Soutenance de thèse Constance FOURCADE (équipe SIMS)

Constance FOURCADE, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée :

« Suivi du cancer du sein métastasé via le recalage et la segmentation d’images TEP en utilisant des méthodes conventionnelles et des réseaux convolutifs entrainés et non-entrainés »

« Longitudinal monitoring of metastatic breast cancer through PET image registration and segmentation based on conventional as well as trained and untrained convolutional networks »

Le 27 juin 2022 à 14h00 dans l’amphithéâtre du bâtiment S de l’École Centrale de Nantes.

Jury :

• Directrice de thèse :
  • Diana Mateus
• Co-encadrants :
  • Mathieu Rubeaux (Chef de projet R&D – Keosys)
  • Ludovic Ferrer (Physicien médical – Institut de Cancérologie de l’Ouest)
• Rapporteurs :
  • Caroline Petitjean (Professeure des Universités – LITIS, Université de Rouen Normandie)
  • Vincent Noblet (Ingénieur de recherche – ICube, Université de Strasbourg)
• Examinateurs :
  • Irène Buvat (Directrice de Recherche CNRS – LITO, Institut Curie)
  • Mathieu Hatt (Directeur de Recherche INSERM – LaTIM, Iniversité Bretagne Occidentale)
  • Nicolas Duchateau (Maître de Conférence – CREATIS, INSA Lyon)

Résumé :

Le cancer du sein métastasé nécessite un suivi régulier. Au cours du traitement, des images de TEP-scan sont régulièrement acquises puis interprétées selon des recommandations telles que PERCIST pour décider d’un éventuel ajustement thérapeutique. Cependant, PERCIST se concentre seulement sur la lésion présentant l’activité tumorale la plus élevée. L’objectif de cette thèse est de développer des outils permettant de prendre en compte toutes les zones actives à l’aide du TEP-scan, afin de suivre au mieux l’évolution du cancer du sein.

Notre première contribution est une méthode pour la segmentation automatique d’organes actifs (cerveau, vessie) grâce à des superpixels et à de l’apprentissage profond.

Notre deuxième contribution formule la segmentation de lésions sur les images de suivi comme un problème de recalage d’images. Pour résoudre le recalage longitudinal d’images TEP corps entier, nous avons développé une nouvelle méthode nommée MIRRBA (Medical Image Registration Regularized By Architecture), qui combine les avantages des méthodes conventionnelles et de celles utilisant l’apprentissage profond. Nous avons validé trois approches (conventionnelle, apprentissage profond et MIRRBA) sur une base de données privées d’images TEP longitudinales obtenues dans le contexte de l’étude EPICURE.

Finalement, notre troisième contribution est l’évaluation de biomarqueurs extraits des segmentations de lésions obtenues grâce au recalage. Nous proposons donc un nouvel outil automatisé pour améliorer suivi du cancer du sein métastasé.

Mots-clés : Cancer du sein métastasé, Recalage d’images, TEP, Apprentissage profond

Abstract:

Metastatic breast cancer requires constant monitoring. During follow-up care, PET images are regularly acquired and interpreted according to specific guidelines, such as PERCIST, to decide whether or not the treatment should be adapted. However, PERCIST focuses only on one lesion representing tumor burden. The objective of this PhD thesis is to assist physicians monitor metastatic breast cancer patients with longitudinal PET images and improve tumor evaluation by providing them tools to consider all regions showing a high uptake.

Our first contribution is a method for the automatic segmentation of active organs (brain, bladder, etc) based on a combination of superpixels and deep learning (DL).

Our second contribution formulates the segmentation of lesions in the follow-up examination as an image registration problem. The longitudinal full-body PET image registration problem is addressed, in this thesis, with our novel method called MIRRBA (Medical Image Registration Regularized By Architecture), which combines the strengths of both conventional and DL-based approaches within a Deep Image Prior (DIP) setup. We validated the three types of approaches (conventional, DL and MIRRBA) on a private longitudinal PET dataset obtained in the context of the EPICURE project.

Finally, the third contribution is the evaluation of the biomarkers extracted from lesion segmentations obtained from the lesion registration step. We propose a new tool for the monitoring of metastatic breast cancer.

Keywords: Metastatic breast cancer, Image registration, PET, Deep learning