Segmentation Automatique des Organes à Risque pour la radiothérapie adaptativee

Abstract

La radiothérapie adaptative (RTA) est une technique de traitement basée sur l’adaptation du plan de traitement aux modifications anatomiques survenues au cours du traitement. Le processus de replanification nécessite un temps supplémentaire et une surcharge de travail surtout dans l’étape de contournage qui consiste à délimiter les zones d’intérêt sur des images CT. Cette tache est tr`es difficile, notamment dans les régions comportant de petites structures anatomiques. Il est donc extrêmement nécessaire de développer une approche de contournage automatique permettant segmenter les différentes structures anatomiques. Pour cette raison, nous proposons dans ce mémoire de master un modèle de délimitation automatique des organes `a risque (OARs) , dans la région de la tête et cou, bas´e sur l’apprentissage profond. Ce modèle exploite des réseaux neuronaux profonds pour produire des contours précis en un temps réduit. Notre approche a été validée et testée `a l’aide d’un ensemble de données de 42 patients contenant 7581 paires d’images CT et de masques pour dix organes `a risque. Notre étude comparative a ´et´e réalisée entre deux différentes méthodes d’apprentissage profond qui sont l’U-Net et le Trans-Unet avec les contours manuels des experts. Les résultats obtenus montre que l’approche basée sur le Trans-Unet permet d’avoir les meilleurs prédictions en terme de précision, en particulier pour les petits organes ==================================================================================================== Adaptive radiotherapy (ART) is a treatment technique based on adapting the treatment plan to anatomical changes that occur during the course of treatment. The process of replanning requires additional time and increased workload, especially during the contouring stage, which involves delineating areas of interest on CT images. This task is particularly challenging in regions with small anatomical structures. Therefore, it is extremely necessary to develop an automatic contouring approach to segment the various anatomical structures. For this reason, in this master's thesis, we propose an automatic delineation model for organs at risk (OARs) in the head and neck region, based on deep learning. This model leverages deep neural networks to produce accurate contours in a reduced amount of time. Our approach was validated and tested using a dataset of 42 patients containing 7581 pairs of CT images and masks for ten organs at risk. Our comparative study was conducted between two different deep learning methods, U-Net and Trans-Unet, against expert manual contours. The results obtained show that the approach based on Trans-Unet provides the best predictions in terms of accuracy, particularly for small organs.