GNRATION DE PSEUDO CT TUDE DES PARAMTRES CLS

GÉNÉRATION DE PSEUDO CT : ÉTUDE DES PARAMÈTRES CLÉS Emilie Alvarez Andres, Lucas Fidon, Maria Vakalopoulou, Marvin Lerousseau, Alexandre Carré, Roger Sun, Anne Beaudre, Eric Deutsch, Nikos Paragios, Charlotte Robert

Conflit d’intérêts Thera. Panacea 2

Modalités d’imagerie des tumeurs cérébrales Modalités Etapes Scanner (CT) Contourage & Dosimétrie Densités électroniques Imagerie par Résonance Magnétique (IRM) Contourage Contraste tissus mous 3/04/2019 https: //indico. cern. ch/event/559908/contributions/2671736/attachments/1514031/2362095/Seco_Ago 30_Treatment_Planning_Lecture. pdf https: //www. semanticscholar. org/paper/Cyberknife-hypofractionated-stereotactic-(HSRS)-of-Wang-Floyd/ba 556 ac 0 a 7 bc 432 fafdcdba 92 e 355 cd 7 d 434 bd 5 a 3

Limitation Þ Nécessité de recaler les images pour les placer dans un même repère spatial Þ Erreurs jusqu'à 2 mm! Solution: Générer un pseudo CT (p. CT) à partir d'une IRM avec du Deep Learning Ulin K, Urie MM, Cherlow JM. Results of a multi-institutional benchmark test for cranial CT/MR image registration. Int J Radiat Oncol Biol Phys. 1 août 2010; 77(5): 1584‑ 9 https: //www. usine-digitale. fr/article/pourquoi-le-parlement-europeen-se-penche-t-il-sur-l-intelligence-artificielle-et-la-robotisation. N 832630 4

Etat de l’art Auteurs Han et al. (2017) Dimensions cohorte Training: 15 Test: 3 Nie et al. (2017) 16 Wolterink et al. (2017) Training: 18 Emami et al. (2018) Dinkla et al. (2018) Liu et al. (2019) Kazemifar et al. (2019) Lei et al. (2019) Test: 6 Training: 12 Test: 3 Training: 26 Test: 26 Training: 40 Test: 10 Séquences IRM Standardisation IRM 3 D IRM T 1 (T 1) Dynamic histogram warping - Zero mean/unit variance 3 D T 1 - 3 D IRM T 1 injection Gadolinium (T 1 -Gd) - 3 D T 1 -Gd - 2 D T 1 -Gd - T 1 - Training: 54 Validation: 9 Test: 14 Training: 23 Test: 1 5

But de l’étude Þ Nécessité d’analyser l’impact, sur la qualité des p. CT, de : - la taille du set d’entraînement - la séquence IRM - la standardisation des images IRM 6

Base de données 402 patients 182 CT/T 1 180 CT/T 1 -Gd 40 CT/T 1 -Gd - Recalage rigide CT sur IRM - Réechantillonnage voxels = 1 mm 3 - Standardisation intensités IRM Défaut: Basée sur histogramme (HB) Nyúl LG, Udupa JK. On standardizing the MR image intensity scale. Magn Reson Med. déc 1999; 42(6): 1072‑ 81. 7

Réseau Etape 1: Entrainement et validation du réseau 3 D Particularités : - Dilatation filtres → Contexte augmenté - Connexions résiduelles → Entrainement/optimisation facilités IRM High. Res. Net CT Modèle entrainé Li W, Wang G, Fidon L, Ourselin S, Cardoso MJ, Vercauteren T. On the Compactness, Efficiency, and Representation of 3 D Convolutional Networks: Brain Parcellation as a Pretext Task. Ar. Xiv 170701992 Cs. 8

Fonction coût CT p. CT 9

Réseau Etape 2: Test avec une cohorte indépendante IRM p. CT Modèle entrainé CT Comparaison 10

Evaluation de la qualité des p. CT 11

Expérience 1 : Tailles set entrainement (242, 121, 60, 30, 15) T 1 50% 50 % Train 50% 242 121 T 1 50 % 49% 50 % 60 50 % 30 50 % 47 % 15 53 % Valid 51% 81 T 1 51% Test 49% 79 12

Expérience 2 : Séquences IRM (T 1, T 1 -Gd) T 1 T 1 -Gd Train 134 Valid 44 Test 40 100% Train 133 Valid 44 Test 40 100% 13

Expérience 3 : Standardisation IRM (HB, ZMUV, NS) • HB : Basée sur histogramme. 1 1 • • 99 50 50 99 ZMUV : Moyenne = 0; variance = 1. NS : Pas de standardization. T 1 -Gd Train 242 50% T 1 -Gd Valid 81 51% T 1 -Gd Test 79 49% Nyúl LG, Udupa JK, Zhang X. New variants of a method of MRI scale standardization. IEEE Trans Med Imaging. févr 2000; 19(2): 143‑ 50. 14

Résultats - Expérience 1 : Tailles du set d’entrainement 101 HU+-27 HU 92 HU+-23 HU 15

Résultats - Expérience 2 : Séquences IRM CT initial 1 T ~ 1 T p. CT cohorte T 1 d G p. CT cohorte T 1 -Gd Cohorte T 1 -Gd p-values 84 HU +/- 25 HU 87 HU +/- 28 HU 0. 0047 274 HU +/- 63 HU 306 HU +/- 74 HU <0. 0001 MAE os 228 HU +/- 63 HU 236 HU +/- 71 HU 0. 066 MAE eau 38 HU +/- 11 HU 38 HU +/- 12 HU 0. 82 MAE tête MAE air 16

Résultats - Expérience 3: Standardisations IRM CT initial p. CT cohorte HB p. CT cohorte ZMUV p. CT cohorte NS 17

Résultats - Expérience 3: Standardisations IRM HB ZMUV NS MAE tête 92 HU +/- 23 HU 83 HU +/- 22 HU 96 HU +/- 23 HU MAE air 297 HU +/- 73 HU 284 HU +/- 62 HU 313 HU +/- 68 HU MAE os 251 HU +/- 61 HU 214 HU +/- 55 HU 252 HU +/- 60 HU MAE eau 39 HU +/- 11 HU 38 HU +/- 12 HU 43 HU +/- 11 HU p-value HB - ZMUV p-value HB - NS p-value ZMUV - NS MAE tête < 0. 0001 MAE air 0. 00034 < 0. 0001 MAE os < 0. 0001 0. 65 < 0. 0001 MAE eau < 0. 0001 18

Discussion Etudes MAE tête Han et al. (2017) 85 HU +/- 17 HU Dinkla et al. (2018) 67 HU +/- 11 HU Emami et al. (2018) 89 HU +/- 10 HU Lei et al. (2019) 56 HU +/- 9 HU Liu et al. (2019) 75 HU +/- 23 HU Kazemifar et al. (2019) 47 HU +/- 11 HU Cette étude 83 HU +/- 22 HU 19

Conclusion Avantages de l'étude : • Réseau 3 D • Large cohorte p. CT de haute qualité obtenus avec : • Standardisation IRM ZMUV • T 1 et T 1 -Gd • > 240 patients dans le set d’entrainement Travail futur : • Inclusion de la segmentation dans réseau • Combinaison avec d’autres méthodes non basées sur l’IA 20

Merci pour votre attention!