Thèse ou mémoire avec insertion d'articles / L'objectif principal de cette thèse est d'explorer les applications de l'imagerie par résonance magnétique multiparamétrique (IRMmp) en radio-oncologie. Les images IRM sont utilisées à différentes étapes de la radiothérapie, notamment la planification, le guidage et le suivi. L'étape de planification utilise généralement le contraste des tissus mous de l'IRM ou des images physiologiques pour délimiter les cibles. L'étape de guidage utilise le contraste des tissus mous de l'IRM pour guider les traitements de radiothérapie. L'IRM quantitative (qMRI) et l'IRMmp sont utilisées pour évaluer une réponse au traitement. Cette thèse vise à utiliser les cartes qMRI pour quantifier la réponse des tissus de la tête et du cou à l'oxygénation, réduire les artefacts et les distorsions de l'IRM, et enfin fusionner l'IRM et la tomodensitométrie (TDM). Un des objectif est d'optimiser les cartes qMRI incluant T₁ et R₂* pour quantifier la préservation de l'oxygène après avoir administré de l'oxygène pur (pO₂) aux volontaires sains. Cette étude était la première in vivo quantifiant la préservation de l'oxygène dans les tissus de la tête et du cou après l'administration de pO₂. Deux expériences distinctes ont été réalisées : (1) délivrer une oxygénation normobare (NBO) et comparer les cartes qMRI en série T₁ et R₂* acquises pendant et après la NBO avec la ligne de base (avant de délivrer la NBO), et (2 ) délivrant une oxygénation hyperbare (HBO) et comparant les cartes qMRI en série T₁ et R₂* acquises après HBO avec la ligne de base (avant de délivrer HBO). Nous avons réalisé que le niveau d'oxygène de la glande parotide et du muscle masséter augmentait de manière significative (*p* < 0,05) après l'administration du NBO pendant 15 minutes et revenait à la valeur de base environ sept minutes après le NBO. Dans l'expérience HBO, une tendance similaire a été observée. Nous n'avons pas trouvé de différence entre les images qMRI de base et post-HBO. Ensuite, le travail s'est concentrée sur les distorsions et les artefacts de l'IRM. Dans cette étude, nous avons proposé un modèle d'apprentissage profond pour prédire les distorsions géométriques spécifiques aux patients (PSgD) causées par les différences de susceptibilité entre deux tissus. Ensuite, le T₁w (ceT₁w) amélioré en contraste a été corrigé pour le PSgD. Nous avons formé notre modèle d'apprentissage profond (DL) à l'aide d'un ensemble de données de 380 sujets. Nous avons comparé les distributions de doses de radiochirurgie stéréotaxique Gamma Knife (GK-SRS) pour les patients atteints de schwannome vestibulaire, calculées à l'aide d'images corrigées et corrompues par le PSgD. Nous avons constaté qu'en moyenne D$_μ$, D$_\textup{95\%}$ et D$_\textup{min}$ en Gy ont augmenté de manière significative après correction PSgD de 16,85 à 17,25, 12,30 à 12,77 et de 8,98 à 9,92. La couverture moyenne des objectifs et l'indice de conformité de Paddick ont considérablement augmenté, passant de 0,97 à 0,98 et de 0,94 à 0,96. L'indice de gradient de Paddick moyen a diminué de manière significative, passant de 2,24 à 2,15 après correction du PSgD. Les troisième et quatrième études visaient à réduire les artefacts de mouvement de l'IRM à l'aide de nouveaux modèles génératifs. Les deux études ont été formées et testées auprès de 230 patients postopératoires. De plus, un ensemble de données de 148 patients présentant des artefacts de mouvement réels a été utilisé pour valider notre modèle afin de supprimer les artefacts de mouvement réels. Cette troisième étude a exploité la T₂ fluid-attenuated inversion recovery pour former un modèle génératif non supervisé permettant de supprimer les artefacts de mouvement ceT₁w. Nous avons comparé notre modèle avec deux modèles génératifs bien connus. Nous avons également réalisé une étude d'ablation pour évaluer différentes variantes de notre modèle proposé. Notre modèle a mieux performé quantitativement et qualitativement par rapport aux autres modèles. Dans la quatrième étude, nous avons utilisé un modèle probabiliste de diffusion conditionnelle stable pour supprimer les artefacts de mouvement ceT₁w. Cette étude a proposé une nouvelle méthode pour simuler le modèle de diffusion directe dans l'espace *k*, permettant la génération d'ensembles de données in silico avec différents niveaux d'artefacts de mouvement. Notre méthode a surpassé quantitativement et qualitativement deux modèles génératifs et un modèle supervisé. Le dernier volet a proposé une méthode non supervisée pour fusionner la tomodensitométrie et l'IRM, car elles fournissent des informations complémentaires pour la planification de la radiothérapie. Les images TDM sont géométriquement corrigées et fournissent des informations sur la densité électronique pour un calcul précis de la dose et l'IRM fournit des images avec un excellent contraste des tissus mous. Cette étude a proposé un modèle génératif de fusion médicale non supervisé pour fusionner la tomodensitométrie et le ceT₁w haute résolution afin de générer une image avec la structure osseuse de la tomodensitométrie et le contraste des tissus mous de l'IRM. Ainsi, la délimitation des tumeurs et des organes à risque sera améliorée et le temps de planification de la radiothérapie sera réduit. Les résultats de notre méthode ont été comparés quantitativement et qualitativement à sept méthodes traditionnelles et à huit méthodes de pointe DL, où notre méthode les a toutes surpassées. / The main goal of this thesis is to explore multi-parametric magnetic resonance imaging (mpMRI) applications in radiation oncology. MRI images are used in different stages of the treatments including planning, guiding, and following up. The planning step usually utilizes MRI soft-tissue contrast or physiological images to delineate targets. The guiding step uses MRI soft-tissue contrast to guide radiation treatments. Quantitative MRI (qMRI) and mpMRI are used to evaluate a response to the treatment. This thesis aimed to use qMRI maps to quantify head and neck tissues' response to oxygenation, reduce MRI artifacts and distortions, and finally fuse MRI and computed tomography (CT). This thesis was started to optimize qMRI maps including T₁ and R₂* to quantify oxygen preservation after delivering pure oxygen (pO₂) to the healthy volunteers. This study was the first in vivo quantifying head and neck tissue oxygen preservation after delivering pO₂ . Two separate experiments were carried out : (1) delivering normobaric oxygenation (NBO) and comparing serial qMRI T₁ and R₂* maps acquired during and after NBO with the baseline (before delivering NBO), and (2) delivering hyperbaric oxygenation (HBO) and comparing the serial qMRI T₁ and R₂* maps acquired after HBO with the baseline (before delivering HBO). We realized that the parotid gland and masseter muscle oxygen level increased significantly (*p* < 0.05) after delivering NBO for 15 minutes and returned to the baseline around seven minutes after the NBO. In the HBO experiment, a similar trend was observed. We did not find a difference between baseline and post-HBO qMRI images. Then, our thesis concentrated on the MRI distortions and artifacts. In the second study, we proposed a deep learning model to predict MRI patient-specific geometry distortions (PSgD) caused by susceptibility differences between two tissues. Then, the contrast-enhanced T₁W (ceT₁W) was corrected for the PSgD. We trained our deep learning (DL) model using a dataset of 380 subjects. We compared the Gamma Knife stereotactic radiosurgery (GK-SRS) dose distributions for the patients with vestibular schwannoma calculated using PSgD-corrected and PSgD-corrupted images. We found that on average D$_μ$, D$_\textup{95\%}$ et D$_\textup{min}$ in Gy significantly increased after PSgD correction from 16.85 to 17.25, 12.30 to 12.77, and from 8.98 to 9.92. Average target coverage and Paddick's conformity index significantly increased from 0.97 to 0.98, and 0.94 to 0.96. Average Paddick's gradient index decreased significantly from 2.24 to 2.15 after PSgD correction. The third and fourth studies aimed to reduce MRI motion artifacts using novel generative models. Both studies were trained and tested using post-surgery 230 patients. In addition, a dataset of 148 patients with real motion artifacts was used to validate our model to remove real motion artifacts. The third study leveraged T₂-fluid-attenuated inversion recovery to train an unsupervised generative model for removing ceT₁W motion artifacts. We compared our model with two well-known generative models. Also, we performed an ablation study to evaluate different variations of our proposed model. Our model outperformed quantitatively and qualitatively other models. In the fourth study, we used a stable conditional diffusion probabilistic model to remove ceT₁W motion artifacts. This study proposed a novel method for simulating the forward diffusion model in *k*-space, enabling the generation of in-silico datasets with varying levels of motion artifacts. Our method quantitatively and qualitatively outperformed two generative models and one supervised model. The fifth study proposed an unsupervised method to fuse CT and MRI because they provide complementary information for radiation therapy planning. CT images are geometrically corrected and provide electron density information for accurate dose calculation and MRI provides images with excellent soft-tissue contrast. This study proposed an end-to-end unsupervised medical fusion generative model to fuse CT and high-resolution ceT₁W to generate an image with CT bone structure and MRI soft-tissue contrast. Thus, tumor and organs at risk delineation will be improved and the radiotherapy planning time will be reduced. The results of our method were quantitatively and qualitatively compared with seven traditional and eight DL state-of-the-art methods where our method outperformed the traditional and DL approaches.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/136644 |
| Date | 11 March 2024 |
| Creators | Safari, Mojtaba, Safari, Mojtaba |
| Contributors | Archambault, Louis, Fatemi, Ali, Archambault, Louis |
| Source Sets | Université Laval |
| Language | English |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xxvi, 151 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0026 seconds