Méthodes de segmentation d’images basées sur l’apprentissage profond dans le traitement des tumeurs bénignes et malignes de l’utérus
Deep learning-based image segmentation methods in the treatment of benign and malignant uterine tumor diseases
Résumé
This thesis deals with the therapy of uterine fibroids (benign tumors that can be painful and cause fertility problems) by high-intensity focused ultrasound (HIFU) and of cervical cancers by adaptive radiotherapy (ART). In both cases, the accurate annotation of lesions in the uterine region and surrounding organs at risk is an essential part of diagnosis and treatment planning. In this thesis, we proposed, on the one hand, two tools for automatic deep learning-based segmentations of the uterus, fibroids and spine in preoperative MRI in HIFU therapy: 1) HIFUNet, a novel fully-supervised convolutional neural network and 2) PLRNet, a method based on semi-supervised learning that aims to achieve segmentation results comparable to fully supervised methods with only a small amount of annotated data. On the other hand, for cervical cancer CBCT-guided ART, we designed an automatic plan-of-the day selection strategy that includes a deep learning-based CBCT image segmentation module followed by a day plan selection from a library of treatment plans.
Cette thèse porte sur l’aide à la thérapie des fibromes utérins (tumeurs bénignes mais pouvant être douloureuses et entraîner des problèmes de fertilité) par ultrasons focalisés haute intensité (HIFU) et des cancers du col de l'utérus par radiothérapie adaptative (ART). Dans les deux cas, l'annotation précise des lésions dans la région utérine et des organes à risque environnants est une partie essentielle du diagnostic et de la planification du traitement. Dans cette thèse, nous avons proposé, d’une part deux outils de segmentations automatiques par apprentissage profond de l'utérus, des fibromes et de la colonne vertébrale en IRM préopératoire du traitement HIFU: 1) HIFUNet, un nouveau réseau neuronal convolutionnel entièrement supervisé et 2) PLRNet, une méthode basée sur de l'apprentissage semi-supervisé qui vise à obtenir des résultats de segmentation comparables aux méthodes entièrement supervisées avec seulement une petite quantité de données annotées. D’autre part, nous avons conçu une stratégie de détermination du plan du jour pour l'ART guidée par CBCT pour le cancer du col de l'utérus qui comprend un module de segmentation d'images CBCT basée sur de l'apprentissage profond suivi d’une sélection du plan du jour dans une bibliothèque de plans de traitement.
| Origine | Version validée par le jury (STAR) |
|---|