Modélisation du mouvement tridimensionnel du foie à partir d'images échographiques 2D par auto-encodeurs convolutionnels

Le mouvement engendré par la respiration est un facteur de complication pour les procédures de traitement du cancer du foie comme la radiothérapie externe. Afin d'assurer la livraison de l'irradiation au tissu cancéreux, la position en 3D de la tumeur et des structures à risque doit être suivie au cours de la procédure. Des solutions de guidage par imagerie ont été uti-lisées en clinique afin de compenser le mouvement respiratoire en ajustant la trajectoire du faisceau d'irradiation. Toutefois, la plupart des systèmes commerciaux utilisent des modalités d'imagerie telles que les rayons X ou la tomographie à faisceau conique qui appliquent une dose supplémentaire d'irradiation au patient en plus d'avoir des fréquences d'acquisition trop lentes pour les applications en temps réel. L'imagerie par US, quant à elle, permet d'e˙ectuer des acquisitions en 2D, 3D et 4D pour un coût relativement bas, le tout sans appliquer d'ir-radiation ionisante. Pour ces raisons, l'US est une modalité intéressante pour les systèmes de radiothérapie guidée par l'image. Cependant, l'US 2D ne permet pas de suivre les tumeurs qui se déplacent en 3D tandis que l'US 3D possède un temps d'acquisition et de traitement trop long. Par conséquent, une approche hybride qui permet de générer des volumes d'US 3D à partir d'images d'US 2D acquises en temps réel peut constituer une solution pour les systèmes de radiothérapie guidée par l'US. Les récents développements en apprentissage profond ont accéléré l'innovation dans le do-maine de l'analyse d'images médicales. Des approches de modélisation du mouvement basées sur l'apprentissage profond ont été développées pour des modalités telles que l'IRM et le CT. Toutefois, peu de travaux ont été axés sur la génération de volume d'US 3D. Dans le présent mémoire, nous présentons une méthode de modélisation du mouvement basée sur l'apprentissage profond qui permet de générer des volumes d'US 3D mis à jour à partir d'un nombre limité de volumes de prétraitement ainsi qu'une séquence d'images d'US 2D. L'étude de di˙érentes architectures a souligné le potentiel des autoencodeurs convolutionels pour accomplir notre tâche. Notre modèle apprend une représentation de basse dimension commune entre des champs de mouvement en 3D et des images d'US 2D correspondantes. Les champs de mouvements 3D générés à partir des images 2D permettent de déformer le volume de référence de prétraitement et d'obtenir un nouveau volume du foie en 3D, même pour de nouveaux sujets. Nous introduisons des améliorations à l'autoencodeur convolutionel qui l'adaptent pour la tâche de modélisation du mouvement respiratoire. Le modèle est validé sur un ensemble de données de 20 volontaires à l'aide de métriques de similarité d'image et de suivi de cibles. Une erreur de localisation de cible de 3.5 ± 2.4 mm est rapportée, montrant le fort potentiel de notre méthode pour les applications en radiothérapie guidée par l'US.