisation plan de traitrement

Apprentissage Automatique

Segmentation automatique

Treatment Planning System (TPS)

Résumé

Dans le service de radiothérapie du groupe Orion, les traitements sont majoritairement effectués par une technique d’irradiation d’arcthérapie volumique avec modulation d’intensité (VMAT= Volumetric Modulated Radiotherapy). Ces plans de traitement VMAT sont générés après une phase d’optimisation qui permet d’obtenir des arcs modulés respectant des contraintes dosimétriques pour chaque organe. Cette phase d’optimisation peut se révéler assez longue selon les patients et selon l’expérience de l’opérateur. Le système de planification de traitement (TPS) utilisé en routine dispose d’algorithmes basés sur l’intelligence artificielle dont le but est d’une part de segmenter les organes nécessaires à l’élaboration des plans de traitement et d’autre part de fournir rapidement des plans de traitement VMAT proches de ceux traditionnellement obtenus après une optimisation assez longue. Ce TPS utilise également des scripts Python permettant d’automatiser une partie des processus. Lorsque les plans obtenus sont validés par le radiothérapeute, un contrôle qualité doit également valider la délivrabilité de ces plans : soit avec des systèmes de mesure de dose permettant d’obtenir des distributions de dose mesurées sous la machine afin de les comparer aux calculs du TPS, soit en utilisant des méthodes de calcul plus poussés comme les algorithmes Monte Carlo. L’objectif de cette thèse est triple : - Pour la phase de segmentation automatique des organes: mettre en place de manière sécurisée les modèles d’organes, valider et encadrer leur utilisation et automatiser leur validation médicale. - Pour la phase d’optimisation des plans de traitement : développer l’automatisation dans l’optique d’un gain de temps, d’uniformisation des pratiques et d’une amélioration de la qualité des plans de traitement et également créer de nouveaux modèles d’IA pour toutes les localisations cliniques - Pour la phase de contrôle qualité des plans : Développer et automatiser un double-calcul Monte Carlo à l’aide du code PRIMO afin de valider la délivrabilité des plans de traitement et automatiser la validation des nouveaux modèles d’IA.

In the Orion Group's radiotherapy department, treatments are mainly carried out using volumetric modulated arc therapy with intensity modulation (VMAT = Volumetric Modulated Radiotherapy). These VMAT treatment plans are generated after an optimization phase that ensures modulated arcs adhere to dosimetric constraints for each organ. This optimization phase can be quite time-consuming depending on the patients and the operator's experience. The treatment planning system (TPS) used routinely features algorithms based on artificial intelligence, the aim of which is on the one hand to segment the organs required to draw up treatment plans, and on the other hand to rapidly provide VMAT treatment plans close to those traditionally obtained after a fairly lengthy optimization. The TPS also uses Python scripts to automate some of the process. Once the obtained plans are validated by the radiotherapist, quality control is also required to validate the deliverability of these plans: either using dose measurement systems to obtain dose distributions measured under the machine for comparison with TPS calculations, or employing more advanced calculation methods such as Monte Carlo algorithms. The aim of this thesis is threefold: - For the automatic organ segmentation phase: securely implement organ models, validate and supervise their use, and automate their medical validation. For the treatment plan optimization phase: develop automation to save time, to standardize practices and to improve the quality of treatment plans, and create new AI models for all clinical locations. - For the plan quality control phase: Develop and automate a double Monte Carlo calculation using the PRIMO code to validate the deliverability of treatment plans, and automate the validation of new AI models.