TSI
Évènements
Soutenance de thèse de Antonio Moreno
Mercredi 19 Septembre à 14H00, Amphi Grenat
ENST -- 46, rue Barrault -- 75013 Paris

Recalage non-linéaire d'images TEP et CT du thorax
pour la caractérisation des tumeurs : application à la radiothérapie

Auteur
Antonio Moreno
Date
Mercredi 19 Septembre 2007 à 14H00
Lieu
ENST, Barrault, Amphi Grenat
Directeur de thèse
Membres du jury
Rapporteurs
  • Grégoire Malandain, Directeur de Recherches (INRIA, Sophia-Antipolis),
  • Marinette Revenu, Professeur (GREYC-ENSICAEN, Caen)
Examinateurs
  • Christian Barillot, Directeur de Recherches (IRISA/INRIA, Rennes),
  • David Sarrut, Maître de Conférences (CREATIS, Lyon)
Invités
  • Sylvie Jardin (Segami, Paris)

La thèse a été réalisée en convention CIFRE en collaboration avec l'entreprise Segami.

RésuméAbstract

Le sujet principal de cette thèse est le recalage d'informations issues d'images TEP (Tomographie par Emission de Positons) et CT (Computed Tomography, tomodensitométrie) pour localiser, avec une bonne qualité et de façon robuste, les tumeurs situées dans les régions thoraciques. Pour cela des informations a priori sur l'anatomie et l'agencement des organes dans le corps sont intégrées à différents niveaux : comme entrées des algorithmes (intégration a priori), pour guider les traitements (intégration directement dans la méthode) ou pour vérifier les résultats et les corriger automatiquement si c'est nécessaire (intégration pour détecter les erreurs et les réparer).

Une première étape consiste à segmenter les organes visibles dans les deux modalités en exploitant pour cela leur agencement spatial structurel et les connaissances a priori sur l'anatomie. Nous proposons une approche robuste qui utilise les connaissances anatomiques pour guider la segmentation et la corriger quand c'est nécessaire grâce à des tests de cohérence. En particulier, nous avons développé une méthode originale pour segmenter le coeur sur les images CT non-contrastées. Cette méthode est décrite en détail dans ces travaux. L'approche utilise la relation spatiale "entre les poumons" pour trouver une région d'intérêt et ensuite cette relation est utilisée pour guider un modèle déformable qui combine les connaissances anatomiques, les informations des contours dans l'image (GVF) et une force de pression dérivée des connaissances a priori. Pour la détection des pathologies, nous utilisons une méthode semi-automatique (car une certaine interaction, définie avec les experts médicaux, est souhaitée).

Le noyau principal de cette thèse est la méthode de recalage avec contraintes que nous avons développée. Cette approche s'appuie sur des marqueurs, définis automatiquement sur les surfaces des poumons, et sur des contraintes de rigidité sur les pathologies. Les marqueurs sont détectés via le calcul de la courbure. Les contraintes de rigidité sur les tumeurs garantissent que l'on ne perd pas les informations sur leur forme et leurs niveaux de gris fournies par l'image TEP. La transformation entre l'image TEP et l'image CT est calculée par interpolation à partir des marqueurs et des structures rigides, et elle est pondérée par une fonction de la distance à ces structures ce qui garantit la continuité de la déformation.

Une autre des originalités de cette thèse est l'introduction d'un modèle de respiration dynamique dans la méthode de recalage. Cet apport semble extrêmement intéressant car il permettra de trouver la trajectoire que suit la tumeur pendant le cycle respiratoire et, de cette façon, le recalage pourra être fait avec une meilleure précision. Le modèle de respiration est utilisé pour trouver des marqueurs correspondants sur les deux images (CT et TEP) ce qui fournit des résultats physiologiquement plus plausibles qu'avec des correspondances uniquement fondées sur la géométrie. Cette composante originale permettra de prédire la position de la tumeur au moment de la radiothérapie, celle-ci n'étant pas faite dans les mêmes conditions que les examens d'imagerie.

Le but ultime de cette recherche est de bien définir la position et le mouvement des tumeurs (tout en préservant les informations qualitatives fournies par les images TEP) pour ainsi contrôler très précisément (dans le temps et dans l'espace) les doses de radiation qui doivent être appliquées en radiothérapie pour le traitement de ces pathologies.

The main topic of this PhD thesis is to combine the information coming from PET (Positron Emission Tomography) and CT (Computed Tomography) images to locate, with a good quality and in a robust way, the tumors placed in the thoracic regions. For this, a priori information about the anatomy and the spatial organization of the organs inside the body is integrated at different levels: as inputs of the algorithms (integration a priori), for guiding the processing (integration directly in the method) or for checking the results and correct them automatically if necessary (integration in order to detect potential errors and repair).

The first step consists in segmenting organs which are visible in both modalities by exploiting their structural relative positions and the a priori anatomical knowledge. We propose a robust approach which uses anatomical knowledge in order to guide the segmentation and correct it, when it is necessary, by using some consistency tests. In particular, we have developped an original method for segmenting the heart on non-contrast CT images. This method is described in detail in this work. The approach uses the spatial relation "between the lungs" in order to find a region of interest and then this relation is used in order to guide a deformable model which combines anatomical knowledge, the information of the contours in the image (GVF) and a pressure force derived from a priori knowledge. We propose a semi-automatic method for the detection of the pathologies (because some interaction, defined with the medical experts, is requested).

The main contribution of this thesis is the registration method with constraints that we have developed. This approach relies on landmarks, defined automatically on the surfaces of the lungs, and on rigidity constraints on the pathologies. The landmarks are detected via the computation of the curvature. The rigidity constraints on the tumors guarantee that no information provided by the PET image about their shape and their grey levels is lost. The transformation between the PET image and the CT image is computed by interpolation based on the landmarks and on the rigid structures, and it is weighted by a distance function to these structures in order to guarantee the continuity of the deformation.

Another originality of this PhD thesis is the introduction of a dynamic model of breathing in the registration method. This contribution seems extremely interesting because it makes it possible to find the trajectory that the tumor follows during the respiratory cycle and, in this way, registration could be performed with a better precision. The breathing model is used in order to find the corresponding landmarks on both images (CT and PET). This approach yields results that are physiologically more plausible than those obtained using correspondences based purely on geometry. Moreover, this original component makes it possible to predict the position of the tumor at the time of the radiotherapy, which is not done under the same conditions as the imagery exams.

The ultimate aim of this research is to define correctly the position and the movement of the tumors (preserving the qualitative information provided by PET images) in order to control very precisely (in time and in space) the doses of radiation which have to be applied in radiotherapy for the treatment of these pathologies.


Page maintenue par le webmaster - 3 février 2010
© Télécom ParisTech/TSI 1998-2010