La Tomographie à Emission de Positrons (TEP) permet d'obtenir une mesure dynamique et résolue en espace de la concentration d'un traceur radioactif injecté au patient. La quantification du débit sanguin cérébral par TEP repose sur l'utilisation d'un modèle cinétique le reliant à la variation spatio-temporelle de la concentration du traceur dans le cerveau. Différents modèles cinétiques sont proposés dans la littérature. Cependant, la majorité d'entre eux repose sur une modélisation compartimentale de l'organe observé. Dans ce cas, l'organe est subdivisé en un compartiment capillaire échangeant avec un compartiment tissulaire par une cinétique le plus souvent du premier ordre. Les résultats obtenus avec ce type de modèle sous-estiment le débit et ne permettent pas de prédire les premiers instants de la dynamique de répartition du traceur. Ces faiblesses ont été confirmées suite à l'amélioration de la résolution temporelle des tomographes, conduisant à l'élaboration de modèles incorporant plus de réalité physiologique. Cependant, tous ces modèles sont développés pour modéliser les échanges entre la micro-circulation et le tissu environnant à l'échelle d'un capillaire (échelle microscopique). Or la résolution spatiale des tomographes utilisés en clinique ne permet pas de distinguer la micro-circulation et le tissu. L'utilisation de ces modèles cinétiques avec des mesures de concentrations macroscopiques dépasse donc leur cadre théorique de validité et peut introduire des résultats faussés. Dans ce contexte, nous proposons un modèle cinétique basé sur le changement d'échelle (utilisant la méthode de prise de moyenne volumique). Ce changement d'échelle permet de remplacer l'ensemble micro-circulation/tissu par un volume fictif, homogène, dont les propriétés macroscopiques sont calculées à partir des propriétés microscopiques d'un Volume Elémentaire Représentatif (VER) du milieu. Dans un premier temps, afin de pouvoir comparer les résultats de ce modèle avec ceux du modèle compartimental standard, le VER considéré est constitué d'un capillaire unique et de son enveloppe de tissu, puis une complexité géométrique supplémentaire est introduite en considérant un réseau de capillaire isotrope à l'échelle de Darcy. Ces modèles sont utilisés pour identifier le débit à l'aide d'une méthode inverse. Pour cela, l'évolution temporelle du champ de concentration dans notre géométrie de référence, qui ne peut être mesurée par TEP en raison de sa faible résolution spatiale, est déterminée par des simulations numériques ainsi que par des mesures in vitro à l'aide d'un modèle expérimental, également développé au cours de ce travail, permettant de reproduire l'écoulement dans un canal traversant une matrice diffusante (gel d'alginate). / Positron Emission Tomography (PET) provides a dynamic and space-resolved measurement of the concentration field of a radioactive tracer previously injected to the patient. Quantification of cerebral blood flow by PET is based on the use of a kinetic model linking cerebral blood flow to the spatial and temporal variations of tracer concentration in the brain. Various kinetic models have been proposed in the literature. However, most of the mare based on a compartmental approach of the observed organ In this case, the organ is divided in two compartments, the capillary and the tissue, and the exchanges between these two compartments are often described by a first order kinetic model. Results obtained with this kind of model under estimate the flow rate and are notable to predict the first instants of the tracer dynamics distribution. With the continuous improvement of the temporal resolution of PET, these weaknesses have been confirmed, which led to the development of models incorporating more physiological reality. However, all these models have been developed to describe exchanges between micro-circulation and surrounding tissue at the scale of capillary vessels (microscopic scale). Because the spatial resolution of PET inclinical practice is insufficient to allow the distinction between micro-circulation and tissue, using of these models with kinetic measurement of macroscopic concentrations exceeds their theoretical validity and can introduce false results. In this context, we propose a kinetic model based on up-scaling (using the method of volume averaging). This up-scaling technique allows to replace the two previous compartments (tissue and micro-circulation) by an homogeneous fictive volume, whose macroscopic properties are calculated from the microscopic properties of are presentative elementary volume (REV) of the medium. First, in order to compare the results of this model with those of the standard compartmental model, the considered REV consists of a single capillary and its surrounding tissue. Second, additional geometric complexity is introduced by considering an isotropic capillary network at the Darcy scale. These models are used to identify the flow rate using an inverse method. For that purpose, the temporal evolution of concentration field in a geometry of reference, which can't be measured by PET due to its low spatial resolution, is determined by numerical simulations and by in vitro measurements. These measurements are performed using an experimental model developed during this work to reproduce the flow in a channel passing through a diffusive matrix (alginate gel).

La radiothérapie est une des méthodes principales utilisée dans le traitement thérapeutique des tumeurs malignes. Pour améliorer son efficacité, deux problèmes essentiels doivent être soigneusement traités : la prédication fiable des résultats thérapeutiques et la segmentation précise des volumes tumoraux. La tomographie d’émission de positrons au traceur Fluoro- 18-déoxy-glucose (FDG-TEP) peut fournir de manière non invasive des informations significatives sur les activités fonctionnelles des cellules tumorales. Les objectifs de cette thèse sont de proposer: 1) des systèmes fiables pour prédire les résultats du traitement contre le cancer en utilisant principalement des caractéristiques extraites des images FDG-TEP; 2) des algorithmes automatiques pour la segmentation de tumeurs de manière précise en TEP et TEP-TDM. La théorie des fonctions de croyance est choisie dans notre étude pour modéliser et raisonner des connaissances incertaines et imprécises pour des images TEP qui sont bruitées et floues. Dans le cadre des fonctions de croyance, nous proposons une méthode de sélection de caractéristiques de manière parcimonieuse et une méthode d’apprentissage de métriques permettant de rendre les classes bien séparées dans l’espace caractéristique afin d’améliorer la précision de classification du classificateur EK-NN. Basées sur ces deux études théoriques, un système robuste de prédiction est proposé, dans lequel le problème d’apprentissage pour des données de petite taille et déséquilibrées est traité de manière efficace. Pour segmenter automatiquement les tumeurs en TEP, une méthode 3-D non supervisée basée sur le regroupement évidentiel (evidential clustering) et l’information spatiale est proposée. Cette méthode de segmentation mono-modalité est ensuite étendue à la co-segmentation dans des images TEP-TDM, en considérant que ces deux modalités distinctes contiennent des informations complémentaires pour améliorer la précision. Toutes les méthodes proposées ont été testées sur des données cliniques, montrant leurs meilleures performances par rapport aux méthodes de l’état de l’art. / Radiation therapy is one of the most principal options used in the treatment of malignant tumors. To enhance its effectiveness, two critical issues should be carefully dealt with, i.e., reliably predicting therapy outcomes to adapt undergoing treatment planning for individual patients, and accurately segmenting tumor volumes to maximize radiation delivery in tumor tissues while minimize side effects in adjacent organs at risk. Positron emission tomography with radioactive tracer fluorine-18 fluorodeoxyglucose (FDG-PET) can noninvasively provide significant information of the functional activities of tumor cells. In this thesis, the goal of our study consists of two parts: 1) to propose reliable therapy outcome prediction system using primarily features extracted from FDG-PET images; 2) to propose automatic and accurate algorithms for tumor segmentation in PET and PET-CT images. The theory of belief functions is adopted in our study to model and reason with uncertain and imprecise knowledge quantified from noisy and blurring PET images. In the framework of belief functions, a sparse feature selection method and a low-rank metric learning method are proposed to improve the classification accuracy of the evidential K-nearest neighbor classifier learnt by high-dimensional data that contain unreliable features. Based on the above two theoretical studies, a robust prediction system is then proposed, in which the small-sized and imbalanced nature of clinical data is effectively tackled. To automatically delineate tumors in PET images, an unsupervised 3-D segmentation based on evidential clustering using the theory of belief functions and spatial information is proposed. This mono-modality segmentation method is then extended to co-segment tumor in PET-CT images, considering that these two distinct modalities contain complementary information to further improve the accuracy. All proposed methods have been performed on clinical data, giving better results comparing to the state of the art ones.

La modélisation pharmacocinétique en tomographie par émission par positrons (TEP) permet d’estimer les paramètres physiologiques liés à l’accumulation dynamique d’un radiotraceur. Les paramètres estimés sont biaisés par le bruit dans les images TEP dynamiques durant l’ajustement des courbes d’activité des tissus, plus communément appelées TAC de l’anglais Time Activity Curve. La qualité des images TEP dynamiques est limitée par la statistique de comptage et influencée par les paramètres de reconstruction choisis en termes de résolution spatiale et temporelle. Il n’existe pas de recommandations claires pour les paramètres de reconstruction à utiliser pour les images dynamiques TEP. L’objectif de ce projet de maitrise est d’évaluer le biais dans l’estimation des paramètres pharmacocinétiques afin de trouver les paramètres de reconstruction TEP les plus optimaux en termes de résolution spatiale et de niveau de bruit. Plus précisément, ce projet cherche à déterminer quel modèle d’AIF offre les meilleurs ajustements, mais aussi quel modèle de poids permet la meilleure estimation des paramètres pharmacocinétiques pour le modèle à deux compartiments. Ce faisant, il serait possible de mieux planifier la reconstruction d’images TEP dynamique et potentiellement améliorer leur résolution spatiale. Afin de tester les biais dans les paramètres pharmacocinétiques sous différents niveaux de bruit, un objet de référence numérique (DRO) avec les informations trouvées dans la littérature sera construit. Ensuite, des simulations numériques seront effectuées avec ce DRO afin de trouver les paramètres de reconstruction et le niveau de bruit le plus optimal. Un biais réduit des paramètres pharmacocinétiques et une meilleure résolution spatiale des images TEP dynamique permettrait de détecter des cancers ou tumeurs à des stades moins avancés de la maladie, permettant potentiellement un traitement plus efficace et avec moins de séquelles et d’effets secondaires pour les patients. En outre, cela permettrait aussi de visualiser l’hétérogénéité des tumeurs. / Pharmacokinetic models in positron emission tomography (PET) allow for the estimation of physiological parameters linked to the dynamic accumulation of a radiotracer. Estimated parameters are biased by noise in dynamic PET images during the fitting of Time Activity Curves (TAC). Image quality in dynamic PET is limited by counting statistics and influenced by the chosen reconstruction parameters in terms of spatial and temporal resolution. Clear recommendations and guidelines for the reconstruction parameters that should be used do not exist at the moment for dynamic PET. The goal of this masters project is to evaluate the bias in the pharmacokinetic parameters estimation to find the optimal PET reconstruction parameters in terms of spatial resolution and noise levels. More precisely, this project aims to determine which AIF model produces the best fits, but also which weight noise model allows for the best parameters estimation with the two compartment model. It would then be possible to plan the PET image reconstruction more finely and potentially improve spatial resolution. To test the pharmacokinetic parameters’ biases under different noise levels, a Digital Reference Object (DRO) with information and specifications found from the litterature will be built. Then, numerical simulations will be done with that DRO to find the optimal noise level and value for the pharmacokinetic parameter. A reduced bias in these parameters and an improved spatial resolution would allow the detection of tumors or lesions at earlier stages, which could potentially allow for a more potent treatment with less short and long term side effects. It would also allow the visualization and quantification of lesion heterogeneity.