Complétion d’images médicales par apprentissage profond pour la radiothérapie adaptative
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Boily, Claudia
Date de soutenance : 01-10-2025

Directeur(s) de thèse : Meyer, Philippe

Président : Antoni, Delphine
Rapporteur(s) : Robert, Charlotte - Sarrut, David
Membre(s) du jury : Nunes, Jean-Claude

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Intelligence artificielle, Apprentissage profond, Génération d'image, Transfert de domaine, Tomodensitométrie, MVCT, Complétion d'image médicale, Cancer, Radiothérapie, Radiothérapie adaptative
Mots-clés :
  • Imagerie médicale
  • Intelligence artificielle en médecine
  • Apprentissage profond
  • Radiothérapie
Résumé : La radiothérapie est utilisée dans la moitié des cas de cancer en France. L’anatomie des patients peut évoluer au fil des jours et semaines de traitement, entraînant une délivrance de doses de radiation sous-optimales. La radiothérapie adaptative (ART) permet d’ajuster les plans de traitement grâce à l’imagerie quotidienne, mais les images MVCT issues de la tomothérapie présentent un faible contraste et un champ de vue limité, rendant très difficile l’adaptation du traitement. Les logiciels existants reconstruisent l'anatomie complète en fusionnant le MVCT avec le kVCT de planification, mais cela peut entraîner des incohérences anatomiques. Dans le but d'améliorer le processus d'ART, cette thèse propose un processus d’intelligence artificielle (IA) en trois étapes générant des images complètes, de haute qualité et fidèles à l’anatomie du jour : (1) transformation du MVCT en skVCT via un CycleGAN, (2) complétion de l’anatomie manquante avec un modèle de diffusion conditionnelle, et (3) calcul de doses. Des évaluations préliminaires sur cinq patients démontrent un gain en cohérence anatomique et des résultats supérieurs à la méthode clinique actuelle.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD023
Type de ressource : Thèse