Thèse CD - Optimisation par Deep Learning de l'Imagerie Temp - Tdm Quantitative pour la Radiothérapie Interne Vectorisée H/F

Université de Lorraine

Établissement : Université de Lorraine
École doctorale : BioSE - Biologie Santé Environnement
Laboratoire de recherche : IADI - Imagerie Adaptative Diagnostique et Interventionnelle
Direction de la thèse : Laëtitia IMBERT ORCID 0000000278371560
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-09T23:59:59

La radiothérapie interne vectorisée (RIV) repose sur l'administration systémique d'un vecteur radiomarqué ciblant les cellules tumorales. Son optimisation nécessite une estimation fiable, par imagerie quantitative corps entier, des doses absorbées par les tumeurs et les organes à risque. Cependant, cette quantification reste limitée par le bruit statistique, l'atténuation et la diffusion des photons, ainsi que par la résolution spatiale des images TEMP/TDM. Ce projet de thèse vise à évaluer l'apport de méthodes de deep learning pour améliorer, à temps d'acquisition compatibles avec la pratique clinique, la qualité des images, la précision de la quantification des activités et la segmentation des tumeurs et des organes. Une première phase portera sur l'optimisation des reconstructions et des outils d'analyse à partir d'acquisitions sur fantômes. Une seconde phase consistera à évaluer puis valider ces approches en routine clinique chez des patients traités par RIV. L'objectif final est d'améliorer la précision des dosimétries personnalisées afin de mieux adapter, à l'échelle individuelle, les activités administrées, les séquences thérapeutiques et les associations de traitements.

La radiothérapie interne vectorisée (RIV) est une approche thérapeutique de médecine nucléaire fondée sur l'administration d'un médicament radiopharmaceutique (MRP). Celui-ci associe un radionucléide émetteur de rayonnements ionisants (particules , rayonnement ou électrons Auger) à un vecteur biologique ciblant spécifiquement des récepteurs membranaires exprimés par les cellules tumorales. En raison du faible parcours tissulaire de ces rayonnements, l'irradiation délivrée reste principalement confinée aux cellules ciblées et à leur voisinage immédiat.
Ce type de traitement n'est indiqué qu'en cas d'expression effective de la cible moléculaire par la tumeur. Cette condition est vérifiée au préalable par une imagerie TEP utilisant le même vecteur biologique, couplé cette fois à un radionucléide à visée diagnostique. L'utilisation d'un même vecteur à des fins diagnostiques et thérapeutiques s'inscrit dans la démarche dite théranostique (Yordova et al, 2017).
Cependant, les radionucléides utilisés à visée thérapeutique (177Lu, 161Tb, 225Ac, etc.) émettent également des photons gamma, souvent en faible proportion, mais suffisants pour permettre l'analyse de leur biodistribution par imagerie scintigraphique tridimensionnelle de type tomographie d'émission monophotonique (TEMP). Réalisée après administration du traitement, l'imagerie TEMP corps entier permet de vérifier la bonne distribution du MRP dans l'organisme et, potentiellement, de quantifier les doses absorbées par les tumeurs et les organes à risque (Zaragori et al, 2025). Ces données sont essentielles pour prédire l'efficacité thérapeutique, évaluer le rapport bénéfice/risque et adapter, d'une administration à l'autre, les activités injectées ainsi que les traitements associés.
Toutefois, la quantification en TEMP reste limitée par plusieurs facteurs physiques et instrumentaux, notamment le bruit statistique, l'atténuation et la diffusion des rayonnements, ainsi que la résolution spatiale restreinte des gamma-caméras. L'émergence de nouvelles caméras à détecteurs semi-conducteurs en cadmium-zinc-tellurure (CZT) permet d'améliorer les performances de l'imagerie scintigraphique en termes de sensibilité de détection et de qualité d'image (Nuttens et al, 2026). Parallèlement, le développement, d'une part, de méthodes de reconstruction intégrant les corrections des phénomènes physiques inhérents à la détection des photons gamma (Hoog et al, 2024) et, d'autre part, de méthodes de traitement d'image reposant sur l'intelligence artificielle, ouvre la voie à une amélioration de la quantification de la biodistribution (Bahloul et al, 2024).
Notre équipe a déjà développé et évalué des approches de deep learning en scintigraphie osseuse au 99mTc-HDP. En particulier, un algorithme de réduction de bruit par deep learning (DLNR, Deep Learning Noise Reduction), appliqué aux images TEMP corps entier, s'est montré particulièrement performant en substitution des filtres spatiaux conventionnels utilisés lors de la reconstruction tomographique, avec une amélioration significative de la quantification lésionnelle (Bahloul et al, 2025). Ce DLNR est un outil de débruitage post-reconstruction des images TEMP, développé pour les acquisitions réalisées sur notre caméra CZT (caméra Veriton, Spectrum Dynamics). Basé sur une architecture 3D U-Net avec unités résiduelles, il a été entraîné sur des examens cliniques de scintigraphie en comparant des images simulant des acquisitions à faible comptage à des images de référence à fort comptage. Il permet d'améliorer le rapport signal/bruit sans dégrader la précision quantitative et la résolution spatiale des images, contrairement aux filtres d'image qui étaient utilisés jusqu'à présent en imagerie TEMP.
Bien qu'il ait été initialement développement pour des images diagnostiques de scintigraphie osseuse au 99mTc, ce DLNR vient d'être adapté aux images effectuées en post-injection de produit de RIV. En particulier, un algorithme de DLNR, développé spécialement à partir d'acquisitions TEMP/TDM de 177Lu a été mis à disposition par la société Spectrum Dynamics Medical dans le cadre d'une collaboration scientifique avec le service de Médecine Nucléaire du CHRU de Nancy.

L'imagerie scintigraphique post-thérapeutique, fondée sur des MRP présentant une faible probabilité d'émission monophotonique et donc un bruit statistique élevé, pourrait bénéficier directement des avancées liées aux algorithmes de type DLNR. Ces algorithmes pourraient en particulier améliorer la précision de la quantification des activités mesurées, ainsi que la délimitation des tumeurs et des organes, deux enjeux majeurs pour le développement d'une dosimétrie personnalisée en RIV. Cependant, l'utilisation de DLNR nécessite au préalable une adaptation et optimisation de l'ensemble de la procédure d'enregistrement, de reconstruction et de traitement des images TEMP et ceci, pour chaque radionucléide considéré.
Objectif de la thèse

L'objectif de ce travail de thèse est d'évaluer l'apport de méthodes de deep learning pour améliorer la qualité des images TEMP/TDM, la précision de la quantification des activités et la segmentation des tumeurs et des organes, tout en maintenant des temps d'acquisition compatibles avec la pratique clinique. Une première phase portera sur l'optimisation des paramètres de reconstruction et des outils d'analyse à partir d'acquisitions sur fantômes. Une seconde phase consistera à évaluer puis à valider ces approches en routine clinique chez des patients traités par radiothérapie interne vectorisée. L'objectif final est d'améliorer la précision des dosimétries personnalisées afin de mieux adapter, à l'échelle individuelle, les activités administrées, les séquences thérapeutiques et les éventuelles associations de traitements.

L'objectif de ce travail de thèse est d'évaluer l'apport de méthodes de deep learning pour améliorer la qualité des images TEMP/TDM, la précision de la quantification des activités et la segmentation des tumeurs et des organes, tout en maintenant des temps d'acquisition compatibles avec la pratique clinique. Une première phase portera sur l'optimisation des paramètres de reconstruction et des outils d'analyse à partir d'acquisitions sur fantômes. Une seconde phase consistera à évaluer puis à valider ces approches en routine clinique chez des patients traités par radiothérapie interne vectorisée. L'objectif final est d'améliorer la précision des dosimétries personnalisées afin de mieux adapter, à l'échelle individuelle, les activités administrées, les séquences thérapeutiques et les éventuelles associations de traitements.

Ce travail de thèse comportera deux volets complémentaires : un volet expérimental, réalisé sur fantômes dans des conditions proches de la pratique clinique, et un volet clinique, fondé sur l'analyse rétrospective de données déjà acquises dans le cadre de la prise en charge de patients traités par RIV. Une revue approfondie de la littérature sera réalisée en amont afin de préciser l'état de l'art, de situer les verrous méthodologiques et de mieux appréhender les enjeux de la dosimétrie personnalisée.

Volet expérimental
Cette première partie visera à déterminer les paramètres optimaux d'acquisition, de reconstruction et d'analyse des images TEMP/TDM lorsqu'ils sont associés à l'application de l'algorithme DLNR. Plusieurs types de fantômes, comportant des sphères ou d'autres structures de tailles variables, seront remplis avec le radionucléide étudié (177Lu dans un premier temps, puis possiblement 225Ac selon les données disponibles et les possibilités techniques). Les activités au sein des sphères, des autres structures d'intérêt et du milieu environnant seront définies de manière à reproduire, autant que possible, les rapports d'activité observés en conditions cliniques.
Différents indices de qualité d'image seront analysés : bruit, contraste, résolution spatiale, activité mesurée par rapport à l'activité réelle, ainsi que précision de l'estimation volumique par rapport aux volumes connus des structures. Plusieurs méthodes de segmentation seront également comparées. Les variations de ces indices seront étudiées en fonction des paramètres considérés comme critiques, notamment le nombre d'itérations de reconstruction, l'utilisation ou non de filtres spatiaux, les corrections de type « point spread function », la prise en compte des effets de volume partiel, ainsi que les méthodes de correction de l'atténuation et de la diffusion. La robustesse des résultats selon le niveau d'activité sera également évaluée.

Volet clinique
Les paramètres de reconstruction et de segmentation optimisés sur fantômes seront ensuite appliqués à des cohortes de plus de 100 patients ayant déjà bénéficié d'acquisitions TEMP/TDM post-thérapeutiques enregistrées en mode liste, ce qui permettra de tester rétrospectivement différentes stratégies de reconstruction. Pour ces cohortes, en cours de constitution, des examens TEP de comparaison ainsi que des données de suivi clinique seront également disponibles, notamment la survenue d'un décès, d'une toxicité rénale, d'une hypoplasie médullaire ou d'autres événements cliniquement pertinents.
Les méthodes associant DLNR et reconstruction optimisée pourront alors être comparées aux procédures standards de reconstruction et d'analyse afin d'évaluer leur apport en termes de quantification, de segmentation et, plus indirectement, de valeur pronostique. Une attention particulière sera portée aux lésions de petite taille, dont la quantification est particulièrement difficile en raison de la résolution spatiale limitée de la TEMP et des effets de volume partiel. Dans ce contexte, l'intérêt d'approches fondées sur l'intelligence artificielle, en particulier de techniques de réduction du bruit se substituant aux filtres spatiaux conventionnels, sera étudié dans l'objectif d'améliorer la détection, la délimitation et la quantification de ces lésions.