|
| Titre : |
Contribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie |
| Type de document : |
document électronique |
| Auteurs : |
Dorea Maria Khalal, Auteur ; Hacene Azizi, Directeur de thèse |
| Editeur : |
Sétif:UFA1 |
| Année de publication : |
2025 |
| Importance : |
1 vol (113 f.) |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Catégories : |
Thèses & Mémoires:Physique
|
| Mots-clés : |
Segmentation automatique
Apprentissage profond
Radioth´erapie
U-Net
Evaluation clinique. |
| Index. décimale : |
530 - Physique |
| Résumé : |
La radioth´erapie repr´esente l’un des principaux traitements contre le cancer. La
chaˆıne de traitement par radioth´erapie comporte diff´erentes ´etapes. Le contourage de
la tumeur et des organes avoisinants dans des images de tomodensitom´etrie CT, constitue
une ´etape importante de cette chaˆıne. Cette op´eration est g´en´eralement r´ealis´ee par des
experts (radioth´erapeutes) de fa¸con manuelle. Elle n´ecessite ainsi beaucoup de temps et
elle souffre ´egalement de variations inter et intra-observateurs. Grˆace aux avanc´ees de
l’intelligence artificielle dans de multiples domaines, cette tˆache a pu ˆetre automatis´ee.
En effet, il existe actuellement des outils de l’intelligence artificielle qui permettent de
segmenter des images m´edicales provenant de diff´erentes modalit´es d’imagerie (CT, IRM,
PET scan).
Dans le cadre de cette th`ese, nous avons pr´esent´e une contribution au contourage
automatique des volumes cibles cliniques et des organes `a risque sur des images CT.
Dans une premi`ere partie, nous avons pr´esent´e les diff´erentes applications de l’intelligence
artificielle en radioth´erapie.
Par la suite, nous nous sommes int´eress´es `a la segmentation du volume cible CTV,
du coeur et des poumons dans des images CT d’une base de donn´ees publique. Nous
avons utilis´e trois mod`eles de segmentation bas´es sur le Deep Learning. En utilisant des
m´etriques d’´evaluation, nous avons compar´e et ´evalu´e les r´esultats obtenus avec les trois
mod`eles.
Par ailleurs, nous avons consid´er´e une autre base de donn´ees publique (images
CT abdominales). Nous avons effectu´e la segmentation des reins en utilisant le mod`ele
U-Net. L’´evaluation de cette segmentation a ´et´e effectu´ee en utilisant plusieurs m´etriques
d’´evaluation. D’autre part, nos r´esultats ont ´et´e compar´es `a ceux obtenus par d’autres
auteurs.
Enfin, nous avons utilis´e une base de donn´ees publique pour segmenter le foie et
le cerveau `a l’aide du mod`ele U-Net. La performance de la segmentation a ´et´e ´evalu´ee
`a l’aide de m´etriques g´eom´etriques. De plus, trois cliniciens ont ´evalu´e qualitativement
les segmentations pour en d´eterminer la pertinence clinique, et les corr´elations entre les
m´etriques g´eom´etriques et les ´evaluations cliniques ont ´et´e analys´ees. |
| Note de contenu : |
Sommaire
Introduction 1
1 Segmentation d’images et Intelligence Artificielle 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Imagerie tomodensitom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 L’image num´erique . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Le format de stockage DICOM . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Acquisition des images tomodensitom´etriques . . . . . . . . . . . . 5
1.3 Segmentation d’images m´edicales . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Approches de la segmentation . . . . . . . . . . . . . . . . . . . . . 10
1.4 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Diff´erents types de Machine Learning . . . . . . . . . . . . . . . . . 12
1.4.3 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.5 Diff´erentes architectures des r´eseaux de neurones . . . . . . . . . . 15
1.4.6 Exemples de mod`eles CNN . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Principales architectures de Deep Learning pour la segmentation d’images
m´edicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Applications de l’intelligence artificielle en radioth´erapie 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 La radioth´erapie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 D´efinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Diff´erents types de radioth´erapie . . . . . . . . . . . . . . . . . . . 30
2.2.4 Techniques d’irradiation en radioth´erapie externe . . . . . . . . . . 31
2.2.5 Chaˆıne de traitement en radioth´erapie externe . . . . . . . . . . . . 35
2.3 Applications de l’intelligence artificielle en radioth´erapie . . . . . . . . . . 39
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Diagnostic assist´e par ordinateur . . . . . . . . . . . . . . . . . . . 41
2.3.3 Evaluation clinique du patient . . . . . . . . . . . . . . . . . . . . . 42
2.3.4 Prescription de la dose . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.6 Contourage d’images m´edicales . . . . . . . . . . . . . . . . . . . . 45
2.3.7 Planification du traitement . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.8 Assurance qualit´e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.9 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Segmentation automatique d’images CT thoraciques `a l’aide de trois
mod`eles de Deep Learning 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Mat´eriels et M´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3 Mod`eles d’apprentissage profond utilis´es . . . . . . . . . . . . . . . 56
3.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.5 Exp´erimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.1 Segmentation des poumons . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Segmentation du coeur . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.3 Segmentation du CTV . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4 Segmentation automatique des reins sur des images CT 72
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Base de donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.3.1 Architecture U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.2 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 ´Evaluation qualitative de la segmentation automatique d’organes dans
des images CT pour un usage clinique 85
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2.1 Base de donn´ees et pr´eparation des donn´ees . . . . . . . . . . . . . 86
5.2.2 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.3 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.5 ´Evaluation clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 |
| Côte titre : |
Dph/0318 |
Contribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie [document électronique] / Dorea Maria Khalal, Auteur ; Hacene Azizi, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2025 . - 1 vol (113 f.) ; 29 cm. Langues : Français ( fre)
| Catégories : |
Thèses & Mémoires:Physique
|
| Mots-clés : |
Segmentation automatique
Apprentissage profond
Radioth´erapie
U-Net
Evaluation clinique. |
| Index. décimale : |
530 - Physique |
| Résumé : |
La radioth´erapie repr´esente l’un des principaux traitements contre le cancer. La
chaˆıne de traitement par radioth´erapie comporte diff´erentes ´etapes. Le contourage de
la tumeur et des organes avoisinants dans des images de tomodensitom´etrie CT, constitue
une ´etape importante de cette chaˆıne. Cette op´eration est g´en´eralement r´ealis´ee par des
experts (radioth´erapeutes) de fa¸con manuelle. Elle n´ecessite ainsi beaucoup de temps et
elle souffre ´egalement de variations inter et intra-observateurs. Grˆace aux avanc´ees de
l’intelligence artificielle dans de multiples domaines, cette tˆache a pu ˆetre automatis´ee.
En effet, il existe actuellement des outils de l’intelligence artificielle qui permettent de
segmenter des images m´edicales provenant de diff´erentes modalit´es d’imagerie (CT, IRM,
PET scan).
Dans le cadre de cette th`ese, nous avons pr´esent´e une contribution au contourage
automatique des volumes cibles cliniques et des organes `a risque sur des images CT.
Dans une premi`ere partie, nous avons pr´esent´e les diff´erentes applications de l’intelligence
artificielle en radioth´erapie.
Par la suite, nous nous sommes int´eress´es `a la segmentation du volume cible CTV,
du coeur et des poumons dans des images CT d’une base de donn´ees publique. Nous
avons utilis´e trois mod`eles de segmentation bas´es sur le Deep Learning. En utilisant des
m´etriques d’´evaluation, nous avons compar´e et ´evalu´e les r´esultats obtenus avec les trois
mod`eles.
Par ailleurs, nous avons consid´er´e une autre base de donn´ees publique (images
CT abdominales). Nous avons effectu´e la segmentation des reins en utilisant le mod`ele
U-Net. L’´evaluation de cette segmentation a ´et´e effectu´ee en utilisant plusieurs m´etriques
d’´evaluation. D’autre part, nos r´esultats ont ´et´e compar´es `a ceux obtenus par d’autres
auteurs.
Enfin, nous avons utilis´e une base de donn´ees publique pour segmenter le foie et
le cerveau `a l’aide du mod`ele U-Net. La performance de la segmentation a ´et´e ´evalu´ee
`a l’aide de m´etriques g´eom´etriques. De plus, trois cliniciens ont ´evalu´e qualitativement
les segmentations pour en d´eterminer la pertinence clinique, et les corr´elations entre les
m´etriques g´eom´etriques et les ´evaluations cliniques ont ´et´e analys´ees. |
| Note de contenu : |
Sommaire
Introduction 1
1 Segmentation d’images et Intelligence Artificielle 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Imagerie tomodensitom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 L’image num´erique . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Le format de stockage DICOM . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Acquisition des images tomodensitom´etriques . . . . . . . . . . . . 5
1.3 Segmentation d’images m´edicales . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Approches de la segmentation . . . . . . . . . . . . . . . . . . . . . 10
1.4 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Diff´erents types de Machine Learning . . . . . . . . . . . . . . . . . 12
1.4.3 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.5 Diff´erentes architectures des r´eseaux de neurones . . . . . . . . . . 15
1.4.6 Exemples de mod`eles CNN . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Principales architectures de Deep Learning pour la segmentation d’images
m´edicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Applications de l’intelligence artificielle en radioth´erapie 24
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 La radioth´erapie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 D´efinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Diff´erents types de radioth´erapie . . . . . . . . . . . . . . . . . . . 30
2.2.4 Techniques d’irradiation en radioth´erapie externe . . . . . . . . . . 31
2.2.5 Chaˆıne de traitement en radioth´erapie externe . . . . . . . . . . . . 35
2.3 Applications de l’intelligence artificielle en radioth´erapie . . . . . . . . . . 39
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Diagnostic assist´e par ordinateur . . . . . . . . . . . . . . . . . . . 41
2.3.3 Evaluation clinique du patient . . . . . . . . . . . . . . . . . . . . . 42
2.3.4 Prescription de la dose . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.6 Contourage d’images m´edicales . . . . . . . . . . . . . . . . . . . . 45
2.3.7 Planification du traitement . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.8 Assurance qualit´e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.9 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Segmentation automatique d’images CT thoraciques `a l’aide de trois
mod`eles de Deep Learning 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Mat´eriels et M´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Description des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3 Mod`eles d’apprentissage profond utilis´es . . . . . . . . . . . . . . . 56
3.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.5 Exp´erimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.1 Segmentation des poumons . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Segmentation du coeur . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.3 Segmentation du CTV . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4 Segmentation automatique des reins sur des images CT 72
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 Base de donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Pr´eparation des donn´ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.3.1 Architecture U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.2 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 ´Evaluation qualitative de la segmentation automatique d’organes dans
des images CT pour un usage clinique 85
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Mat´eriels et m´ethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2.1 Base de donn´ees et pr´eparation des donn´ees . . . . . . . . . . . . . 86
5.2.2 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.3 D´etails d’impl´ementation . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.4 M´etriques d’´evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.5 ´Evaluation clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.6 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 |
| Côte titre : |
Dph/0318 |
|
Ajouter le résultat dans votre panier Affiner la rechercheContribution `a l’am´elioration du Contourage de l’image M´edicale en Radioth´erapie / Dorea Maria Khalal
