Complétion d’images médicales par apprentissage profond pour la radiothérapie adaptative

La radiothérapie est utilisée dans la moitié des cas de cancer en France. L’anatomie des patients peut évoluer au fil des jours et semaines de traitement, entraînant une délivrance de doses de radiation sous-optimales. La radiothérapie adaptative (ART) permet d’ajuster les plans de traitement grâce à l’imagerie quotidienne, mais les images MVCT issues de la tomothérapie présentent un faible contraste et un champ de vue limité, rendant très difficile l’adaptation du traitement. Les logiciels existants reconstruisent l'anatomie complète en fusionnant le MVCT avec le kVCT de planification, mais cela peut entraîner des incohérences anatomiques. Dans le but d'améliorer le processus d'ART, cette thèse propose un processus d’intelligence artificielle (IA) en trois étapes générant des images complètes, de haute qualité et fidèles à l’anatomie du jour : (1) transformation du MVCT en skVCT via un CycleGAN, (2) complétion de l’anatomie manquante avec un modèle de diffusion conditionnelle, et (3) calcul de doses. Des évaluations préliminaires sur cinq patients démontrent un gain en cohérence anatomique et des résultats supérieurs à la méthode clinique actuelle.