Integrating PET-MR data for a multiparametric approach of tumour heterogeneity in non-small-cell lung cancer (NSCLC) - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Integrating PET-MR data for a multiparametric approach of tumour heterogeneity in non-small-cell lung cancer (NSCLC)

Intégration dynamique TEP-IRM pour une nouvelle approche multiparamétrique de l’hétérogénéité tumorale dans le cancer bronchique non à petites cellules (CBNPC)

Résumé

Tumor heterogeneity is an important factor of progression and resistance to treatment. Multiparametric PET-MRI imaging offers unique opportunities to characterize biological cellular processes, but has never been evaluated at the regional level in Non-Small Cell Lung Cancer (NSCLC), the leading cause of oncological death. A simultaneous dynamic multiparametric 18F-FDG PET-MRI approach has been developed to this end. This approach required the “in-house” implementation of the reference absolute PET quantitative method of glucose metabolism (Sokoloff's tri-compartmental model); the development of a method for correcting geometric distortions in diffusion weighted imaging, validated on phantom and clinically tested; the phantom validation of quantitative MRI methods (T1/T2 relaxometry), also clinically tested; and the "in-house" implementation of the Tofts compartmental model (extended version) for the evaluation of tumor vascularization by dynamic perfusion MRI. The results of our work, performed at the regional intra-tumor level, illustrate the heterogeneity of the regional interlinks between glucose metabolism and vascularization in NSCLC, two fundamental biological hallmarks of tumor progression, and show that an unsupervised tumor partitioning by Gaussian mixture model, integrating all the PET-MRI biomarkers of this project, individualizes 3 types of supervoxels, whose biological signature can be predicted with 97% accuracy by 4 dominant PET-MRI biomarkers, revealed by metaheuristic machine learning methods.
L'hétérogénéité tumorale est un facteur important de progression et de résistance au traitement. L'imagerie multiparamétrique TEP-IRM offre des opportunités uniques de caractérisation biologique cellulaire, mais n’a jamais été évalué à l’échelle régionale intra-tumorale dans le cancer du poumon non à petites cellules (CBNPC), première cause de décès oncologique. Une approche multiparamétrique dynamique simultanée TEP-IRM au 18F-FDG a été développée en ce sens. Cette approche a nécessité l’implémentation « maison » de la méthode de référence de quantification TEP du métabolisme glucidique (modèle tri-compartimental de Sokoloff); le développement d’une méthode de correction inédite des distorsions géométriques en imagerie de diffusion, validée sur fantôme et testée cliniquement ; la validation sur fantôme de méthodes d’IRM quantitative (relaxométrie T1/T2), également testées cliniquement; et l’implémentation « maison » du modèle compartimental de Tofts (version étendue) pour l’évaluation de la vascularisation tumorale en IRM dynamique de perfusion. Les résultats de nos travaux expérimentaux effectués à l’échelle intra-tumorale régionale illustrent l’hétérogénéité des rapports entre métabolisme glucidique et vascularisation dans le CBNPC, deux caractéristiques biologiques fondamentales de progression tumorale, et montrent qu’un partitionnement tumoral non supervisé par modèle de mélange gaussien, intégrant l’ensemble des biomarqueurs TEP-IRM de ce projet, individualise 3 types de supervoxels, dont la signature biologique peut être prédite avec une exactitude de 97% par 4 biomarqueurs TEP-IRM dominants, révélés par méthodes métaheuristiques d'apprentissage machine.
Fichier principal
Vignette du fichier
73291_BESSON_2020_archivage.pdf (85.36 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-02966153 , version 1 (13-10-2020)

Identifiants

  • HAL Id : tel-02966153 , version 1

Citer

Florent Besson. Integrating PET-MR data for a multiparametric approach of tumour heterogeneity in non-small-cell lung cancer (NSCLC). Imaging. Université Paris-Saclay, 2020. English. ⟨NNT : 2020UPASS081⟩. ⟨tel-02966153⟩
275 Consultations
12 Téléchargements

Partager

Gmail Facebook X LinkedIn More