Soutenance de thèse de Armando GARCIA HERNANDEZ

Ecole Doctorale
Physique et Sciences de la Matière
Spécialité
PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : OPTIQUE, PHOTONIQUE ET TRAITEMENT D'IMAGE
établissement
Aix-Marseille Université
Mots Clés
Tomodensitométrie synthétique (sCT),IRM,Planification du traitement basée sur l'IRM,Radiothérapie,Traitement du signal et des images,
Keywords
synthetic CT,MRI,MRI-based Treatment Planning,Radiotherapy,Signal and Image Processing,
Titre de thèse
Génération de tomodensitométrie synthétique pour la radiothérapie par résonance magnétique uniquement
Synthetic Computed Tomography Generation for Magnetic Resonance-only Radiotherapy
Date
Mardi 13 Septembre 2022 à 14:00
Adresse
Faculté des Sciences Site St Jérôme Aix Marseille Université 52 Avenue Escadrille Normandie Niemen 13013 Marseille
Amphi Ponte
Jury
Directeur de these M. Mouloud ADEL Aix Marseille Université
Rapporteur M. Amine NAIT-ALI Université Paris-Est Créteil (UPEC)
Rapporteur M. Paul Michael WALKER Université de Bourgogne Franche-Comté
Président Mme Valérie LOUIS DORR Université de Lorraine
Examinateur M. Salah BOURENNANE Ecole Centrale Marseille
CoDirecteur de these M. Pierre FAU Institut Paoli-Calmettes

Résumé de la thèse

La radiothérapie (RT) est l'une des plus importantes techniques de traitement du cancer disponibles. Elle repose sur l'administration de fortes doses de rayonnements ionisants à des volumes composés de cellules cancéreuses afin d'endommager leur ADN. Les développements de la RT et des techniques d'imagerie médicale, telles que l'imagerie par résonance magnétique (IRM), ont abouti à la conception de systèmes qui intègrent des scanners IRM et des accélérateurs linéaires de RT (Linacs) dans des MR-Linacs. Ces systèmes ont amélioré les performances des traitements avec méthodes telles que la radiothérapie guidée par l'IRM (MRgRT) et la radiothérapie adaptative (ART). La tomodensitométrie (CT) est importante dans la RT, car elle fournit les informations sur la densité électronique nécessaires au calcul de la dose. Bien que l'IRM offre un meilleur contraste des tissus mous, la CT reste nécessaire. L'utilisation des deux modalités, CT et IRM, exige une fusion des images qui peut introduire des erreurs systématiques potentielles dans le calcul de la dose, car les deux images sont acquises sur des machines différentes à des moments différents. Une solution consiste à générer des images CT synthétiques (sCT) à partir d'images MR. Les images sCT générées fournissent les données de densité électronique nécessaires à l'estimation de la dose. En remplaçant les images CT par les images sCT, l'ensemble du processus d'acquisition CT pourrait être évité, ce qui entraînerait une réduction potentielle des coûts, des ressources et des radiations pour le patient. Cette thèse traite de la génération d'images sCT pour la planification du traitement par RT uniquement par RM. La qualité de l'image est d'une grande importance pour la planification du traitement par RT. Les systèmes MR-Linac tels que le MRIdian de ViewRay utilisent un faible champ magnétique de 0,35 Teslas (T). Cependant, comme le rapport signal/bruit (SNR) est proportionnel à l'intensité du champ magnétique, ce système produit des images au SNR plus faible que celui d'autres systèmes d'IRM cliniques. Par conséquent, nous avons proposé une étape de débruitage des images RM à faible champ magnétique en utilisant un Denoising AutoEncoder. La méthode que nous avons proposée a donné de meilleurs résultats que les autres techniques de pointe pour le débruitage des images IRM. Les architectures de réseaux neuronaux telles que : U-Net et GAN ont été étudiées pour la génération d'images CTM principalement cérébrales et pelviennes, les études se concentrant rarement sur l'abdomen. Nous proposons la génération d'images sCT abdominales à partir d'images IRM 0,35 T en utilisant les architectures U-Net et GAN. Des images de densité volumique, appelées images sCT simplifiées, ont également été. Ces images étaient composées de seulement 6 densités dans le but de simplifier la tâche. Les images sCT générées ont été évaluées en termes de métriques de qualité d'image en calculant l'erreur moyenne (ME) et l'erreur absolue moyenne (MAE) entre elles et les images CT de référence. La précision de la dose a également été comparée entre les plans de dosimétrie obtenus à partir des images sCT et les plans de dose de référence basés sur le CT. Les scores de l'histogramme dose-volume (DVH) et du taux de passage gamma (GPR) ont été comparés pour déterminer la précision de la dose. Nous avons montré que les images sCT générées à partir d'images RM à faible champ sont capables de produire des plans dosimétriques avec une précision de 95 % et des différences de dose de <1,65 %. Ces images ont été générées en moyenne en moins de 2,5 secondes, ce qui les rend aptes à être utilisées dans le cadre de l'ART où la réoptimisation de la dose a lieu alors que le patient reste sur la table. D'autres tests sont nécessaires pour améliorer les performances de la génération d'images sCT et faciliter leur intégration dans le flux de travail de la RT.

Thesis resume

Radiotherapy (RT) is one of the most important cancer treatment techniques available. It is based on the delivery of high doses of ionizing radiation beams to targeted volumes in the body composed of cancer cells to damage their DNA. Recent developments in RT and medical imaging techniques, such as Magnetic Resonance Imaging (MRI), have resulted in the conception of hybrid systems that integrate MRI scanners with RT Linear accelerators (Linacs) into MR-Linacs. These systems have improved the performance of treatments allowing for novel methods such as Magnetic resonance image guided radiotherapy (MRgRT) and Adaptive radiotherapy (ART). Computed Tomography (CT) is the gold standard in the field of RT as it provides the necessary electron density information required for dose calculation. Although MRI offers a better soft tissue contrast which helps in the identification and localization of tumors and organs at risk (OAR), CT is still needed. The use of both modalities, CT and MRI, demands an image registration stage which can introduce potential systematic errors in the dose calculation, as both images are acquired on different machines at different times. A solution is the generation of synthetic CT (sCT) images from MR images. The generated sCT images provide the missing electron density data necessary for dose estimation that is lacking from the MRI. By replacing the CT images with the sCT counterparts, the whole CT acquisition process could be avoided, leading to a potential reduction in cost, resources and radiation for the patient. This thesis deals with the generation of sCT images for MR-only RT treatment planning. Image quality is of great importance for RT treatment planning. MR-Linac systems such as the MRIdian from ViewRay use a low magnetic field of 0.35 Teslas (T) for its integrated MRI scanner to reduce the effect of the magnetic field on the delivered dose. However, as signal-to-noise ratio (SNR) is proportional to magnetic field strength, this system results in lower SNR images compared to other clinical MRI systems with strenghts of 1.5 T up to 3 T. Therefore, we proposed a denoising pre-processing step of low-field MR images using a Denoising AutoEncoder. Our proposed method outperformed other state-of-the-art techniques for MRI denoising. Neural network architectures such as: U-Net and GAN have been studied for the generation of mainly brain and pelvic sCT images with seldom studies focusing on the abdomen, where strong physiological motion occurs. Additionally, most of these studies have been performed with 1.5 T MR images. We propose the generation of abdominal sCT images from 0.35 T MR images using both U-Net and GAN architectures. Bulk density images denoted as Simplified-sCT images have also been generated with both neural network architectures. These images were composed of only 6 densities with the objective of simplifying the image generation task to only 6 gray-levels as opposed to generating a whole range gray-scale image. Generated sCT images were evaluated in terms of image quality metrics by calculating the Mean error (ME) and Mean absolute error (MAE) between them and the reference CT images. Dose accuracy was also compared between dosimetry plans obtained from the sCT images and the reference CT-based dose plans. Dose distributions were calculated on the generated images and compared with the reference CT-based dose plans. Dose volume histogram (DVH) and gamma passing rate (GPR) scores were compared to determine dose accuracy. We have shown that sCT images generated from low-field MR images are capable of producing dosimetry plans with a 95% accuracy and dose differences of <1.65%. These images were generated on average in less than 2.5 seconds, making them suitable for use in ART where dose re-optimization occurs while the patient remains on the table. Further tests are necessary to improve the performance of sCT image generation and ease their integration into the RT workflow.