Publié le 6 janvier 2021 – Mis à jour le 22 décembre 2022

Evaluation quantitative de la réponse thérapeutique ou diagnostic de récidive par biomarqueurs PET ou IRM. Amélioration de la détectabilité des lésions sur images CT au moyen de modèles mathématiques. Détection automatique de lésions au moyen de méthode deep learning fondée sur l’intélligence artificielle.

Appareil de TDM : Evaluation mathématique sur fantôme anthropomorphique de la qualité image (bruit) pour différents niveaux d’algorithme de reconstruction itératif.

Appareil de TDM : Evaluation mathématique sur fantôme anthropomorphique de la qualité image (bruit) pour différents niveaux d’algorithme de reconstruction itératif.

L'imagerie fonctionnelle comme la tomographie par émission de positons (TEP) et l'imagerie par résonance magnétique nucléaire (IRM) ont démontré un potentiel élevé pour l'évaluation de la réponse thérapeutique ou le diagnostic de récidive.

En IRM, nous avons développé et validé une méthode fiable et reproductible de mesure par relaxométrie dynamique par IRM quantitative des paramètres tissulaires reflétant la vascularisation tumorale (perméabilité vasculaire (kep), fraction volumique extracellulaire (ve) et constante d’élimination plasmatique (K)). La valeur prédictive pour le contrôle des métastases cérébrales locales d'un score combiné de paramètres tissulaires physiologiques mesurés par relaxométrie dynamique déjà évaluée dans différentes pathologies (sein, tumeur du col) est évaluée sur des patients traités par radiothérapie stéréotaxique.

En radiologie, les appareils de tomodensitométrie RX (TDM) de nouvelle génération permettent, en particulier avec le développement d’algorithmes itératifs, de maintenir la qualité des images tout en diminuant significativement l’exposition au rayonnement des patients et de répondre ainsi à un enjeu majeur de réduction de dose tout en améliorant la détectabilité des lésions. Cependant, une optimisation sûre des protocoles TDM qui utilisent ces algorithmes nécessite une certaine compréhension de leur mise en œuvre. En particulier, conformément au rapport 54 de la Commission internationale des unités et mesures de rayonnement, la qualité de l'image doit être définie objectivement comme la capacité d’un observateur (humain ou mathématique) à extraire l’information diagnostique ayant donné lieu à l’image. Dans ce contexte, nous développons un outil mathématique de définition des paramètres d’acquisition et de reconstruction permettant d’obtenir l’information diagnostique désirée au moindre cout dosimétrique et ainsi d’améliorer la détectabilité des lésions.

Les performances de notre méthode mathématique seront comparées à celles d'un programme de détection automatique des lésions fondé sur une méthode de « deep learning » et d’analyse qualitative d’images TDM de 211 patients présentant des nodules pulmonaires avec une histologie systématique disponible.

 

Autres Partenaires du GCCA