| From global to local spatial models for improving prediction of urinary toxicity following prostate cancer radiotherapy (Amélioration de la prédiction de la toxicité urinaire après radiothérapie du cancer de la prostate à partir de modèles spatiaux multi-échelle de la dose : depuis les organes à risque aux sous-régions) Mylona, Eugenia - (2019-12-02) / Universite de Rennes 1 - From global to local spatial models for improving prediction of urinary toxicity following prostate cancer radiotherapy
| |||
Langue : Anglais Directeur(s) de thèse: Crevoisier, Renaud de Discipline : Signal, image, vision Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATHSTIC Classification : Sciences de l'ingénieur, Médecine et santé Mots-clés : radiothérapie, toxicité urinaire, modèles prédictifs, planification
| |||
Résumé : La radiothérapie externe est un traitement locorégional du cancer. L’objectif de la radiothérapie impose un compromis entre la délivrance d’une dose maximale dans la tumeur afin d’augmenter le contrôle local et la curabilité, et d’une dose minimale aux organes sains afin de limiter la toxicité. Les symptômes urinaires peuvent être liés à l’irradiation de régions spécifiques de la vessie ou de l'urètre. Dans ce cas, la dose reçue par l'ensemble de la vessie peut ne pas suffire à expliquer la toxicité urinaire. Dans le contexte du traitement du cancer de la prostate par radiothérapie, ce travail de thèse vise à analyser les corrélations spatiales entre la dose et les effets secondaires, cette problématique étant abordée dans un cadre d'analyse de population. Pour évaluer la contribution de l'urètre à la toxicité urinaire, nous proposons une méthode de segmentation basée sur plusieurs atlas pour identifier avec précision cette structure sur les images CT. Nous utilisons ensuite deux méthodes pour analyser la distribution de dose spatiale. L'une basée sur la construction de cartes 2D dose-surface (DSM) couplée à des comparaisons pixel par pixel et l'autre basée sur des cartes 3D dose-volume (DVM) combinées à des comparaisons par voxel. Les sous-régions identifiées ont été validées dans des populations externes, ouvrant la perspective d'une planification de traitement spécifique du patient. Nous étudions également le potentiel d'une amélioration complémentaire de la prédiction en exploitant de méthodes d'apprentissage automatique. Abstract : External beam radiotherapy (EBRT) is a clinical standard for treating prostate cancer. The objective of EBRT is to deliver a high radiation dose to the tumor to maximize the probability of local control while sparing the neighboring organs (mainly the rectum and the bladder) in order to minimize the risk of complications. Developing reliable predictive models of genitourinary (GU) toxicity is of paramount importance to prevent radiation-induced side-effects, and improve treatment reliability. Urinary symptoms may be linked to the irradiation of specific regions of the bladder or the urethra, in which case the dose received by the entire bladder may not be sufficient to explain GU toxicity. Going beyond the global, whole-organ-based models towards more local, sub-organ approaches, this thesis aims to improve our understanding of radiation-induced urinary side-effects and ameliorate the prediction of urinary toxicity following prostate cancer radiotherapy. With the objective to assess the contribution of urethra damage to urinary toxicity, we propose a multi-atlas-based segmentation method to accurately identify this structure on CT images. The second objective is to identify specific symptom-related subregions in the bladder and the urethra predictive of different urinary symptoms. For this purpose, we propose two methodologies for analyzing the spatial dose distribution; one based on the construction of 2D dose-surface maps (DSM) coupled with pixel wise comparisons and another based on 3D dosevolume maps (DVMs) combined with voxel-wise comparisons. Identified subregions are validated in external populations, opening the perspective for patient specific treatment planning. We also implement and compare different machine learning strategies and data augmentation techniques, paving the way to further improve urinary toxicity prediction. We open the perspective of patient-specific treatment planning with reduced risk of complications. | |||