Contexte :
Un tiers des patients atteints de cancer sont traités par radiothérapie. Le scanner (CT-scan) est l'imagerie de référence pour la planification des doses en radiothérapie. Néanmoins, il montre un contraste médiocre des tissus mous, ce qui entraîne une imprécision dans la délinéation de la tumeur et le positionnement du patient exposant celui-ci à une augmentation du risque de récidive et de toxicité. Grâce à un meilleur contraste, l'imagerie par résonance magnétique (IRM) permet une meilleure visualisation des tissus mous mais ne fournit pas la densité électronique nécessaire à la planification de dose. Le recalage de l’imagerie IRM sur imagerie CT est difficile et imprécis du fait des variations anatomiques survenant inéluctablement entre les deux examens (sauf dans le cerveau). Plusieurs méthodes ont été très récemment développées pour la génération de CT-scan synthétique à partir de l’IRM, appelés pseudo-CT (pCT). Ces pCT permettent ainsi une planification dosimétrique.
Objectifs de la thèse :
Les objectifs de ce projet de thèse sont de : (1) proposer des solutions permettant un calcul de dose à partir de l’IRM par photons X et protons et (2) définir par approche radiomique la cible tumorale (en ORL, prostate, poumons et foie) et les organes à risque. L’application des méthodes de machine learning, et en particulier du deep learning, répondra à la problématique de génération d’images synthétiques de CT (pseudo-CT, pCT) à partir d’images IRM. L'hypothèse d’une planification directe sur IRM permet d’envisager une réduction significative la toxicité radio-induite, par rapport à la planification sur CT, du fait d'une meilleure visualisation des structures et d'un volume cible réduit. Ce projet de thèse de doctorat repose sur une collaboration étroite entre le LTSI (équipe IMPACT) et le Centre Eugène Marquis (le CEM est un centre de lutte contre le cancer du réseau Unicancer) et s’appuiera sur des travaux antérieurs de l’équipe.
Compétences scientifiques et techniques requises :
Master 2 ou diplôme Ingénieur (traitement d’images, informatique, physique médicale, biomédical, etc.). Connaissances en traitement d’images (machine learning). Connaissances en informatique (C++, Python, etc.). Connaissances en physique des rayonnements ionisants appliquée à la radiothérapie. Bon niveau d’anglais (oral & écrit).
Contacts & soumissions de CV :
LTSI (Laboratoire Traitement du Signal et de l'Image), Inserm - Université de Rennes 1, Campus de Beaulieu. Bât 22, 35042 Cedex - Rennes - FRANCE.