Contribution `a l’amélioration du contourage de l’image médicale en radiothérapie

Abstract

Dans cette thèse, nous avons présenté une contribution à la segmentation automatique des volumes cibles cliniques (VCC) et des organes à risque (OAR) sur les images TDM. Nous avons d'abord présenté différentes applications de l'intelligence artificielle en radiothérapie. Ensuite, nous avons présenté une étude de la segmentation du volume cible des VCC, du cœur et des poumons sur des images TDM issues d'une base de données publique. Nous avons utilisé trois modèles de segmentation basés sur l'apprentissage profond. À l'aide de mesures d'évaluation, nous avons comparé et évalué les résultats obtenus avec les trois modèles. Par ailleurs, nous avons utilisé une autre base de données publique (images de tomodensitométrie abdominale). Nous avons réalisé une segmentation rénale à l'aide du modèle U-Net. Cette segmentation a été évaluée à l'aide de plusieurs indicateurs. Nous avons également comparé nos résultats à ceux d'autres auteurs.Enfin, nous avons utilisé un ensemble de données publiques pour segmenter le foie et le cerveau à l'aide du modèle U-Net. La performance de la segmentation a été évaluée par des indicateurs géométriques.De plus, trois cliniciens ont évalué qualitativement la pertinence clinique des segmentations , et les corrélations entre les indicateurs géométriques et les évaluations cliniques ont été analysées.