En radiothérapie externe, l'imagerie par rayons X (CT-scan et CBCT) est l'imagerie de référence pour la planification et la délivrance du traitement. Le CT-scan permet l'accès aux densités électroniques des tissus, requises pour le calcul de dose. Le CBCT permet le positionnement du patient, le tracking et le gating de la tumeur. Cependant, l'imagerie par rayons X présente un faible contraste entre les tissus mous et est irradiante. Grâce à un meilleur contraste, l'IRM pourrait améliorer le positionnement du patient, la délinéation des volumes d'intérêt, et le ciblage de la dose. L'IRM présente ainsi un intérêt majeur pour la planification de radiothérapie. L'objectif de cette thèse a été premièrement d'optimiser un protocole d'acquisition d'images IRM de la sphère ORL, avec patient en position de traitement. Le second objectif a été de réaliser une dosimétrie à partir de l'IRM. Cependant, à contrario du CT-scan, l'IRM ne fournit pas la densité électronique des tissus. Pour palier cela, une méthode patch-based (PBM) et une méthode de deep learning (DLM) ont été utilisées pour générer des pseudo-CT, et calculer la dose. La DLM fut un réseau antagoniste génératif et la PBM fut développée en utilisant une recherche de patchs similaires avec des descripteurs d'images. Ces méthodes ont été évaluées et comparées à une méthode atlas (ABM) et une méthode d'assignation de densité (BDM) à partir de critères de jugement images et dosimétriques. La DLM et la PBM apparurent comme les méthodes les plus précises. La DLM fut la méthode la plus rapide et robuste aux variations anatomiques. / In external beam radiotherapy, X-ray imaging (CT-scan and CBCT) is the main imaging modality for treatment planning and dose delivery. CT-scan provides the electron density information required for dose calculation. CBCT allows fast imaging for patient positioning, tracking and gating of the tumor. However, X-ray imaging has a poor soft tissue contrast, and it is an ionizing imaging, in contrast of MRI. Thanks to this better soft tissue contrast, MRI could improve patient positioning, tumor and organs at risk delineation, and dose targeting. The introduction of MRI in the radiotherapy workflow is therefore a topical issue. This thesis firstly aims to optimize an MRI protocol with patient in head-and-neck radiotherapy treatment position. This protocol was endorsed by our clinical center. The second aim of this thesis was to conducted dose calculation from MRI. However, this imaging, unlike CT, lacks the electron density information required for dose calculation. To address this issue, an original non-local-mean patch-based method (PBM) and a deep learning method (DLM) were used to generate pseudo-CTs from MRIs, and compute the dose. The DLM was a generative adversarial network, and the PBM was performed by using an approximate nearest neighbor search with MR feature images. These both methods were evaluated and compared to an atlas-based method (ABM) and a bulk density method (BDM). This comparison was performed by using image and dosimetric endpoints. The DLM and PBM appeared the most accurate methods. The DLM was faster and more robust to anatomical variations than the PBM.
| Identifer | oai:union.ndltd.org:theses.fr/2018REN1S085 |
| Date | 17 December 2018 |
| Creators | Largent, Axel |
| Contributors | Rennes 1, Crevoisier, Renaud de, Saint-Jalmes, Hervé |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0022 seconds