Thèse Année : 2024

Development and validation of radiologic image analysis in oncology

Développement et validation de techniques d'analyse d'imagerie radiologique de tumeurs solides

Benoît Magnin

Résumé

Our objective was to validate new image reconstruction techniques, develop and validate image analysis methods through radiomics in oncological imaging, and investigate the influence of these new image reconstruction techniques on the stability of radiomics.Our first study focused on the impact of Deep Learning Image Reconstructions (DLIR) on the detection of liver metastases in CT scans. We reconstructed CT images of 121 patients with liver metastases using iterative reconstruction (50%-ASiR-V) and three levels of DLIR. Two double-blinded radiologists independently counted up to ten metastases for each reconstruction. One reader detected a higher number of metastases with DLIR-high: a median of 7 (range 2-10) compared to 5 (range 2-10) for DLIR-medium, DLIR-low, and ASiR-V (p<.001). Notably, ten patients were identified with more metastases using DLIR-high. Our results indicate that DLIR-high enhances the detection and visibility of liver metastases compared to ASiR-V and increases the number of detected liver metastases.Our second study sought to determine whether radiomic analysis of paravertebral muscles from CT scans could aid in predicting survival in locally advanced head and neck neoplasms. We included 71 patients treated for locally advanced head and neck cancer. Radiomic features were extracted from manually segmented paravertebral muscles at the L1 level, retaining 21 features for analysis. No parameter significantly predicted survival or treatment-related toxicity in multivariate analysis. However, two radiomic features, the sum of HU densities for survival and the standard deviation of HU values for toxicity, appear to be promising.Our third study aimed to develop a prognostic tool for patients with metastatic melanoma (MM) undergoing immunotherapy by creating radiomic models based on pretreatment CT scans. We analyzed 503 metastatic lesions in 71 patients, extracting 46 radiomic features after lesion segmentation. Predictive accuracies for overall survival (OS) and treatment response were compared across five feature selection methods and four classifiers. A fivefold cross-validation was conducted at the patient level using tumor-based classification. The highest accuracy for OS predictions was AUC=0.91, while the highest accuracy for treatment response predictions was AUC=0.88. Our findings suggest that combining pretreatment CT radiomic features from a single tumor with data selection and classifiers may accurately predict OS and treatment response in MM patients treated with immunotherapy.Our fourth study investigated the influence of MRI DLIR on the repeatability and reproducibility of radiomic features. MRI acquisition was performed using seven common sequences across four distinct acquisition protocols on a phantom composed of 12 fruits. Each acquisition was repeated four times, resulting in 16 images. Each image was reconstructed using both a conventional non DLIR and DLIR. After segmenting the fruits, we extracted 107 radiomic features. Reproducibility was assessed for each feature using the ICC(3,1) on the 16 images, considering a feature reproducible if ICC > 0.9. A total of 399 features (53.3%) were reproducible with DLIR, compared to 326 (43.5%) with non DLIR. Thus, DLIR increased the number of reproducible radiomic features by 9.7%. This study underscores the validity of using MRI DLIR over traditional reconstruction methods in MRI radiomic investigations.

Notre objectif était de valider de nouvelles techniques de reconstruction d'images, de développer et valider des techniques d'analyse d'images par radiomique en imagerie oncologique, et enfin d'étudier l'influence de ces nouvelles techniques sur la stabilité de la radiomique.Notre première étude portait sur l'impact des reconstructions d'images par Deep Learning (DLIR) sur la détection des métastases hépatiques en scanner. 121 scanners de patients avec métastases hépatiques ont été reconstruits par reconstruction itérative (50%-ASiR-V) et trois niveaux de DLIR. Pour chaque reconstruction, deux radiologues ont recensé en double aveugle le nombre de métastases. Un plus grand nombre de métastases a été détecté par un lecteur avec DLIR-high : 7 (2-10) (médiane (Q₁-Q₃)) contre 5 (2-10) pour DLIR-medium, DLIR-low, et ASiR-V (p<.001). Plus de métastases ont été détectées avec DLIR-high chez 10 patients. Nos résultats montrent ainsi que DLIR améliore la détection et la visibilité des métastases hépatiques par rapport à ASiR-V.Notre deuxième étude a cherché à déterminer si l'analyse par radiomique des muscles paravertébraux au scanner peut prédire la survie dans les néoplasies localement avancées de la tête et du cou. 71 patients traités pour un cancer avancé laryngé ont été inclus. Vingt et un paramètres de radiomique ont été extraits après segmentation manuelle des muscles paravertébraux au niveau L1. Aucun paramètre ne prédisait de façon significative en analyse multivariée la survie ou la survenue d'une toxicité du traitement. Néanmoins, deux paramètres de radiomique, la somme des densités HU pour la survie ou l'écart type des HU pour la toxicité semble prometteurs.Notre troisième étude visait à développer un outil pronostique chez les patients atteints de mélanome métastatique traités par immunothérapie, en créant des modèles de radiomique d'analyse du scanner pré-traitement. Nous avons analysé 503 lésions métastatiques chez 71 patients en en extrayant 46 paramètres de radiomique après segmentation des lésions. La prédiction de la survie globale et de la réponse au traitement ont été comparées pour cinq méthodes de sélection de paramètres et quatre classificateurs, en utilisant une validation croisée à cinq plis. La meilleure prédiction de survie avait pour AUC=0.91; pour la réponse, AUC=0.88. Notre étude montre que l'utilisation de paramètres de radiomique du TDM pré traitement d'une seule tumeur via des sélections de données et des classificateurs peut prédire la survie et la réponse sous immunothérapie du mélanome métastatique.Notre quatrième étude visait à déterminer l'influence des DLIR en IRM sur la répétabilité et la reproductibilité des paramètres de radiomique. Des acquisitions IRM ont été réalisées avec 7 séquences et 4 protocoles d'acquisition distincts sur un fantôme composé de 12 fruits. Chaque acquisition a été répétée 4 fois, aboutissant à 16 images. Chaque image a été reconstruite par la transformation inverse de Fourier (TIF) habituelle et par DLIR. Après segmentation des fruits, 107 paramètres de radiomique ont été extraits. La reproductibilité a été évaluée pour chaque paramètre en utilisant l'ICC(3,1) sur les 16 images; un paramètre était reproductible si ICC > 0.9. Au total, 399 paramètres (53,3%) étaient reproductibles avec DLIR et 326 (43,5%) avec la TIF. Ainsi, DLIR a augmenté le nombre de paramètres de radiomique reproductibles de 9,7%. Cette étude valide l'utilisation de DLIR en IRM plutôt que la TIF traditionnelle dans les études de radiomique.

Fichier principal
Vignette du fichier
2024UCFA0180_MAGNIN.pdf (12.98 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05076461 , version 1 (21-05-2025)

Licence

Identifiants

  • HAL Id : tel-05076461 , version 1

Citer

Benoît Magnin. Développement et validation de techniques d'analyse d'imagerie radiologique de tumeurs solides. Cancer. Université Clermont Auvergne, 2024. Français. ⟨NNT : 2024UCFA0180⟩. ⟨tel-05076461⟩
166 Consultations
123 Téléchargements

Partager

  • More