Combined Image Synthesis and Deformable Registration Framework for MRI-Based Adaptive Radiotherapy

Le cancer de la tête et du cou (CTC) demeure l’un des cancers les plus complexes à traiter par radiothérapie, en raison de son anatomie hétérogène et de la proximité des tumeurs avec des organes à risque (OAR). La radiothérapie adaptative (ART) vise à compenser les variations anatomiques quotidiennes observées au cours du traitement en ajustant le plan selon l’anatomie du jour, afin d’améliorer la précision dosimétrique, de réduire la toxicité et de maintenir une couverture optimale de la tumeur. Dans ce contexte, l’imagerie par résonance magnétique (IRM) offre un contraste supérieur des tissus mous sans rayonnement ionisant, ce qui améliore le contourage et la planification. Le scanner (CT) reste essentiel pour le calcul de la dose, tandis que la tomographie volumique conique (CBCT), acquise avant chaque fraction, permet de suivre les changements anatomiques et d’adapter le plan de traitement. Cependant, la CBCT souffre d’artefacts, de bruit et d’unités Hounsfield non uniformes, ce qui limite son utilisation directe pour le calcul de dose. Un flux de travail ART basé uniquement sur l’IRM permettrait de réduire la dépendance au CT de planification, mais cela exige deux capacités essentielles : (i) une synthèse IRM–CT fiable pour générer des informations équivalentes au CT en vue du calcul de dose et (ii) un enregistrement déformable précis pour aligner le CT synthétique (sCT) sur la CBCT quotidienne. Cette thèse présente une approche en deux étapes basée sur l’apprentissage profond pour la registration déformable entre l’IRM et la CBCT. La première étape concerne la génération d’images synthétiques, où plusieurs réseaux ont été explorés : un modèle de base de type Conditional Generative Adversarial Network (CGAN), une version améliorée intégrant une contrainte de cohérence de caractéristiques (FCGAN), ainsi qu’un modèle de diffusion trans-formeur MRI-to-CT (MC-IDDPM) offrant une meilleure restitution du contraste et des struc-tures anatomiques. L’objectif est de produire des sCT présentant une fidélité anatomique et une cohérence d’intensité suffisantes pour être utilisées dans les étapes suivantes, notam-ment le calcul de dose, la segmentation et la registration déformable, éléments clés de la planification et du suivi du traitement. La seconde étape de la méthode se concentre sur la registration déformable du pCT ou du sCT vers les CBCT acquis quotidiennement, afin d’obtenir un alignement spatial précis, en particulier au niveau des régions tumorales et des organes à risque. La synthèse a été évaluée à la fois sur l’ensemble de données cérébrales SynthRad2023 et sur une cohorte institutionnelle de 338 patients HNC avec IRM-TDM appariée et CBCT longitudinale, tandis que l’enregistrement a été évalué uniquement sur la cohorte HNC où les trois modalités étaient disponibles. Sur les données HNC internes, le FCGAN a amélioré la fidélité structurelle par rapport au CGAN de base, réduisant le MAE de 29,0% et augmentant le PCC, le PSNR et le SSIM de 0,6%, 7,4% et 1,1%, respectivement. Par rapport au FCGAN, le MC-IDDPM a encore réduit le MAE de 22,7% et a produit des gains de 0,3% en PCC et de 8,1% en PSNR, indiquant une meilleure précision structurelle. Concernant le chevauchement structurel, le MC-IDDPM a obtenu un Dice supérieur de 1,2% sur le crâne, mais inférieur de 1,5% sur la moelle épinière et de 5,4% sur chaque parotide par rapport au FCGAN. Par rapport au CGAN, le FCGAN a augmenté le Dice de 6,5% (moelle épinière), de 1,2% (crâne) et de 5,7% (parotides gauche/droite). Globalement, le FCGAN a favorisé la fidélité des tissus mous (moelle épinière, parotides), tandis que le MC-IDDPM s’est avéré supérieur pour l’anatomie osseuse. Le MC-IDDPM a également réduit la différence de dose MAE et DVH de 1,3% supplémentaire par rapport au FCGAN, et a surpassé le FCGAN et le CGAN sur toutes les mesures de similarité d’image (MAE, PCC, PSNR, SSIM) sur SynthRad2023.

Abstract

Head and neck cancer (HNC) is among the most challenging malignancies to treat with ra-diotherapy due to its heterogeneous anatomy and the close proximity of tumors to organs at risk (OARs). Adaptive radiotherapy (ART) has emerged to address day-to-day anatom-ical changes during treatment by adjusting the plan to the patient’s current anatomy, with the goals of improving dose accuracy, reducing treatment-related toxicity, and maintaining effective tumor control. In this workflow, magnetic resonance imaging (MRI) provides supe-rior soft-tissue contrast without ionizing radiation, enabling better diagnosis and treatment planning; computed tomography (CT) remains indispensable for dose calculation; and cone-beam CT (CBCT), acquired before each fraction, offers daily volumetric imaging to monitor anatomy and align the pCT and its dose plan to the day’s anatomy. However, CBCT suffers from noise, artifacts, and inconsistent Hounsfield Units (HU), which limit direct dose calcu-lation. A fully MRI-based ART pathway could reduce reliance on pCT, but this requires (i) reliable MRI-to-CT synthesis to supply CT-equivalent information for dose calculation and (ii) accurate deformable registration to align the synthetic CT (sCT) with the daily CBCT. This thesis proposes a two-stage deep learning pipeline for MRI-to-CBCT deformable regis-tration. In the first stage, multiple synthesis networks were investigated, including a baseline Conditional Generative Adversarial Network (CGAN), a Feature-Consistency CGAN (FC-GAN) incorporating a feature consistency loss term, and a transformer-based MRI-to-CT Improved Denoising Diffusion Probabilistic Model (MC-IDDPM) for synthesizing CT from MRI. The goal is to generate sCTs with sufficient anatomical and intensity fidelity to be suitable for subsequent tasks such as dose calculation, segmentation, and deformable regis-tration, which are essential in treatment planning and delivery. In the second deformable registration stage, the objective was to align the planning CT (pCT) or the sCT to the daily CBCTs, achieving fine spatial alignment, particularly within the tumor and OAR regions. Synthesis was evaluated on both the SynthRad2023 brain dataset [1] and an institutional HNC cohort comprising 338 patients with paired MRI, CT, and serial CBCTs, while regis-tration was assessed exclusively on the HNC dataset, where all three modalities were avail-able. On HNC cohort, FCGAN enhanced structural fidelity over the baseline CGAN with an 29.0% Mean Absolute Error (MAE) reduction and respective increases in Pearson Cor-relation Coefficient (PCC), Peak Signal to Noise Ratio (PSNR), and Structural Similarity Index Measure (SSIM) of 0.6%, 7.4%, and 1.1%. MC-IDDPM reduced MAE by 22.7% and increased PCC and PSNR by 0.3% and 8.1%, respectively, compared with FCGAN, demonstrating improved structural accuracy. Compared with FCGAN, MC-IDDPM yields a 1.2%higher Dice for the skull, but is lower by 1.5% for the spinal cord and by 5.4% for each parotid (left and right). Relative to CGAN, FCGAN raises the Dice by 6.5% for the spinal cord, 1.2% for the skull, and 5.7% for each parotid gland. In summary, FCGAN performs better on soft tissues (spinal cord and parotids), whereas MC-IDDPM is superior for bony anatomy. With test-time augmentation, MC-IDDPM achieved 1.3% reduction in dose MAE and dose–volume histogram (DVH) difference relative to FCGAN, reflecting enhanced dosi-metric consistency. MC-IDDPM also outperformed FCGAN and CGAN across all image similarity metrics, including MAE, PCC, PSNR, and SSIM, on the SynthRad2023 brain dataset.