Deep Learning-based Methods for Radiotherapy Dose Optimization

Apprentissage profond pour l'optimisation des doses en radiothérapie La radiothérapie est un pilier du traitement moderne du cancer. La simulation de la dose de radiation avant son administration est une étape primordiale pour garantir la sécurité et la qualité du plan proposé. La méthode Monte-Carlo (MC), reconnue pour simuler le transport des particules et les interactions avec la matière, s'impose comme la référence en termes de précision dans cette tâche. Cependant, ses exigences en termes de calcul entravent son intégration dans le flux de travail clinique. L'apprentissage profond offre une voie prometteuse pour surmonter cette limitation.Le travail présenté dans cette thèse se concentre sur l'exploitation du potentiel de l'apprentissage profond pour accélérer les simulations Monte-Carlo des distributions de dose en radiothérapie. Notre nouvelle approche implique le traitement de séquences de simulations MC de faible précision à l'aide de modèles d'apprentissage profond. Étant donné les importantes données d'entraînement requises pour l'optimisation des modèles d'apprentissage profond, nous avons créé un jeu de données comprenant des simulations MC de réels plans de radiothérapie du monde réel, à l'aide d'un supercalculateur.Notre recherche explore des architectures d'apprentissage profond à la fois récurrentes et entièrement convolutives, que nous avons adaptées pour gérer des séquences de distributions de dose en 3D. Des études d'ablation ont mis en évidence les limitations inhérentes découlant de la petite taille de notre ensemble de données en 3D. Ce défi nous a conduit à explorer les capacités de nos modèles récurrents dans le cade d'entraînement faiblement supervisé. L'évaluation quantitative et qualitative de nos modèles a montré des performances compétitives comparés aux méthodes classiques et de pointe.Néanmoins, le calcul de la séquence d'entrée de simulation de dose MC à faible précision requiert toujours des ressources informatiques conséquentes. Pour contourner cette exigence entravante, nous avons élaboré des modèles qui extraient des informations essentielles des simulations MC à faible précision en entrée, sans nécessiter la séquence complète lors de l'inférence. Notre modèle repose sur des représentations vectorielles du nombre de photons simulés lors de la simulation MC des séquences de dose en entrée pour prédire les cartes de dose de haute précision. Cette approche a montré des performances améliorées tout en réduisant la charge informatique.Enfin, nous présentons une nouvelle classe de fonctions de coût pour optimiser les modèles d'apprentissage profond et compléter davantage notre stratégie d'accélération de la méthode MC. Notre nouveau critère d'optimisation, basé sur le taux de passage de l'indice gamma, s'aligne sur les normes d'évaluation clinique des distributions de dose. Nous proposons une approximation efficace et différentiable de cette métrique pour permettre des entraînements rapides de modèles d'apprentissage profond. De plus, nous fournissons une recette d'entraînement sur mesure qui renforce le potentiel de cette nouvelle fonction de perte innovante. Nos expériences soulignent les avantages significatifs de l'optimisation des modèles avec notre fonction de perte.