L’essor récent de l’imagerie hybride combinant la Tomographie par Emission de Positons (TEP) à l’Imagerie par Résonance Magnétique (IRM) est une opportunité permettant d’exploiter des images d’un même territoire anatomo-pathologique obtenues simultanément et apportant des informations complémentaires. Cela représente aussi un véritable défi en raison de la différence de nature et de résolution spatiale des données acquises. Cette nouvelle technologie offre notamment des perspectives attrayantes en oncologie, et plus particulièrement en neuro-oncologie grâce au contraste qu’offre l’image IRM entre les tissus mous. Dans ce contexte et dans le cadre du projet PIM (Physique et Ingénierie pour la Médecine) de l’Université Paris-Saclay, l’objectif de cette thèse a été de développer un processus de segmentation multimodale adapté aux images TEP et IRM, comprenant une méthode de détection des volumes tumoraux en TEP et IRM, et une technique de segmentation précise du volume tumoral IRM. Ce processus doit être suffisamment générique pour s’appliquer à diverses pathologies cérébrales, différentes par leur nature même et par l’application clinique considérée. La première partie de la thèse aborde la détection de tumeurs par une approche hiérarchique. Plus précisément, la méthode de détection, réalisée sur les images IRM ou TEP, repose sur la création d’un nouveau critère de contexte spatial permettant de sélectionner les lésions potentielles par filtrage d’une représentation de l’image par max-tree. La deuxième partie de la thèse concerne la segmentation du volume tumoral sur les images IRM par une méthode variationnelle par ensembles de niveaux. La méthode de segmentation développée repose sur la minimisation d’une énergie globalement convexe associée à une partition d’une image RM en régions homogènes guidée par des informations de la TEP. Enfin, une dernière partie étend les méthodes proposées précédemment à l’imagerie multimodale IRM, notamment dans le cadre de suivi longitudinal. Les méthodes développées ont été testées sur plusieurs bases de données, chacune correspondant à une pathologie cérébrale et un radiotraceur TEP distincts. Les données TEP-IRM disponibles comprennent, d’une part, des examens de méningiomes et de gliomes acquis sur des machines séparées, et d’autre part, des examens réalisés sur le scanner hybride du Service Hospitalier Frédéric Joliot d’Orsay dans le cadre de recherches de tumeurs cérébrales. La méthode de détection développée a aussi été adaptée à l’imagerie multimodale IRM pour la recherche de lésions de sclérose en plaques ou le suivi longitudinal. Les résultats obtenus montrent que la méthode développée, reposant sur un socle générique, mais étant aussi modulable à travers le choix de paramètres, peut s’adapter à diverses applications cliniques. Par exemple, la qualité de la segmentation des images issues de la machine combinée a été mesurée par le coefficient de Dice, la distance de Hausdorff (DH) et la distance moyenne (DM), en prenant comme référence une segmentation manuelle de la tumeur validée par un expert médical. Les résultats expérimentaux sur ces données montrent que la méthode détecte les lésions visibles à la fois sur les images TEP et IRM, et que la segmentation contoure correctement la lésion (Dice, DH et DM valant respectivement 0, 85 ± 0, 09, 7, 28 ± 5, 42 mm et 0, 72 ± 0, 36mm). / The recent development of hybrid imaging combining Positron Emission Tomography (PET) and Magnetic Resonance Imaging (MRI) is an opportunity to exploit images of a same structure obtained simultaneously and providing complementary information. This also represents a real challenge due to the difference of nature and voxel size of the images. This new technology offers attractive prospects in oncology, and more precisely in neuro-oncology thanks to the contrast between the soft tissues provided by the MRI images. In this context, and as part of the PIM (Physics in Medicine) project of Paris-Saclay University, the goal of this thesis was to develop a multimodal segmentation pipeline adapted to PET and MRI images, including a tumor detection method in PET and MRI, and a segmentation method of the tumor in MRI. This process must be generic to be applied to multiple brain pathologies, of different nature, and for different clinical application. The first part of the thesis focuses on tumor detection using a hierarchical approach. More precisely, the detection method uses a new spatial context criterion applied on a max-tree representation of the MRI and PET images to select potential lesions. The second part presents a MRI tumor segmentation method using a variational approach. This method minimizes a globally convex energy function guided by PET information. Finally, the third part proposes an extension of the detection and segmentation methods developed previously to MRI multimodal segmentation, and also to longitudinal follow-up. The detection and segmentation methods were tested on images from several data bases, each of them standing for a specific brain pathology and PET radiotracer. The dataset used for PET-MRI detection and segmentation is composed of PET and MRI images of gliomas and meningiomas acquired from different systems, and images of brain lesions acquired on the hybrid PET-MRI system of Frédéric Joliot Hospital at Orsay. The detection method was also adapted to multimodal MRI imaging to detect multiple sclerosis lesions and follow-up studies. The results show that the proposed method, characterized by a generic approach using flexible parameters, can be adapted to multiple clinical applications. For example, the quality of the segmentation of images from the hybrid PET-MR system was assessed using the Dice coefficient, the Hausdorff distance (HD) and the average distance (AD) to a manual segmentation of the tumor validated by a medical expert. Experimental results on these datasets show that lesions visible on both PET and MR images are detected, and that the segmentation delineates precisely the tumor contours (Dice, HD and MD values of 0.85 ± 0.09, 7.28 ± 5.42 mm and 0.72 ± 0.36mm respectively).
| Identifer | oai:union.ndltd.org:theses.fr/2018ENST0004 |
| Date | 30 January 2018 |
| Creators | Urien, Hélène |
| Contributors | Paris, ENST, Bloch, Isabelle |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.002 seconds