CD - Optimisation par deep learning de l'imagerie TEMP/TDM quantitative pour la radiothérapie interne vectorisée

école doctorale

équipe

contexte

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 α, rayonnement β⁻ 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.

spécialité

Sciences de la Vie et de la Santé - BioSE

laboratoire

IADI - Imagerie Adaptative Diagnostique et Interventionnelle