Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

19 mai 2020

Thèse: Planification directe sur IRM en radiothérapie externe par des approches d’apprentissage automatique


Catégorie : Doctorant


Offre de Thèse

Planification directe sur IRM en radiothérapie externe par des approches d’apprentissage automatique
 

 
Etablissement d’inscription: Université de Rennes 1
Laboratoire d'accueil : LTSI - INSERM UMR 1099, Université de Rennes 1 (UR1)
Directeurs de thèse : Directeur : Renaud de Crevoisier (PU-PH, UR1) ; Co-encadrants : Jean-Claude Nunes (MCU, UR1) , Oscar Acosta (MCU, UR1) , Caroline Lafond (Physicienne médicale, Centre Eugène Marquis)
Financement : Ligue Contre le Cancer 35 (50%) et Région Bretagne (50%)
 
 

Contexte :

Un tiers des patients atteints de cancer sont traités par radiothérapie. Le scanner (CT-scan) est l'imagerie de référence
pour la planification des doses en radiothérapie. Néanmoins, il montre un contraste médiocre des tissus mous, ce qui
entraîne une imprécision dans la délinéation de la tumeur et le positionnement du patient exposant celui-ci à une
augmentation du risque de récidive et de toxicité. Grâce à un meilleur contraste, l'imagerie par résonance magnétique
(IRM) permet une meilleure visualisation des tissus mous mais ne fournit pas la densité électronique nécessaire à la
planification de dose. Le recalage de l’imagerie IRM sur imagerie CT est difficile et imprécis du fait des variations
anatomiques survenant inéluctablement entre les deux examens (sauf dans le cerveau). Plusieurs méthodes ont été
très récemment développées pour la génération de CT-scan synthétique à partir de l’IRM, appelés pseudo-CT (pCT).
Ces pCT permettent ainsi une planification dosimétrique. L’enjeu de cette approche est très important dans une
pratique d’irradiation externe standard par photons, mais aussi en cas de protonthérapie (approche qui s’avère plus
sophistiquée et encore très peu explorée).
 
 

Objectifs de la thèse :
Les objectifs de ce projet de thèse sont de : (1) proposer des solutions permettant un calcul de dose à partir de l’IRM
par photons X et protons et (2) définir par approche radiomique la cible tumorale (en ORL, prostate, poumons et foie)
et les organes à risque. L’application des méthodes de machine learning, et en particulier du deep learning, répondra
à la problématique de génération d’images synthétiques de CT (pseudo-CT, pCT) à partir d’images IRM. L'hypothèse
d’une planification directe sur IRM permet d’envisager une réduction significative la toxicité radioinduite, par rapport
à la planification sur CT, du fait d'une meilleure visualisation des structures et d'un volume cible réduit.
 

 
Approches méthodologiques et techniques envisagées :
- optimiser les méthodes existantes et identifier de nouvelles méthodes et éventuellement les combiner entre
elles pour améliorer la précision du pCT généré et diminuer le temps de calcul ;
- comparer les méthodes en termes de précision et de temps de calcul afin de sélectionner la/les plus adaptées
aux applications cliniques ;
- évaluer la précision des méthodes pour divers sites anatomiques (notamment prostate et ORL), en utilisant
diverses séquences d'IRM pour confirmer qu'une telle approche peut être généralisée ;
- proposer des outils spécifiques de contrôle de qualité nécessaires pour une application clinique ;
- simuler une planification directe sur IRM dans les cancers de prostate, ORL, poumons et foie pour préserver
des organes à risque non visibles sur CT ;
- comparer cette approche avec une planification standard sur CT, sur des critères de dose et de prédiction de
toxicité basée sur des modèles NTCP (Normal Tissue Complication Probability).
Ce projet repose sur une collaboration étroite entre le LTSI (équipe IMPACT) et le Centre Eugène Marquis. Le Centre
Eugène Marquis (CEM) est un centre de lutte contre le cancer (CLCC) du réseau Unicancer menant de nombreuses
études cliniques. Ce projet s’appuiera sur des travaux antérieurs de l’équipe [1-4].
 

[1] A. Largent, A. Barateau, J.-C. Nunes, E. Mylona, J. Castelli, C. Lafond, P. B. Greer, J.A. Dowling, J. Baxter, H. Saint-Jalmes, O.
Acosta, R. de Crevoisier, Comparison of Deep Learning-Based and Patch-Based Methods for Pseudo-CT Generation in MRI-Based
Prostate Dose Planning, December 1, 2019, Volume 105, Issue 5, Pages 1137–1150.
[2] A. Largent, A Barateau, J.-C. Nunes, C. Lafond, P B. Greer, J A. Dowling, H Saint-Jalmes, O Acosta, and R de Crevoisier, Pseudo-
CT generation for MRI-only radiotherapy treatment planning: comparison between patch-based, atlas-based, and bulk density
methods, International Journal of Radiation Oncology Biology Physics, 2018.
[3] Acosta, O., E. Mylona, M. Le Dain, C. Voisin, T. Lizee, B. Rigaud, C. Lafond, K. Gnep and R. de Crevoisier, Multi-atlas-based segmentation of prostatic urethra from planning CT imaging to quantify dose distribution in prostate cancer radiotherapy. Radiotherapy and Oncology, 2017. 125(3): p. 492-499.
[4] Dréan G, Acosta O, Lafond C, Simon A, de Crevoisier R, Haigron, Interindividual registration and dose mapping for voxelwise population analysis of rectal toxicity in prostate cancer radiotherapy, Med Phys. 2016 Jun;43(6):2721-2730. doi: 10.1118/1.4948501.
 

 
Compétences scientifiques et techniques requises par le candidat :
- Titulaire d’un Master 2 ou diplôme Ingénieur (traitement d’images, informatique, physique médicale, biomédical, etc.)
- Connaissances en traitement d’images (machine learning)
- Connaissances en informatique (C++, Python, etc.)
- Connaissances en physique des rayonnements ionisants appliquée à la radiothérapie
- Bon niveau d’anglais (compréhension + écrit)
 

 
Contacts :
- Jean-Claude Nunes jean-claude.nunes@univ-rennes1.fr
- Oscar Acosta oscar.acosta@univ-rennes1.fr
- Caroline Lafond c.lafond@rennes.unicancer.fr
Laboratoire : Laboratoire Traitement du Signal et de l'Image (LTSI) (équipe IMPACT), Université de Rennes 1, Campus de Beaulieu. Bât 22, 35042 Cedex - Rennes - FRANCE.
 
Les candidats doivent envoyer un CV et une lettre de motivation à Jean-Claude Nunes, Oscar Acosta et Caroline Lafond.
 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.