Évaluation d’algorithmes de délinéation et de

planification de traitement basés sur l’intelligence

artificielle pour la radiothérapie externe
Gwenaelle Sidorski

To cite this version:

Gwenaelle Sidorski. Évaluation d’algorithmes de délinéation et de planification de traitement basés
sur l’intelligence artificielle pour la radiothérapie externe. Imagerie médicale. Université de Toulouse,
2024. Français. �NNT : 2024TLSES022�. �tel-04796374�

HAL Id: tel-04796374

[Link]
Submitted on 21 Nov 2024

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 THÈSE
En vue de l’obtention du
DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE
Délivré par l'Université Toulouse 3 - Paul Sabatier

Présentée et soutenue par

Gwenaelle SIDORSKI

Le 11 janvier 2024

Évaluation d'algorithmes de délinéation et de planification de

traitement basés sur l'Intelligence Artificielle pour la
radiothérapie externe

Ecole doctorale : GEETS - Génie Electrique Electronique,Télécommunications et

Santé : du système au nanosystème

Spécialité : Radiophysique et Imagerie Médicales

Unité de recherche :
CERCO - Centre de Recherche Cerveau et Cognition

Thèse dirigée par

Isabelle BERRY , Xavier FRANCERIES et Jocelyne MAZURIER

Jury
M. Jean-Marc BORDY, Rapporteur
Mme Véronique DEDIEU, Rapporteure
Mme Céline BOURGIER, Examinatrice
M. Mourad BENABDESSELAM, Examinateur
M. David PASQUIER, Examinateur
Mme Isabelle BERRY, Directrice de thèse
M. Xavier FRANCERIES, Co-directeur de thèse
Mme Jocelyne MAZURIER, Co-directrice de thèse du monde socio-économique
 A la mémoire de Martine Constans,

Merci pour tout, j’espère que vous serez fière

REMERCIEMENTS

Je tiens tout d'abord à exprimer ma profonde gratitude envers mon jury de thèse pour l'intérêt qu'ils
ont porté à mon travail. Mes premiers remerciements vont à mes rapporteurs, Jean Marc Bordy et
Véronique Dedieu, dont la disponibilité rapide et les corrections minutieuses ont grandement
enrichi mon manuscrit. Je suis également reconnaissant envers les examinateurs, Mourad
Benabdesselam, Céline Bourgier et David Pasquier, pour avoir accepté de participer à ma
soutenance. Ce fut un honneur pour moi d'échanger avec vous 5.

Je souhaite exprimer ma reconnaissance particulière envers mes directeurs de thèse, Jocelyne

Mazurier, Xavier Franceries et Isabelle Berry, pour avoir cru en ce projet, pour la confiance qu'ils
m'ont accordée et pour le soutien indispensable qu'ils m'ont apporté à chaque étape de cette
aventure.

Mes remerciements s'adressent également aux radiothérapeutes du groupe ORION Pasteur et aux
équipes de RaySearch pour avoir mis à ma disposition les ressources nécessaires à la réalisation
de ce travail. Un merci tout particulier aux manipulateurs en électroradiologie et aux secrétaires
du groupe ORION Pasteur, qui sont de vrais rayons de soleil et dont la bienveillance et le
professionnalisme sont admirables.

Je suis reconnaissante envers les physiciens médicaux et aides-physiciens - Daniel, Delphine,

Fanny, Jeremy B., Jeremy C, Nicolas, Romain, Susanna, Vincent et Yoan - pour avoir toujours
pris le temps de répondre à mes questions et pour m'avoir fait découvrir les subtilités de votre
métier. J'espère pouvoir vous rejoindre dans deux ans. Delphine, je reste à votre disposition pour
une partie de golf, même en Nouvelle-Calédonie.

Un grand merci également à Celia et Léa pour leur implication dans mes projets de thèse. Vos
travaux passés et à venir ont indéniablement élevé le niveau de cette recherche.

Je souhaite également adresser mes remerciements aux dosimétristes, mes « cobayes » - Bassem,
Frédérique, Sébastien, Stéphane et Victoire. Merci pour votre patience face à mes scripts et
modèles de plans de traitement parfois douteux. Vos retours d'expérience, vos encouragements et
votre soutien ont été précieux. Victoire, je te suis reconnaissante d'avoir été à mes côtés à chaque
étape de cette thèse, pour tes relectures attentives et nos échanges constructifs dans tous les
domaines. Cette thèse m'a non seulement enrichi professionnellement, mais m'a également offert
une véritable amie.
Mes remerciements vont également à ma famille, ma belle-famille et les poupounes pour leur
affection et leur soutien indéfectible. Je leur suis infiniment reconnaissante pour leur présence tout
au long de cette aventure.

Un merci tout spécial à la promotion des étudiants de DQPRM 2023/2025, ainsi qu'à Manon qui
m'a accompagné durant mon Master. Vous êtes géniaux et je suis reconnaissante de vous avoir
rencontrés à ce stade de ma thèse. Je souhaite exprimer ma gratitude à mes colocataires - Alexis,
Elena et Pauline - pour leur soutien pendant ces trois mois intenses (et un peu plus pour Elena),
pour nos échanges enrichissants et leur aide. Sans vous, je ne sais pas comment j'aurais pu achever
ce travail.

Un grand merci au « Celt Club » - Adil, Benjamin, Cédric, Coralie, Géraud, Julien, Ludivine, les
Pauline, Samantha les Sophie, et Thibault - pour son amitié indéfectible et les olympiades. Je suis
heureuse d'avoir un cercle d'amis aussi soudé et attentionné. Merci à Sophie, Julien et Ludivine
pour leur présence lors de mes passages à Paris et chacune de nos « bagarres », à Laura pour avoir
pris du temps à traduire mes travaux et son soutien constant. Merci également à Coralie de m’avoir
toujours écouté et épaulée. Tu es tellement forte, je suis fière d’être ta témoin.

Adeline, je te remercie de toujours me porter vers le haut, quel que soit le domaine. Tu es une
source d'inspiration. Tu te donnes toujours à 100% pour toi et pour les autres. Alice a une chance
inestimable de t'avoir comme maman.

Enfin, un immense merci à Sylvain, mon pilier, mon Sam. Cette thèse est aussi la tienne et je suis
éternellement reconnaissante de t’avoir dans ma vie. Je suis fière de toi, je t'aime et je suis
convaincu que l'avenir nous réserve de belles choses avec plein de graines de sésame.

1
TABLE DES MATIERES

INTRODUCTION GENERALE ........................................................................................................................................ 1

CHAPITRE 1 : LA RADIOTHERAPIE EXTERNE............................................................................................... 3

1. INTRODUCTION ................................................................................................................................................ 4
2. GENERALITES SUR LES TRAITEMENTS EN RADIOTHERAPIE............................................................................... 5
3. LES SYSTEMES DE PLANIFICATION DE TRAITEMENTS TPS............................................................................. 10

Imagerie pré-traitement et délinéation des structures ................................................................................ 10

Planification de traitement ......................................................................................................................... 11
L’optimisation............................................................................................................................................. 12
Techniques pour délivrer les faisceaux d’irradiations ............................................................................... 14
4. OPTIMISATION DU TEMPS ET UNIFORMISATION DES PRATIQUES DANS UN TPS .............................................. 16
5. VERIFICATION PRE-TRAITEMENT ................................................................................................................... 19
Vérification des plans de traitement par la mesure .................................................................................... 19
Vérification des plans de traitement par le double calcul .......................................................................... 21
Logiciels pour la vérification des plans de traitement ................................................................................ 22
6. SYNTHESE ..................................................................................................................................................... 24

CHAPITRE 2 : SEGMENTATION AUTOMATIQUE ........................................................................................ 25

1. LES DIFFERENTS ALGORITHMES DE SEGMENTATION AUTOMATIQUE .............................................................. 26

Multi-Atlas Based Segmentation (MABS) ................................................................................................... 26
Model Based Segmentation (MBS) ............................................................................................................. 27
Deep Learning ............................................................................................................................................ 28
2. OUTILS ET METHODES UTILISES POUR L’EVALUATION DES ALGORITHMES DE SEGMENTATION AUTOMATIQUE
32
Outils de comparaison de contours ............................................................................................................ 32
Outils de comparaison de volumes ............................................................................................................. 34
Méthodes d’évaluation des algorithmes de segmentation automatique...................................................... 37
3. RESULTATS.................................................................................................................................................... 39
Etude 1 : Comparaison des algorithmes : Reference/DL/MABS/MBS ....................................................... 39
Etude 2 : Evaluation du DL pour 23 structures .......................................................................................... 46
Etude 3 : Modèle de DL entraîné sur base de données locale .................................................................... 54
Etude 4 : Comparaison de 2 DL de segmentation automatique ................................................................. 56
4. SYNTHESE ET DISCUSSION SUR LA SEGMENTATION AUTOMATIQUE ............................................................... 62

CHAPITRE 3 : PLANIFICATION AUTOMATIQUE ......................................................................................... 64

1. INTRODUCTION .............................................................................................................................................. 65
2. ALGORITHMES DE PLANIFICATION DE TRAITEMENT AUTOMATIQUE .............................................................. 67
Algorithme de planification multicritères – MCO ...................................................................................... 67
Algorithme de Dose Mimicking .................................................................................................................. 68
Algorithmes de Planification par Intelligence Artificielle .......................................................................... 69
 3. OUTILS ET METHODES UTILISES POUR EVALUER LES PLANS DE TRAITEMENT ................................................. 74
Outils d’évaluation de la qualité de plan.................................................................................................... 74
Outils d’évaluation de la délivrabilité du traitement .................................................................................. 76
Outils statistiques pour l’analyse statistique des plans de traitement ........................................................ 76
Méthode de la délivrabilité des plans de traitement ................................................................................... 77
Comparaison des plans de traitement ........................................................................................................ 79
4. RESULTATS.................................................................................................................................................... 85
Etude 1 : Comparaison des plans automatiques par rapport aux plans de référence ................................ 85
Etude 2 : Amélioration des plans générés par MCO .................................................................................. 87
Etude 3 : Etude préclinique du DL pour la mise en œuvre clinique ........................................................... 88
Etude 4 : Retour d’expérience sur l’IA en routine clinique pour les plans de traitement du pelvis. .......... 95
5. SYNTHESE ET DISCUSSION SUR LA PLANIFICATION AUTOMATIQUE .............................................................. 101

CHAPITRE 4 - MISE EN ŒUVRE DES SOLUTIONS AUTOMATIQUES DANS UN ENVIRONNEMENT

CLINIQUE .............................................................................................................................................................. 105

1. INTRODUCTION ............................................................................................................................................ 106

2. MISE EN ŒUVRE CLINIQUE DES SOLUTIONS D’AUTOMATISATION................................................................. 107
Prérequis à l’intégration de la solution d’automatisation........................................................................ 107
Développement du processus d’automatisation........................................................................................ 108
Validation de la solution d’automatisation .............................................................................................. 108
Intégration de la solution d’automatisation au flux de travail ................................................................. 109
3. AUTOMATISATION PAR SCRIPT PYTHON ...................................................................................................... 110
Développement des scripts Python ........................................................................................................... 110
Validation des scripts ............................................................................................................................... 113
Limites d’utilisation et bonnes pratiques des scripts d’automatisation .................................................... 114
4. MISE EN ŒUVRE, LIMITES ET ENJEUX ETHIQUES DE L’IA ............................................................................. 117
Mise en œuvre ........................................................................................................................................... 117
Limites de l’utilisation des IA ................................................................................................................... 118
Enjeux éthiques de l’Intelligence Artificielle ............................................................................................ 120
5. SYNTHESE ................................................................................................................................................... 125

CONCLUSION ET PERSPECTIVES .................................................................................................................. 126

CONCLUSION ET PERSPECTIVES ............................................................................................................................. 127

La segmentation automatique .......................................................................................................................... 127
La planification automatique........................................................................................................................... 128
La mise en œuvre des méthodes automatiques ................................................................................................ 128
Perspectives ..................................................................................................................................................... 129

RÉFÉRENCES ........................................................................................................................................................ 132

ANNEXES ............................................................................................................................................................... 143

1. INTERACTIONS PARTICULES-MATIERE ......................................................................................................... 144

2. ALGORITHMES DE CALCUL DE DOSE ............................................................................................................ 145
Algorithmes Monte-Carlo ......................................................................................................................... 145
 Algorithme de découpage en éléments finis : convolution / superposition de Kernels ............................. 146
3. LE PLATEAU TECHNIQUE DU GROUPE ORION-PASTEUR ............................................................................. 148
4. RESEAU DE NEURONES CONVOLUTIF ........................................................................................................... 150
Etage de convolution ................................................................................................................................ 150
Etage de classification .............................................................................................................................. 151
5. MODELES DE SEGMENTATION D’ORGANES .................................................................................................. 154
Organes segmentés par le DL de RayStation ........................................................................................... 154
Organes segmentés par MBS .................................................................................................................... 155
6. ARBRES DE DECISION ET FORETS ALEATOIRES ............................................................................................. 156
7. DISTRIBUTION DE DOSE A PRIORI AVEC DES ATLAS DE FORETS ALEATOIRES ............................................... 157
Atlas Regression Forest (ARF) pour l’estimation de la dose ................................................................... 157
Conditional Random Field Pour l’estimation de la dose en fonction de la ROI ...................................... 158
Sélection d’Atlas ....................................................................................................................................... 159
8. INDICES DE COMPLEXITE ............................................................................................................................. 160
Le parcours de lames : Leafs Travel (LT) ............................................................................................... 161
L’écart moyen par paire de lames : Average Leafs Gap (ALG) ............................................................... 162
Edge Metric (EM) ..................................................................................................................................... 162
Irrégularité de plan: Plan Irregularity (PI) ............................................................................................. 163
Score de complexité de modulation (MSC) ............................................................................................... 164
9. BASES DE DONNEES ET ATTENDUS DOSIMETRIQUES DE L’ENTRAINEMENT DES IA ....................................... 165
Traitement du pelvis ................................................................................................................................. 165
Traitement d’un Encéphale in toto ........................................................................................................... 168
10. PARAMETRES DE POST TRAITEMENT DE LA DISTRIBUTION DE DOSE A PRIORI D’UN DL ................................ 170
11. PARAMETRAGE DE L’ALGORITHME DE DOSE MIMICKING ............................................................................. 171
12. EXEMPLE DE SCRIPTS POUR L’AUTOMATISATION DE LA RADIOTHERAPIE EXTERNE ..................................... 172
LISTE DES FIGURES

Figure 1-2-1 - ICRU 50 - Schéma des régions d'intérêt ................................................................................................ 5

Figure 1-2-2 - Schéma d’un accélérateur linéaire (LINAC) classique .......................................................................... 7

Figure 1- 2-3 - Schéma de la tête d'irradiation d'un LINAC classique .......................................................................... 7

Figure 1-2-4 - Schéma d'un collimateur multi-lames pendant un traitement en radiothérapie externe ......................... 8

Figure 1- 2-5 - Schéma de la géométrie tenon-mortaise ............................................................................................... 8

Figure 1- 2-6 - Schéma des bouts arrondis des lames du MLC ..................................................................................... 9

Figure 1- 3-1 - Illustration de la délinéation d'un organe sur les coupes de scanner ................................................... 11

Figure 1-3-2 - Schéma des interactions des particules dans la tête d'irradiation ......................................................... 13

Figure 1-3-3 - Schéma de l’algorithme du Collapsed Cone Convolution (CCC) pour le traitement de la fluence primaire
[33] .................................................................................................................................................................... 14

Figure 1-5-1 - Schéma d'un imageur portal haute énergie .......................................................................................... 20

Figure 1-5-2 - Schéma de l'installation de l’ArcCHECK, une matrice 3D ................................................................. 21

Figure 1-5-3 - Schéma des segments de simulation dans PRIMO .............................................................................. 23

Figure 2-1-1 - Schéma d'un volume sphérique, discrétisé, avec un maillage .............................................................. 27

Figure 2-1-2 - Schéma d'un réseau de neurones convolutif ........................................................................................ 28

Figure 2-1-3 - Schéma d'un réseau de neurones entièrement convolutif ..................................................................... 30

Figure 2-1-4 - Schéma du réseau de neurones entièrement convolutif U-net ............................................................. 31

Figure 2-2-1 - Schéma de l'ensemble des points de 2 volumes (A et B), des distances entre les points (flèches rouges
et bleues) et de correspondance (flèches jaunes) entre A et B ........................................................................... 32

Figure 2-2-2 - Schéma de la boîte d'encombrement (en bleu) d’un organe (en orange) ............................................. 33

Figure 2-2-3 - Schéma des comparaisons, sur chaque axe (x,y et z) des boîtes d'encombrement en fonction des
coordonnées centrales et des tailles des boîtes. ................................................................................................. 34

Figure 2-2-4 - Schéma de la comparaison des deux volumes avec le vrai positif (violet), le faux positif (rouge), le faux
négatif (bleu) et le vrai négatif (orange). ........................................................................................................... 34

Figure 2-2-5 - Schéma des résultats obtenus avec les indices en fonction des volumes manuels et DL initiaux ........ 36

Figure 2-3-1 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS,
DL et MBS pour la vessie.................................................................................................................................. 39

Figure 2-3-2 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement et celles
segmentées par MABS, DL et MBS pour la vessie ........................................................................................... 40
Figure 2-3-3 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS,
DL et MBS pour le rectum ................................................................................................................................ 41

Figure 2-3-4 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement et celles
segmentées par MABS, DL et MBS pour le rectum .......................................................................................... 41

Figure 2-3-5 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par DL
(Rectum) et ceux corrigés manuellement (Rectum +2 – 2). .............................................................................. 42

Figure 2-3-6 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS,
DL et MBS pour les têtes fémorales .................................................................................................................. 42

Figure 2-3-7 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement et celles
segmentées par MABS, DL et MBS pour les têtes fémorales. .......................................................................... 43

Figure 2-3-8 - Schéma d'une tête fémorale ................................................................................................................. 43

Figure 2-3-9 – Une comparaison de contourage de la vessie par un radiothérapeute vs le contourage automatique
MABS (DSC=0.72, ISN =0.63, ISP=0.88), MBS (DSC=0.75, ISN =0.66, ISP=0.98) et DL (DSC=0.98, ISN=0.97,
ISP=0.99) ............................................................................................................................................................ 44

Figure 2-3-10 - Une comparaison entre le contourage des têtes fémorales par un radiothérapeute vs le contourage
automatique MABS (DSC=0.93, ISN=0.94, ISP=0.94), MBS (DSC, ISN=0.99, ISP=0.80) et DL (DSC =0.84, ISN =0.99,
ISP=0.65) ............................................................................................................................................................ 44

Figure 2-3-11 - Une comparaison entre le contourage du rectum par un radiothérapeute vs le contourage automatique
MABS (DSC=0.43, ISN =0.44, ISP=0.45), MBS (DSC=0.24, ISN =0.93, ISP =0) et DL (DSC=0.61, ISN = 0.95, ISP=
0)........................................................................................................................................................................ 45

Figure 2-3-12 - Différences moyennes de tailles et de coordonnées centrales des boîtes d’encombrements entre les
volumes segmentés par RS et les volumes corrigés par le radiothérapeute. Pour les axes tête/pied, droite/gauche
et antérieur/postérieur. ....................................................................................................................................... 48

Figure 2-3-13 - Différences moyennes de tailles et de coordonnées centrales des boîtes d’encombrements entre les
volumes segmentés par RS et les volumes corrigés par le radiothérapeute. Pour les axes tête/pied, droite/gauche
et antérieur/postérieur. ....................................................................................................................................... 49

Figure 2-3-14 - Patient présentant la plus grande différence de contourage du canal médullaire entre le volume du
radiothérapeute (jaune) et la segmentation automatique de RayStation (bleu) :................................................ 50

Figure 2-3-15- Exemple de patient pour l’étude qualitative par comparaison des contours segmentés automatiquement
par DL (bleu) et corrigé manuellement par le radiothérapeute (jaune) et (D SC = 0.58, rapport volumique = 0.78)
........................................................................................................................................................................... 51

Figure 2-3-16 - Exemple de patient pour l’étude qualitative par comparaison des contours de nerfs optiques corrigé
manuellement par le radiothérapeute (jaune) et segmentés automatiquement par le DL de RayStation (bleu) (D SC
=0.74) ................................................................................................................................................................ 51
Figure 2-3-17 – Patiente de l’étude comparative des contours des seins segmentés automatiquement (RayStation en
bleu) et corrigés automatiquement par le script (Correction automatique en jaune). ........................................ 52

Figure 2-3-18 - Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés par
le DL de RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de vésicules séminales ..... 55

Figure 2-3-19 - Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés par
le DL de RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de ganglions
lymphatiques pelviens ....................................................................................................................................... 55

Figure 2-3-20 – Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés
par le DL de RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de prostate ........ 55

Figure 2-3-21 - Patient ayant une différence de contourage de l’œsophage entre le volume de RS corrigé par le
radiothérapeute (jaune) et la segmentation automatique de Limbus (violet). .................................................... 58

Figure 2-3-22 –Exemple de différence de contourage de la cavité buccale entre le volume de RS corrigé par le
radiothérapeute (jaune) et la segmentation automatique de Limbus (violet), .................................................... 58

Figure 2-3-23 - Exemple de différence de contourage du chiasma et des nerfs optiques entre le volume de RS corrigé
par le radiothérapeute (jaune) et la segmentation automatique de Limbus (violet) ; Chiasma optique -> DSC=
0.34 et rapport volumique = 0.21 ; Nerfs optiques -> DSC= 0.75 et rapport volumique = 0.67 ......................... 59

Figure 2-3-24 -Exemple de différence de contourage d’un cristallin entre le volume de RS corrigé (jaune) et la
segmentation automatique de Limbus (violet)................................................................................................... 59

Figure 3-2-1 – Schéma de l’espace de Pareto en 2 dimensions pour la protection d’un rectum et la couverture d’un
volume cible. ..................................................................................................................................................... 67

Figure 3-2-2 - Interface MCO dans le TPS RayStation .............................................................................................. 68

Figure 3-2-3- Distribution de dose délivrable générée à partir du Mimicking et de la distribution de dose à priori... 69

Figure 3-2-4 - Distribution de dose à priori générée par Machine Learning ............................................................... 69

Figure 3-2-5 - Distribution de dose a priori ................................................................................................................ 70

Figure 3-2-6 - Processus pour l'obtention d'un modèle d'IA avec RaySearch ............................................................. 71

Figure 3-2-7- Schéma des opérations effectuables sur les structures d'optimisation .................................................. 72

Figure 3-2-8 – Distributions de dose prédite (en haut à gauche), post traitée (en haut à droite) et délivrables avec
différentes stratégies (en bas). ........................................................................................................................... 73

Figure 3-3-1 - Utilisation du MCO en routine clinique pour les Encéphales in toto ................................................... 80

Figure 3-3-2 - Utilisation du DL en routine clinique pour les Prostate, Loge, Pelvpro, PelvLoge et ProVS .............. 81

Figure 3-4-1 - Différence de couverture entre un plan MCO automatisé (Plan MCO-AUTO) et un plan MCO automatisé et
amélioré manuellement (PlanMCO++) .................................................................................................................. 88

Figure 3-4-2 - Distribution spatiale de l'isodose 100% de la prescription (rouge) dans le PTV (jaune) ..................... 89
Figure 3-4-3 - Histogramme dose volume des régions d'intérêt (têtes fémorale, vessie, rectum et PTV) générés plans
les PlanDL avec post traitement (ligne avec point) et sans post traitement (ligne avec croix) ............................ 90

Figure 3-4-4 – Histogramme dose-volume des régions d'intérêts (têtes fémorale, vessie, rectum et PTV) et Plan DL-POST
(lignes avec points) et les distributions de dose délivrables : Plan DL-MIMICKED (lignes foncées avec triangles). 91

Figure 3-4-5 - Différence de couverture entre un plan généré par Deep Learning (Plan DL) et un autre généré par MCO
automatisé et amélioré manuellement PlanMCO++ ............................................................................................... 94

Figure 3-4-6 - Le diagramme en boîte, la valeur moyenne (ligne en pointillés) et la valeur réelle (points) du taux de
réussite du gamma global (GPR) 2%-2mm entre le plan de traitement calculé et le plan de traitement mesuré.
........................................................................................................................................................................... 99

Figure 4-3-1 - Exemple de message pop-up.............................................................................................................. 114

Figure 4-4-1 : Processus de mise en œuvre clinique des IA...................................................................................... 117

Figure A-3-1 - Novalis Tx (Varian Medical Systems, Palo Alto, CA-Brainlab AG, Munchen, Germany) .............. 148

Figure A-3-2 - Halycon (Medical Systems, Palo Alto) ............................................................................................. 148

Figure A-3-3 – VERO (CA-Brainlab AG, Munchen, Germany) .............................................................................. 149

Figure A-4-1 - Schéma d'une opération de convolution sur une image voxelisée .................................................... 150

Figure A-4-2 - Schéma de la fonction Pooling d'un réseau de neurones convolutif ................................................. 151

Figure A-4-3- Schéma du neurone formel de McCulloch et Pitts ............................................................................. 152

Figure A-4-4 - Schéma du perceptron multicouche .................................................................................................. 153

Figure A-6-1 - Schéma d'un arbre de décision .......................................................................................................... 156

Figure A-6-2 - Schéma du partitionnement de l’arbre de décision ........................................................................... 156

Figure A-8-1 - Parcours de la lame 5 gauche sur deux segments s=1 et s=2 d'un même faisceau « b » ................... 161

Figure A-8-2 - Leaf Gap pour une paire de lames positionnées en n=5, d'un segment « s », pour un faisceau « b » 162

Figure A-8-3 - Eléments "x" en bleu et "y" en rouge de l'ouverture d'un MLC pour un segment "s" donné ............ 162

Figure A-8-4 - Aire (jaune) et périmètre (vert) d'ouverture de lame du MLC pour un segment « s » et un faisceau « b »
donnés.............................................................................................................................................................. 163

Figure A-8-5 - Variation géométrique de lames et variabilité de l'ouverture de lame pour un segment « s » donné d'un
faisceau « b » ................................................................................................................................................... 164

Figure A-9-1 - Distribution de dose d’un traitement de prostate avec atteintes des aires ganglionnaires, traité en deux
temps (46+32 Gy = 78 Gy) en 39 fractions de 2 Gy ........................................................................................ 165

Figure A-9-2 - Exemple d'un plan de traitement classique dans la base de données proVS ..................................... 167

Figure A-9-3 - Exemple d'un plan de traitement classique de la base de données pelvPro....................................... 167
Figure A-9-4 - Distribution de dose d’un traitement d’encéphale in toto, traité en 10 séances de 3 Gy ................... 169

Figure A-12-1 Exemple de script pour la génération des PTV et des structures d'optimisation ............................... 172

Figure A-12-2 - Exemple de script pour l’initialisation automatique d’un plan de traitement.................................. 173

Figure A-12-3 Interface graphique pour la sélection des données de la base de données ......................................... 174

Figure A-12-4 - Interface graphique pour l'analyse et la comparaison de deux méthodes ........................................ 175

Figure A-12-5 - Interface graphique pour la comparaison de DVH.......................................................................... 175

Figure A-12-6 - Interface graphique pour l’évolution temporelle d’un paramètre dans le temps. ............................ 176

Figure A-12-7- Interface graphique pour l’export au format DICOM ...................................................................... 176
LISTE DES TABLEAUX

Tableau 2-3-1 - Comparaison entre les structures segmentées automatiquement avec et sans corrections pour
différentes localisations et pourcentages de structures automatisées ayant subi une correction manuelle ........ 47

Tableau 2-3-2 – Comparaison pour un patient, des volumes segmentés automatiquement sans correction et ceux
corrigés par un radiothérapeute. ........................................................................................................................ 53

Tableau 2-3-3 - Moyennes des indices DSC et du rapport volumique entre les structures segmentées automatiquement
avec et sans corrections pour les volumes cibles de la région anatomique pelvienne ...................................... 54

Tableau 2-3-4 – Comparaison entre les structures segmentées automatiquement par RayStation (RS) et par Limbus
(LB), et différences apportées par la correction manuelle des volumes de RS. ................................................. 57

Tableau 2-3-5 - Récapitulatif de l’étude comparative entre les DL de RayStation (RS) et le DL de Limbus (LB) .... 60

Tableau 3-3-1 – Protocoles de traitements des études................................................................................................. 79

Tableau 3-3-2 - Modèle utilisé en routine clinique et le nombre d’utilisation pour 79 patients .................................. 84

Tableau 3-4-1- Comparaison entre les PlanMAN PlanMCO PlanML et PlanDL. Les paramètres améliorés sont notés en vert
et les paramètres dégradés sont notés en rouge. Les différences entre les écarts types des mesures sont notées
entre crochets ..................................................................................................................................................... 85

Tableau 3-4-2 - Comparaison des indices qualité de plan entre les Plan MCO PlanMCO-AUTO et PlanMCO++ .................... 87

Tableau 3-4-3 -Comparaison entre les isodoses (en pourcentage de la prescription) à l’aide de l’indice Jaccard ...... 91

Tableau 3-4-4 - Taux de plans acceptables en regard des objectifs cliniques en fonction de la stratégie choisie et de la
machine ............................................................................................................................................................. 92

Tableau 3-4-5 - Comparaison entre les PlanMCO, PlanMCO++ et les PlanDL. Les meilleurs résultats sont notés en vert et
les pires en rouge ............................................................................................................................................... 93

Tableau 3-4-6- Taux d'acceptabilité des plans générés automatiquement par DL améliorés (Plan DL++) ou non (PlanDL)
manuellement .................................................................................................................................................... 95

Tableau 3-4-7 - Comparaisons PlanDL++ et PlanDL en fonction du site traité. Les différences sont quantifiées avec des
p-values ............................................................................................................................................................. 96

Tableau 3-4-8 - Comparaisons des PlanDL et PlanDL++ avec les indices de complexité, en fonction du site traité. .... 98

Tableau 3-4-9 - Temps chronométré pour générer des Plan MAN et Plan DL++ ............................................................ 99

Tableau 3-5-1 - Synthèse des études comparatives entre les différentes méthodes de génération de plan de traitement
......................................................................................................................................................................... 101

Tableau A-5-1 - Liste des organes segmentés automatiquement dans RayStation v11B avec le DL et en fonction du
site anatomique ................................................................................................................................................ 154
Tableau A-5-2 - Liste des organes segmentés automatiquement dans RayStation v9B avec le MBS et en fonction du
site anatomique ................................................................................................................................................ 155

Tableau 3-11-1 : Listes des acronymes utilisés pour le calcul des indices de complexité ........................................ 160

Tableau A-9-1 - Objectifs cliniques pour l’irradiation d’une prostate ou loge prostatique ....................................... 166

Tableau A-9-2 - Ajustement des modèles d’IA initiaux pour correspondre aux protocoles de traitement ; prescription
et volumes cibles traités ................................................................................................................................... 168

Tableau A-9-3 - Objectifs cliniques pour l’irradiation d’un encéphale in toto ......................................................... 169
LISTE DES ABREVIATIONS

ALG Ecart moyen d’une paire de lame

AAPM Association américaine des physiciens médicaux
AAV Variabilité d’ouverture de lames
BdD Base de données
BI Irrégularité de faisceau
CARF Atlas de forêts aléatoires contextuelles
CART Atlas d’arbre de régressions contextuels
CBCT Scanner volumétrique par faisceau conique
CN Nombre de conformation
CT Scanner
CTV Clinical Target Volume
dH Distance d’Hausdorff entre deux structures
DICOM Digital Imaging and Communications in Medicine
DL Apprentissage profond / Deep Learning
dM Distance moyenne entre deux structures
DSC Indice Sørensen-Dice
EM Edge Metric
EPID Imagerie portal
ESTRO Société européenne de radiothérapie et oncologie
FFF Sans cône égalisateur
FN Faux Negatif
FOC Facteur d’Ouverture du Collimateur
FP Faux Positif
GPR Taux de réussite au test gamma
HAS Haute Autorité de Santé
HDV Histogramme Dose-Volume
HC Indice de conformation aux tissus sains
HI Indice d’homogénéité
IA Intelligence Artificielle
IAEA Agence international de l’énergie atomique
IGRT Radiothérapie guidée par image
IMAT Arcthérapie avec modulation d’intensité
IMRT Radiothérapie avec modulation d’intensité
ISN Indice de sensibilité
ISP Indice de spécificité
KB Génération automatique de plans basés sur les connaissances
KBML KB utilisant un Machine Learning
KBSTAT KB utilisant des statistiques
LB Limbus
LSV Variation géométrique de lames
LT Parcours de lame
MABS Segmentation basée sur des atlas multiples
MBS Segmentation basée sur des modèles
MCO Optimisation multicritères
MCOPRIOR Optimisation multicritères à priori
MCOPOSTERIOR Optimisation multicritères à posteriori
MCS Score de complexité de modulation
ML Apprentissage automatique / Machine Learning
MLC Collimateur multi-lames
NTS Indice d’épargne aux tissus sains
OAR Organe à risque
ORL Ortho-Rhino-Laryngologie
PA Ouverture de champ moyenne
PB Génération automatique de plans basés sur les protocoles
PlanDL Plans générés par Deep Learning
PlanDL++ PlanDL et amélioré manuellement
PlanDL-NOVALIS PlanDL délivrés par Novalis
PlanDL-HALCYON PlanDL délivrés par Halcyon
PlanMAN Plans générés par manuellement / Plans de références
PlanMCO Plans générés par optimisation multicritères
PlanMCO-AUTO PlanMCO amélioré par optimisation classique automatisées
PlanMCO++ PlanMCO-AUTO et amélioré manuellement
PlanML Plans générés par Machine Learning
PM Modulation moyenne de plan
PI Irrégularité de plan
PQI Indice de qualité de plan
PTV Planning Target Volume
RC 3D Radiothérapie Conformationnelle 3 Dimensions
R CMI Radiothérapie Conformationnelle avec Modulation d’Intensité.
ROI Régions d’intérêts
RS RayStation
RTM Rapport Tissus Maximum
SAUTO Structure générée automatiquement
SCORR Structure générée automatiquement et corrigée manuellement
SFPM Société Française de Physique Médicale
SMAN Structure délinéée manuellement
TC Indice de couverture du volume cible
TG Géométrie de lames tenon-mortaise
TPS Système de planification de traitement
UH Unité Hounsfield
UM Unité Moniteur
VAUTO Volume de SAUTO
VCORR Volume de SCORR
VMAN Volume de SMAN
VMAT Irradiation avec modulation d'intensité volumétrique par arcthérapie
VN Vrai Négatif
VP Vrai positif
WFF Avec cône égalisateur
 Introduction générale

INTRODUCTION GENERALE

Cette thèse évalue des algorithmes d'Intelligence Artificielle commercialisés pour leur utilisation
en radiothérapie externe. L'objectif est de les mettre en service dans un environnement clinique et
de proposer des modes d'emploi pour leur utilisation en routine clinique, dans l'optique d'un gain
de temps, de l'uniformisation des pratiques et éventuellement d'une amélioration de la qualité des
plans de traitement. Le département de radiothérapie de la Clinique Pasteur, le groupe ORION,
souhaite utiliser ces algorithmes pour la segmentation et la planification de traitement
automatiques proposées par le TPS développé par RaySearch (RaySearch Medical Laboratories
AB, Stockholm, Suède) : RayStation® dans les versions 9B et 11B[1] ,[2]. En effet, d'une part, les
techniques de traitement se complexifient au fil du temps, demandant plus de précisions quant à
la délimitation des régions d'intérêts [3]. D'autre part, la réalisation d'un plan, sa qualité et sa
rapidité d'exécution découlent de l'expérience de l'opérateur [4].

Notre étude s'articule autour de quatre chapitres : Le premier situe le contexte d'utilisation des
méthodes automatiques. Les généralités sur les traitements par radiothérapie y sont rappelées, et
les logiciels de planification de traitement (Treatment Planning System, TPS) y sont décrits.

Le deuxième chapitre est consacré à la segmentation automatique. Il détaille les différentes

méthodes évaluées : Model Based Segmentation (MBS), Multi-Atlas Based Segmentation
(MABS) et le Deep Learning (DL). Les outils d'évaluation de ces méthodes sont ensuite présentés.
Enfin, les résultats des évaluations de ces 3 méthodes sont donnés, ainsi que les résultats d'une
comparaison entre deux Deep Learning commercialisés par différents constructeurs (RaySearch et
Limbus).

Le troisième chapitre se concentre sur la génération automatique de plans de traitement par

Machine Learning (ML), Deep Learning (DL) et par optimisation multicritères (MCO). D'abord,
nous présentons ces méthodes, puis les outils d'évaluation (indices dosimétriques, de complexité
et validation par la mesure). Enfin, nous évaluons l'intérêt de ces méthodes, nous optimisons

1
 Chapitre 1 : La radiothérapie externe

l'utilisation du DL, présentons les études précliniques des modèles de DL et donnons notre retour
d'expérience clinique de la génération de plans automatiques par MCO et le DL.

Le quatrième et dernier chapitre est dédié à la mise en œuvre clinique des outils automatiques. En
premier lieu, nous détaillons l'utilisation de scripts automatisant des tâches de la routine clinique.
Ensuite, nous évoquons les procédés de mise en œuvre et de validation des méthodes décrites dans
cette thèse, et les limites de ces méthodes. Enfin, nous discutons de l'éthique d'utilisation de
l'automatisation.

2
 Introduction générale

CHAPITRE 1 : LA RADIOTHERAPIE
EXTERNE

3
 Chapitre 1 : La radiothérapie externe

1. INTRODUCTION

Le guide des procédures de radiothérapie externe de 2007 fait état des recommandations pour les
traitements par radiothérapie. En optimisant la prise en charge au cours des différentes étapes du
parcours patient citées ci-dessous :

Le(s) symptôme(s) : Conduit le patient à consulter.

Le diagnostic : Prouve l’existence du cancer et juge de son importance compte tenu de l’état du
patient et du contexte où il évolue.

La décision thérapeutique : Après accord du patient, son dossier est soumis à une réunion de
concertation pluridisciplinaire (RCP) où des médecins spécialisés définissent la visée du
traitement (curatif ou palliatif) et le choix des modalités de traitement (radiothérapie, intervention
chirurgicale, hormonothérapie, combinaison de plusieurs techniques). Enfin, un programme
personnalisé de soins (PPS) est établi et proposé au patient.

L’information du patient et son consentement : Aux yeux de la loi, le médecin a l’obligation

d’informer le patient de façon claire sur sa maladie, son bilan, les traitements possibles et les
risques qu’il encourt.

Les délais de mise en traitement : Dans le cadre d’une radiothérapie et en fonction des modalités
supplémentaires choisies (irradiation exclusive, postopératoire, préopératoire, traitement
médicamenteux en parallèle), le patient peut être pris en charge très rapidement (1 à 2 jours) ou,
au maximum, au bout de 8 semaines.

Le traitement : Une description de la radiothérapie est donnée dans les chapitres suivants.

4
 Généralités sur les traitements en radiothérapie

2. GENERALITES SUR LES TRAITEMENTS EN RADIOTHERAPIE

Selon la définition de l’Institut National du Cancer, la radiothérapie est : « Un traitement du cancer

par des rayons qui détruisent les cellules cancéreuses ou stoppent leur développement. La
radiothérapie est un traitement local et, les rayons en eux-mêmes ne sont pas douloureux, mais ils
peuvent provoquer des effets secondaires » [5].

Lorsque la radiothérapie est indiquée, le radiothérapeute détermine sa prescription en fonction des

régions d’intérêt (ROIs) définies par l’ICRU 50 et 92 [6] et réalise la délinéation des organes
suivant des règles précises :

• Clinical Target Volume (CTV) : Cibles de

l’irradiation,
• Planning Target Volume (PTV) : Le CTV avec des
marges afin de prendre en compte les incertitudes de
positionnement du patient ou de mouvements d’organes
et éviter les problèmes d’homogénéité de dose dans le
CTV.
• Organ At Risk (OAR) : Les organes proches (ou à
Figure 1-2-1 - ICRU 50 - Schéma des régions d'intérêt l’intérieur) de la zone à traiter (PTV) qu’il faut préserver.

Le radiothérapeute définit ensuite la dose de prescription : la dose, le nombre de séances et le

fractionnement des séances.

La simulation du traitement est effectuée à l’aide d’un logiciel de planification de traitement appelé
Treatment Planning System (TPS). Dans un premier temps, un scanner de planification en
condition de traitement est réalisé pour servir de référence à la planification de traitement. D’autres
examens supplémentaires comme l’imagerie par résonance magnétique (IRM) et/ou d’une
tomographie par émission de positrons (TEP) peuvent être nécessaires afin de récupérer les
données anatomiques du patient afin de déterminer les ROI.

Dans un second temps, les opérateurs étudient la balistique des faisceaux de traitement ainsi que
la distribution de dose simulée par le TPS, prenant en compte les contraintes dosimétriques

5
 Chapitre 1 : La radiothérapie externe

imposées par le radiothérapeute (prescription sur les volumes cibles et protections des organes à
risques) et les objectifs de couverture des volumes cibles recommandés par l’ICRU [8] :

• 98 % des volumes cibles reçoivent au minimum 95 % de la dose prescrite.

• 2 % des volumes cibles reçoivent jusqu’à 107 % de la dose prescrite.

Les contraintes cliniques aux OAR sont respectées pour éviter les risques de toxicité [7]. Ces
contraintes sont issues d’études bibliographiques : Quantitative Analyses of Normal Tissue Effects
in the Clinic (QUANTEC) et sont reprises par des groupes d’études. Ces contraintes sont
adaptables en fonction du contexte (âge, état du patient, évolution de la tumeur, conditions
particulières des organes, etc.) [8].

Plusieurs techniques de traitement peuvent être utilisées : RC3D, IMRT, VMAT. Ces techniques,
décrites dans le Chapitre 1-3.4 sont souvent couplées avec l’IGRT qui permet un repositionnement
précis du patient sur la table de traitement.

Le plan de traitement est ensuite validé par le radiothérapeute et le physicien médical, puis délivré
au patient avec des contrôles sur les positionnements et sur la distribution de dose déposée.

L’IRRADIATION EN RADIOTHERAPIE EXTERNE

Les faisceaux d’irradiation sont générés par un accélérateur linéaire de particules (Linac) et sont
délimités par un collimateur présent dans la tête d’irradiation permettant de conformer le faisceau
à la tumeur et d’éviter l’irradiation inutile des organes sains autour de la tumeur.

L’ACCELERATEUR LINEAIRE

Les accélérateurs Linacs utilisent des faisceaux d’électrons dont l’énergie varie entre 6 et 25MeV,
pouvant être « transformés » en photons en interposant une cible dans la tête d’irradiation (spectres
d’énergie de 6 à 25MV, X MV correspond à un spectre de photons d’énergie maximum de X MeV)
[9]. La Figure 1-2-2 schématise les accélérateurs linéaires : Les électrons proviennent d’un canon
à électrons et sont injectés dans la section accélératrice qui, comme son nom l’indique, accélère
les électrons à l’aide d’un champ électrique puissant fourni un klystron ou un magnétron. En sortie
de la section, les électrons sont déviés par des aimants de courbure, permettant de diriger le
faisceau perpendiculairement à la section accélératrice et de filtrer les électrons en fonction de

6
 Généralités sur les traitements en radiothérapie

leurs énergies. Enfin, une fente d’énergie est placée au bout de la déviation pour ne sélectionner
que les électrons possédant l’énergie souhaitée.

Figure 1-2-2 - Schéma d’un accélérateur linéaire (LINAC) classique

LA TETE D’IRRADIATION

La tête d’irradiation (illustrée par la Figure 1- 2-3) sert à mettre en forme et contrôler le faisceau.

Le premier collimateur élimine les

rayonnements émis à grand angle et
atténue la pénombre. Un cône
égalisateur homogénéise le faisceau en
absorbant les photons en sortie de la
tête. Puis, un ensemble de chambres
d’ionisation permettent de monitorer le
faisceau en vérifiant la symétrie,
l’homogénéité et l’énergie du faisceau.
Ensuite, un second collimateur resserre
le faisceau sur la région à traiter à l’aide
de 2 paires de mâchoires superposées
qui contrôlent l'ouverture et la Figure 1- 2-3 - Schéma de la tête d'irradiation d'un LINAC classique

fermeture du champ d’irradiation.

7

7
 Chapitre 1 : La radiothérapie externe

LE COLLIMATEUR MULTI-LAMES (MLC)

Figure 1-2-4 - Schéma d'un collimateur multi-lames pendant un traitement en radiothérapie externe

Le collimateur multi-lames conforme le faisceau au volume cible [10]. Il est constitué de deux
bancs de lames où chacune peut s’ouvrir ou se fermer indépendamment des autres. Ainsi, les
faisceaux prennent une forme prédéfinie correspondant à la forme du volume cible et avec une
précision égale à l’épaisseur de lame. Les lames du MLC possèdent une géométrie particulière
afin de répondre aux problématiques de pénombre en bout de lames et de friction entre lames
adjacentes [11] ,[12].

Les lames sont imbriquées entre elles pour éviter les fuites
et les frictions, la géométrie est dite tenon-mortaise, ou en
anglais « tongue and groove » (T&G). Ces géométries
varient en fonction des constructeurs. L’une d’elleest
illustrée dans la Figure 1- 2-5.

Figure 1- 2-5 - Schéma de la géométrie tenon-mortaise

8
 Généralités sur les traitements en radiothérapie

Par ailleurs, le bout des lames des accélérateurs est

arrondi (Figure 1- 2-6) pour mieux focaliser le
faisceau et minimiser la pénombre (transmission du
faisceau atténuée). La plupart des nouveaux MLC sont
pourvus de ces lames, mais elles sont difficiles à
modéliser dans le TPS.
Figure 1- 2-6 - Schéma des bouts arrondis des lames du MLC

STEP AND SHOOT

La technique Step and Shoot est une irradiation séquentielle. Cela signifie que pour chaque
séquence d’irradiation, les lames du MLC se déplacent, définissent une nouvelle forme de champ
et l’irradiation est réalisée dans ce champ fixe [3].

SLIDING WINDOW
Les lames du MLC bougent de façon continue pendant l’irradiation, contrairement au Step and
Shoot. Au départ, les lames sont fermées d’un côté du champ et elles effectuent un balayage en
continu pour se refermer de l’autre côté du champ [3].

Pour que l’accélérateur linéaire de particules délivre un traitement adapté aux besoins du patient.
Celui-ci doit être préalablement planifié grâce à un système de planification de traitement (TPS).

9
 Chapitre 1 : La radiothérapie externe

3. LES SYSTEMES DE PLANIFICATION DE TRAITEMENTS TPS

Avant les années 1970, les traitements étaient planifiés avec des abaques d’isodoses
prédéterminées.

Aujourd’hui, les systèmes de planification de traitement ou Treatment Planning System (TPS) sont
des outils essentiels pour définir les balistiques de faisceaux permettant l’irradiation des tumeurs
en radiothérapie. La modélisation des faisceaux est préalablement réalisée par les physiciens
médicaux en renseignant les caractéristiques des accélérateurs dans le TPS.

Généralement, les systèmes de planification de traitement ont plusieurs modules permettant :

- La visualisation et/ou recalage d’images 3D multimodales.

- La délinéation des organes cibles ou à risques.
- La planification de traitement.
o Création de la balistique.
o Calcul de dose dans le patient.

IMAGERIE PRE-TRAITEMENT ET DELINEATION DES STRUCTURES

Pour les traitements par radiothérapie des examens d’imagerie pré-traitement sont nécessaires,
d’une part, pour observer la géométrie des patients et localiser la tumeur et les organes à risques
environnants. D’autre part pour définir les coefficients d’atténuation des tissus irradiés (Unité
Hounsfield, UH) et permettre le calcul de la dose sur ces images. Pour ce faire, plusieurs modalités
d’imageries peuvent être utilisées : l’imagerie par résonnance magnétiques (IRM), la tomographie
par Emissions de positrons (TEP) et le scanner tomodensitométriques. Ce dernier est obligatoire
car c’est à partir de ces images que les UH sont déterminées, il est appelé scanner de planification.
L’acquisition se fait en plusieurs coupes sur l’axe tête pied (axe transversal) et un algorithme
reconstruit l’image sur l’axe antéro-postérieur (axe coronal) et droite-gauche (axe sagittale) [13],
[14].

10
 les Systèmes de Planification de Traitements TPS

RECALAGE
Dans le cas où un patient passe par différents examens d’imagerie, les TPS fournissent des outils
permettant de recaler les images avec le scanner de planification. La fusion permet d’obtenir une
seule image avec toutes les informations (un jeu de voxels pour les deux images).

Le recalage peut être divisé en deux parties : recalage rigide, sans modification géométrique, et
la déformation, avec modifications géométriques d’une image pour l’adapter à une autre. Il existe
une multitude d’algorithmes de recalage et chaque TPS possède le sien [15].

DELINEATION
Au terme de la visualisation et du recalage, le travail de délinéation peut débuter.

La délinéation (illustrée avec la Figure 1- 3-1) consiste en

l’action de contourer sur chaque coupe de l’image les
structures d’intérêts en fonction de la localisation de la
tumeur. Les organes sont délinéés suivant des règles précises
et des contraintes de dose leurs sont imposées [16], [17].
Cette étape est primordiale mais chronophage. Par ailleurs,
les techniques d’irradiation étant de plus en plus complexes
Figure 1- 3-1 - Illustration de la délinéation nécessitent plus d’organes délinéés, et donc davantage de
d'un organe sur les coupes de scanner
temps dédié à cette tâche.

PLANIFICATION DE TRAITEMENT

La planification de traitement permet de définir la balistique optimale pour irradier le patient. Dans
l’objectif de répondre aux consignes fixées par le radiothérapeute sur la zone traitée et les organes
environnants, l’opérateur initialise le calcul avec des informations essentielles à la planification:
(1) la dose de prescription, (2) la distribution de dose souhaitée pour le volume cible et les organes
à risque, (3) le fractionnement de la dose par séance, (4) la technique d’irradiation, (5) le nombre
de faisceaux et de points de contrôle (pour VMAT), (6) les angles des faisceaux (départ et arrêt
pour du VMAT), (7) la machine de traitement, (8) l’énergie du faisceau, (9) la grille de calcul de
dose, (10) la rotation du collimateur multi-lames et (11) la taille d’ouverture des mâchoires.
11

11
 Chapitre 1 : La radiothérapie externe

L’OPTIMISATION

L’optimiseur traduit un problème en une fonction objectif qui définit l’écart entre la distribution
de dose souhaitée et la distribution de dose délivrable, le but étant de réduire au maximum cet
écart.

L’optimisation inverse est un processus itératif :

1 La technique d’irradiation et les objectifs et des contraintes de dose définissent la distribution

de dose souhaitée.
2 Chaque faisceau est divisé en petits éléments (bixels) auxquels sont affectés des poids : c’est
la matrice de fluence.
3 La distribution de dose estimée est calculée à partir de la matrice de fluence avec un
algorithme de calcul de dose généralement simplifié pour augmenter la vitesse de calcul.
4 Les poids des bixels sont adaptés de sorte que la différence entre la distribution de dose
souhaitée et la distribution de dose estimée soit la plus faible possible.
5 La matrice de fluence est traduite en mouvement de MLC ainsi qu’en nombre d’unités
moniteurs (séquencement) et génère une distribution de dose délivrable par la machine.
6 La distribution de dose séquencée est recalculée avec un algorithme plus complexe, pour une
meilleure estimation de la dose délivrée par la machine. La distribution de dose résultante est
la distribution de dose calculée.
7 À l’issue de ces processus, si la distribution de dose calculée n’est pas acceptable, l’opérateur
recommence la totalité de l’optimisation en rétablissant une balistique et des
objectifs/contraintes de dose. Dans le cas contraire, la distribution de dose calculée est validée
par un radiothérapeute : la distribution de dose calculée est alors acceptée.

LE SEQUENCEMENT
Le séquenceur calcule les positions de lames du MLC ainsi que le nombre d’UM à partir de la
matrice de fluence et pour tous les points de contrôle (dans le cas d’un traitement VMAT). Cette
conversion ne prend pas en compte la distribution de dose souhaitée. De ce fait, la distribution de
dose délivrable est différente de la distribution de dose estimée et possiblement non acceptable
cliniquement.

12
 les Systèmes de Planification de Traitements TPS

Le processus d’optimisation directe des paramètres machines (DMPO) diffère du processus

classique car l’optimisation et le séquencement sont calculés en même temps. Ainsi, il n’existe pas
de différence entre la distribution de dose estimée et la distribution de dose délivrable.

LE CALCUL DE DOSE
Les algorithmes de calcul de dose ont pour but de modéliser le transport de toutes les particules
(de la tête d’irradiation aux géométries du patient « voxelisés ») et de calculer le dépôt d’énergie
provoqué par ces particules.

Un schéma de la tête d’irradiation est représenté

dans la figure ci-contre (Figure 1-3-2). La dose
dans le milieu va dépend des photons primaires,
secondaires et des électrons de contamination
issus de l’interaction des photons avec les
éléments de la tête d’irradiation [18] donné en
Annexe-1.

Aujourd’hui, les principaux algorithmes se basent

sur la modélisation des principes physiques. Deux de
ces algorithmes (Monte-Carlo et découpage en
éléments finis) sont détaillés en Annexe-2.
Figure 1-3-2 - Schéma des interactions des particules
dans la tête d'irradiation

Pour rendre l’optimisation plus rapide, le calcul de la distribution de dose estimée est simplifié.
Un second calcul de dose, plus complexe, est utilisé à la fin du processus d’optimisation afin
d’obtenir une meilleure estimation de la dose délivrée (prise en compte des photons diffusés
latéraux). De ce calcul résulte la distribution de dose calculée. Les 2 algorithmes du TPS
RayStation utilisent des algorithmes de types convolution/ superposition de kernels nécessitant le
calcul de 2 composantes :

• L’énergie totale libérée par unité de masse (TERMA) qui est l’énergie cédée au milieu lors
de l’interaction avec le photon primaire.

13

13
 Chapitre 1 : La radiothérapie externe

• Le kernel de dose représentant la distribution d’énergie déposée par les particules

secondaires autour du site de l’interaction de la particule primaire. Les kernels sont
représentés sous forme de point, de pinceau ou de plan [19], [20].

Dans RayStation, la distribution de dose estimée est calculée par l’algorithme Singular Value
Decomposition (SVD). Ce dernier utilise des kernels pinceaux 3D qu’il décompose en kernel
latéral et kernel en profondeur. La distribution de dose est obtenue en 3 convolutions 2D entre la
fluence de particules et les 3 composantes : primaire, diffusé dans un petit champ et diffusé dans
un grand champ [20], [21].
La distribution de dose calculée dans le TPS
RayStation utilise le Collapsed Cone
Convolution (CCC). Ce calcul se divise en deux,
d’une part, la fluence diffusée est modélisée par
une exponentielle, et d’autre part, la fluence
primaire est modélisée par des séries de cônes
coaxiaux dont l’énergie qui s’en libère est
Figure 1-3-3 - Schéma de l’algorithme du Collapsed Cone transportée de façon rectiligne pour être traitée
Convolution (CCC) pour le traitement de la fluence primaire
[33] uniquement sur l’axe des cônes. [22], [23].

Cependant, les distributions de dose estimée ou calculées dépendent également de la technique de

délivrance des faisceaux. Elle peut être avec ou sans modulation d’intensité et avec des faisceaux
stationnaires ou mobiles.

TECHNIQUES POUR DELIVRER LES FAISCEAUX D’IRRADIATIONS

Initialement, les volumes cibles sont traités par des faisceaux d’intensité uniforme et parfois
modifiés par des « filtres en coin ». Cependant, la forme de certains volumes cibles et la protection
des organes à risque nécessitent des faisceaux modulés en intensité (IMRT) [14]. Ces derniers
peuvent être stationnaires (ne bougent pas pendant l’irradiation) ou mobiles (Arcthérapie, les
faisceaux bougent en continu pendant l’irradiation).

14
 les Systèmes de Planification de Traitements TPS

TECHNIQUE AVEC FAISCEAUX STATIONNAIRES

Lors d’une irradiation IMRT à faisceaux stationnaires, le bras de l’accélérateur reste fixe et utilise
les lames du MLC pour moduler le faisceau en intensité. Plusieurs faisceaux avec des angles
d’incidences propres sont utilisés et tous convergent vers un même point. Plus les volumes cibles
sont proches des organes à risque, plus il y aura de contraintes dosimétriques et le nombre de
faisceaux devra être plus important.

ARCTHÉRAPIE: VOLUMETRIC MODULATED ARC THERAPY (VMAT)

Cette technique repose sur la rotation du bras et sur le mouvement des lames du MLC, tous deux
en continu lors de l’irradiation. Ces arcs permettent de moduler en fluence à l’aide de quatre
techniques [26] :

• Variation du débit de dose.

• Variation de la vitesse de rotation de bras.
• Déplacement des lames.
• Rotation du collimateur.

Cette modulation permet de créer des distributions de doses se conformant au volume cible et
créant un plus grand gradient de dose pour épargner les tissus sains. Progressivement, les
traitements qui étaient délivrés par IMRT tendent à être remplacés par des traitements VMAT.

L’arc complet est approximé par une série de champs fixes uniformément espacés appelés points
de contrôle définis dans les travaux de thèse de Ming Chao Yang [27].

Finalement, la réalisation d’un plan de traitement passe par 3 grandes étapes : l’acquisition des
images pré-traitement, la délinéation des régions d’intérêts et la planification de traitement. Cette
dernière dépend de plusieurs paramètres (prescription, objectifs de dose, calcul de dose, technique
de délivrance des faisceaux). Chacune de ces étapes demandent une charge de travail chronophage.
Dans la suite de ce chapitre, nous présentons des méthodes d’optimisation du temps et
d’uniformisation des pratiques pour la réalisation d’un plan de traitement, notamment grâce à
l’apport des intelligences artificielles.

15

15
 Chapitre 1 : La radiothérapie externe

4. OPTIMISATION DU TEMPS ET UNIFORMISATION DES PRATIQUES DANS

UN TPS

L'élaboration des traitements en radiothérapie est conditionnée par deux étapes fondamentales : la
délinéation précise des organes à risque et la planification de traitement. Toutefois, il convient de
noter que ces processus sont chronophages en raison de leur complexité et de leur importance
critique dans le processus de traitement. De plus, ces étapes dépendent de l’expérience de
l’opérateur, engendrant une variabilité des qualités des plans de traitement. Partant de ce constat,
de plus en plus de solutions sont proposées dans le TPS pour offrir un gain de temps et uniformiser
les pratiques. Parmi ces solutions, les intelligences artificielles connaissent un essor remarquable.

Les termes « Intelligence artificielle » sont définis comme étant « la construction de programmes
informatiques qui s’adonnent à des tâches qui, pour l’instant, sont accomplies de façon plus
satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels
que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique » [28].

Plus récemment, les progrès en capacité de stockage de données et l’amélioration de la puissance

de calcul des ordinateurs permettent la naissance de nouveaux outils informatiques (données
massives et science des données). Ces technologies mêlent mathématiques et statistiques sur un
large volume de données permettant à la machine d’apprendre par elle-même : c’est
l’apprentissage automatique (Machine Learning). Ce mouvement est poussé plus loin par le
développement de l’apprentissage profond (Deep Learning) s'inspirant du fonctionnement du
cerveau humain, pour lequel des réseaux neuronaux sont capables d'apprendre des caractéristiques
et des représentations complexes à partir de données brutes [29].

LA SEGMENTATION AUTOMATIQUE
La délinéation manuelle implique, pour chaque coupe du scanner, de sélectionner les zones
appartenant à chaque organe. Pour gagner du temps, les TPS intègrent des solutions de contourage
partielles :

- L’interpolation permet à l’utilisateur de ne délinéer que quelques coupes sur l’ensemble

existant. Ensuite, l’algorithme interpole, sur toutes les coupes, les contours entre eux.

16
 Optimisation du temps et uniformisation des pratiques dans un TPS

- Les opérations algébriques peuvent consister en l’extension ou la contraction d’une structure

ou la réalisation de l’union ou l’intersection de deux volumes.
- Les outils de seuillage permettent de segmenter toutes les zones ayant des voxels avec des UH
comprises dans un intervalle de valeurs renseignées par l’utilisateur.
- De nouvelles techniques de contourage automatiques voient le jour segmentant entièrement le
volume. On peut citer les méthodes [1], [30], [31]:
o Basées sur des Atlas (Multi-Atlas Based MABS) qui génèrent les structures en fonction
de la similarité du nouveau patient avec un patient de l’Atlas
o Basées sur des modèles (Model Based Segmentation MBS) qui génèrent les structures
en fonction d’un modèle statistiques sur sa forme et la géométrie du patient
o Basées sur des Intelligence Artificielle (IA) qui classifient les voxels d’une image (une
IA par modalité d’imagerie) comme appartenant à un type d’organe.

Le deuxième chapitre de cette thèse est dédié à l’explication et l’évaluation de ces méthodes pour
un environnement clinique.

LA PLANIFICATION AUTOMATIQUE POUR L’OPTIMISATION DU TEMPS

Aujourd’hui, de nombreux TPS possèdent des méthodes innovantes pour l’aide à la planification
de traitement. En 2018, Hussein et al catégorisaient ces méthodes en 3 groupes :

- Les algorithmes basés sur les protocoles (PB) qui imitent les étapes d'optimisation d'un
planificateur humain [32]–[42].
- L'optimisation multicritères (MCO) qui vise à donner le meilleur plan de traitement en trouvant
un compromis entre des objectifs de dose contradictoires [43]–[54] .
- Les algorithmes basés sur les connaissances (KB) qui utilisent des bases de données de plans
de traitement pour en générer un nouveau [55]–[59].

Le Chapitre 3 est dédié aux méthodes de génération automatique de plan de traitement disponibles
dans le TPS RayStation : l’optimisation multicritères (MCO) et les intelligences artificielles (IA)
qui sont des algorithmes basés sur les connaissances.

17

17
 Chapitre 1 : La radiothérapie externe

LES SCRIPTS
Un autre outil, mis à disposition des opérateurs dans le TPS RayStation, est la possibilité de réaliser
des scripts en langage Python permettant l’automatisation de tâches répétitives à l’aide d’un
interpréteur Python. De plus, RayStation possède une bibliothèque de fonctions liées au TPS
simplifiant l’élaboration des scripts. Ce système offre de nombreuses possibilités, notamment
celles d’automatiser une partie de la création des structures et de la génération des plans de
traitement (utilisant ou non les méthodes de planification automatique). En outre, les scripts
peuvent évaluer plusieurs métriques sur toute la base de données des patients.

Cependant, l’utilisation de méthodes automatiques peut impacter la qualité de la réalisation des

plans de traitement. Bien que ces méthodes soient vérifiables visuellement et modifiables
manuellement, il est nécessaire que les plans de traitements générés automatiquement soient
vérifiés avant les traitements par la mesure et/ou le double calcul de dose. Ces méthodes sont
expliquées dans le prochain paragraphe.

18
 Vérification pré-traitement

5. VERIFICATION PRE-TRAITEMENT

L’assurance qualité patient permet de vérifier que la distribution de dose reçue par le patient
pendant sa séance de traitement est conforme à la distribution de dose calculée par le TPS [60].

Dans un premier temps, le plan de traitement est exporté sous format DICOM afin d’être transmis
à la machine. Un second calcul des Unités Moniteur (UM) est réalisé sur un logiciel indépendant
afin de vérifier que le nombre d’UM calculé par le TPS est cohérent et que le fichier DICOM ne
subisse pas subi d’altération pendant l’export [61].

Dans un second temps, la distribution de dose calculée par le TPS est comparée soit à la mesure
soit à un double calcul de dose indépendant pour vérifier la délivrabilité des faisceaux de traitement
par la machine.

VERIFICATION DES PLANS DE TRAITEMENT PAR LA MESURE

Il existe plusieurs outils permettant de mesurer les plans de traitement comme les systèmes
d’imagerie portale (EPID), les fichiers logs et les matrices 3D de détecteurs (ArcCHECK).

La comparaison entre les distributions de dose calculées par le TPS et mesurées peut être réalisée
de deux manières :

• Dans la géométrie CT du patient (EPID, logs) : la distribution de dose mesurée est recalculée
dans le patient et comparée à la distribution de dose calculée par le TPS.
• Dans la géométrie CT du détecteur (matrices ou EPID) : La distribution de dose calculée par
le TPS est recalculée sur le CT du détecteur. Puis cette distribution de dose recalculée est
directement comparée à la mesure du détecteur.

MESURE AVEC L’IMAGEUR PORTAL SANS PATIENT

Les imageurs portal haute énergie (Electronic Portal Imaging Device, EPID), sont des détecteurs
2D, directement intégrés à l’accélérateur, qui sont toujours positionnés face au faisceau lors de
l’irradiation [60]. Leur fonctionnement est schématisé dans la Figure 1-5-1.

19

19
 Chapitre 1 : La radiothérapie externe

Figure 1-5-1 - Schéma d'un imageur portal haute énergie

Avant le début du traitement (sans patient), le plan de traitement est exporté vers la machine et
délivré sur l’EPID. L’image mesurée par l’EPID permet de recalculer la distribution de dose dans
la géométrie du patient ou en 2D sur le détecteur (avec son propre algorithme de dose), afin de le
comparer à l’image obtenue par l’EPID.

EXPLOITATION DES FICHIERS LOG

La vérification des distributions de dose calculées peut être réalisée à l’aide des fichiers logs. Ces
derniers sont les enregistrements des positions de bras, de collimateur, de lames, du débit de dose
et du nombre d’Unité Moniteurs (UM) lorsque le traitement est délivré. Ces fichiers permettent de
recalculer indépendamment la distribution de dose dans la géométrie du patient.

MESURES AVEC UNE MATRICE 3D

L’ArcCHECK (Sun Nuclear, Melbourne) [62] est une matrice cylindrique 3D de 1386 diodes.
Celles-ci sont espacées de 1 cm et agencées de manière hélicoïdale pour éviter les zones d’ombre
et le chevauchement des diodes, dans le but de mesurer la dose en entrée et en sortie du détecteur.
Un premier cylindre contient toutes les diodes placées à 2.9 cm de profondeur. À l’intérieur se

20
 Vérification pré-traitement

trouve un second cylindre d’un diamètre de 15 cm en PMMA (plastique transparent, plexiglas,

avec une densité équivalente à l’eau) et enfin un dernier cylindre : CavityPlug™ en PMMA
possède également une cavité dans laquelle une chambre d’ionisation peut être insérée [63].

Figure 1-5-2 - Schéma de l'installation de l’ArcCHECK, une matrice 3D

Avant chaque campagne de mesures, le détecteur est centré par rapport au faisceau et calibré dans
les conditions de référence. Ensuite, la distribution de dose mesurée par l’ArcCHECK est
comparée à la distribution de dose calculée dans le TPS sur le CT de l’ArcCHECK. Précisons que
le temps de mise en place et d’irradiation avec ce type de détecteur peut être important.

VERIFICATION DES PLANS DE TRAITEMENT PAR LE DOUBLE CALCUL

La vérification du plan de traitement peut également être réalisée par double calcul. La distribution
de dose simulée est alors comparée à celle calculée par le TPS [64]–[68]. La vérification des plans
de traitement est plus proche de la réalité clinique, étant donné qu’elle est réalisée dans le CT du
patient et prend en compte les hétérogénéités des tissus. De plus, ces méthodes peuvent être
automatisées et permettent de libérer du temps d’utilisation des machines de traitement.

La plupart de ces méthodes se basent sur des codes Monte-Carlo, réputés pour leur précision de
calcul. Le code Monte-Carlo permet de simuler la trajectoire d’une particule dans la matière et,
21

21
 Chapitre 1 : La radiothérapie externe

par conséquent, de simuler la dose déposée dans le patient. Lors des simulations, des fichiers
d’espace de phase peuvent être créés dans le but de garder en mémoire les caractéristiques des
particules (type, énergie, position, direction, origine) à un instant donné.

Pour améliorer la précision des calculs sans ajouter de particules dans le fichier d’espace des
phases, les codes Monte-Carlo utilisent des techniques de réduction de variances dont
plusieurs jouent sur les poids (importance) des particules [69] :

• Interactions forcées : Augmente la probabilité d’interaction des particules dans les milieux
peu susceptibles de voir des collisions. En contrepartie, leurs poids sont diminués.
• Splitting : Clone les particules N fois. Chaque clone évolue indépendamment et leurs poids
sont divisés d’un facteur N.
• Roulette-russe : Vise à stopper les particules contribuant peu au résultat en appliquant une
probabilité de mourir plus importante si elles s’éloignent de la zone d’intérêt.
• Fenêtre de poids : En fonction de son poids, la particule passera soit par la roulette russe,
soit par le splitting.

LOGICIELS POUR LA VERIFICATION DES PLANS DE TRAITEMENT

La vérification des distributions de dose calculées dans le TPS se fait par rapport aux distributions
de dose mesurées ou recalculées. Pour ce faire, des logiciels permettent un double calcul de dose
et/ou une interface pour comparer les distributions de dose entre elles.

SUNCHECK PATIENT

SunCHECK Patient est un logiciel créé pour l’assurance qualité patient (QA). D’une part, il
possède un système de double calcul de dose (DoseCHECK). Pour les machines du plateau du
groupe ORION (données en Annexe-3) il utilise un algorithme de Collapsed Cone Convolution
[70]. Il dispose également un algorithme Monte Carlo pour le double calcul de dose utilisable sur
d’autres types d’accélérateurs.

D’autre part, il permet de comparer les distributions de dose calculées par le TPS avec les mesures
sur les détecteurs (ou fichiers logs). SunCHECK peut recalculer la distribution de dose mesurée

22
 Vérification pré-traitement

dans la géométrie du patient, ou recalculer la distribution de dose calculée dans le TPS dans la
géométrie du détecteur.

PRIMO

PRIMO est un logiciel utilisant le code Monte-Carlo PENENLOPE pour simuler le transport des
particules dans un accélérateur et/ou l’algorithme DPM pour le dépôt de dose dans un patient ou
dans un fantôme. Les géométries des accélérateurs Clinac avec cône égalisateur et Novalis sans
cône égalisateur sont disponibles dans le logiciel. Celles-ci sont issues du code PENGEOM créant
des surfaces quadratiques et/ou du code PenVox pour des géométries voxelisées. Le calcul de dose
dans les différentes géométries tient compte de la masse volumique des matériaux ainsi que de
leur composition atomique.
Dans PRIMO les simulations sont découpées en 3 segments, présentés sur la figure ci-dessous :

Segment 1 : Simulation du faisceau dans la tête de l’accélérateur,

de la cible aux mâchoires exclues.
Segment 2 : Simulation du faisceau dans les mâchoires et du
MLC.
Segment 3 : Simulation du faisceau dans un fantôme créé en
superposant différentes couches de matériaux, ou dans un patient
à partir de son CT.

Figure 1-5-3 - Schéma des segments de

simulation dans PRIMO

23

23
 Chapitre 1 : La radiothérapie externe

6. SYNTHESE

Aujourd’hui, la radiothérapie avec modulation d’intensité par VMAT/IMRT est indiquée dans une
grande majorité des cas, car elle combine une forte conformation de la dose au niveau des volumes
cibles et une bonne protection des tissus sains. Pour délivrer ces traitements aux patients, les
systèmes de planification de traitement (TPS) permettent aux radiothérapeutes de définir les
régions d'intérêt (ROI) et les prescriptions associées. En parallèle, les équipes de physique
médicale, comprenant physiciens et dosimétristes, élaborent les plans de traitement garantissant le
respect des critères de dose requis, en définissant les balistiques des faisceaux et en calculant la
distribution de dose déposée dans le patient.

Enfin, pour garantir l’adéquation entre la distribution de dose calculée par le TPS et délivrée, des
mesures obtenues à l'aide de détecteurs ou un double calcul de dose utilisant une modélisation plus
précise de la machine de traitement et un calcul plus réaliste sont utilisés.

La radiothérapie est une succession de tâches répétitives nécessitant une grande précision dans
leur réalisation et demandant une charge de travail conséquente. De plus, la qualité et la rapidité
de réalisation de ces tâches sont tributaires de l’expérience de l’utilisateur.

Dans cette optique, l’utilisation d’algorithmes d’automatisation et notamment les algorithmes

d’intelligence artificielle peuvent jouer un rôle essentiel pour optimiser et améliorer l’ensemble de
ce processus, afin de libérer du temps aux professionnels pour qu’ils puissent se consacrer aux cas
les plus complexes.

24
 Synthèse

CHAPITRE 2: SEGMENTATION
AUTOMATIQUE

25

25
 Chapitre 2 : Segmentation automatique

1. LES DIFFERENTS ALGORITHMES DE SEGMENTATION AUTOMATIQUE

La délinéation manuelle des organes induit une variabilité inter-observateur [4], [71]. En outre,
cette étape primordiale avant la réalisation d’un plan de traitement demande du temps. Les
méthodes de segmentation automatique visent à réduire la charge de travail manuelle et à
augmenter l’uniformité inter-observateurs des contours générés. De nos jours, de nombreux
algorithmes commercialisés sont proposés aux radiothérapeutes, leur promettant un gain de temps
et de précision dans leurs contours.

Dans ce chapitre, nous évaluerons la segmentation automatique par Deep Learning du TPS
RayStation par rapport à trois autres algorithmes de segmentation automatique d’organes :

− Basé sur des Atlas de patient, Multi Atlas Based Segmentation (MABS ; RaySearch).
− Basé sur des modèles d’organes, Model Based Segmentation (MBS ; RaySearch) .
− Second algorithme de Deep Learning (LB; Limbus AI Inc., Regina, SK, Canada).

MULTI-ATLAS BASED SEGMENTATION (MABS)

Les méthodes basées sur des Atlas sont développées par différents constructeurs [72] [73]:
WorkFlow Box (Mirada Medical), MIM Maestro (MIM Software), SPICE (Philips), ABAS
(Elekta), [Link] (Siemens) et le MABS (RaySearch Laboratories). Ces méthodes permettent de
segmenter automatiquement des structures à partir d’une cohorte de patients de référence
appelés candidats à partir de leurs CT et de l’ensemble des structures d’intérêt délinéées.

Pour l’algorithme MABS de RS, la segmentation automatique des structures sur un nouveau CT
s’effectue en deux temps :

− La sélection des meilleurs candidats : choisis en fonction de leurs similarités avec le nouveau
patient en comparant leurs contours externes. Des recalages sont ensuite effectués entre les CT
des meilleurs candidats et celui du nouveau patient à l’aide d’un algorithme de recalage
d’images appelé ANAtomically CONstrained Deformation Algorithm (ANACONDA) [74].
Cet algorithme hybride utilise une combinaison d’informations sur l’image et sur l’anatomie
du patient.

26
 Les différents algorithmes de segmentation automatique

− La génération automatique de nouvelle structure : Les contours sont générés sur le nouveau
CT et déformés selon la matrice de déformation issue des recalages entre les CT, afin de
s’ajuster à l’anatomie du nouveau patient

Le problème majeur de ces techniques est issu de la grande variabilité de forme et de volume des
structures à délinéer, en particulier pour le rectum et la vessie qui bougent beaucoup dans le temps.

Dans RayStation, le MABS est un algorithme que les centres peuvent mettre en place avec des
bases de données locales sans entraînement de modèle (comme avec le DL ou le MBS).

MODEL BASED SEGMENTATION (MBS)

Des algorithmes de segmentation basés sur des modèles (MBS) sont disponibles dans Pinnacle
(Philips) et RayStation (RaySearch) [72], [75]. Cette méthode de segmentation semi-automatique
est une méthode déformable : L’algorithme génère un volume de référence et effectue des
déformations afin que le volume s’ajuste à l’anatomie du patient.

CONSTRUCTION DES MODELES

Le modèle est construit à partir d’une base de données de

structures (entre 10 et 50). Chaque structure est discrétisée en
un maillage triangulaire (Figure 2-1-1) avec le même nombre
de triangles, de sommets et de connexions entre les sommets en
fonction du type de la structure. Enfin, un modèle statistique
déduit les composantes principales de la variation de forme de la
structure afin de les appliquer aux prochaines structures segmentées.
Figure 2-1-1 - Schéma d'un volume sphérique,
discrétisé, avec un maillage

GENERATION ET POSITIONNEMENT D’UN VOLUME INITIAL

Le volume généré peut avoir une forme mathématique simple (sphère, cube, etc.) ou prédéfinie
grâce à la construction du modèle. Le volume peut être positionné par l’utilisateur en appliquant

27

27
 Chapitre 2 : Segmentation automatique

des translations et rotations, ou positionné par des connaissances a priori du modèle à l’aide des
niveaux de gris de l’image.

AJUSTEMENT AUTOMATIQUE DU VOLUME

Après le positionnement, le volume est déformé et ajusté à l’anatomie du patient. Des

optimisations itératives sont réalisées sur ce volume afin qu’il atteigne sa « position d’équilibre »
entre deux énergies : l’énergie interne (aspect du contour) et l’énergie externe (contraintes du
volume) [75]. Dans le TPS RayStation, le MBS fonctionne avec des connaissances a priori sur les
volumes des organes disponibles. Ces organes correspondent à plusieurs sites anatomiques : tête
et cou, thorax, abdomen et pelvis. Les organes segmentés dans la version 11B de RayStation sont
donnés en Annexe 5-5.2.

DEEP LEARNING

Les solutions de segmentation automatique les plus récentes reposent sur des algorithmes
d’apprentissage profond, le Deep Learning (DL). Parmi les solutions commercialisées, peuvent
être citées : DLCExpert (Mirada Medical), Annotate de ART-Plan (Therapanacea) Limbus
Contour (Limbus) et RayStation (RaySearch). Les DL de RaySearch et Limbus sont des réseaux
de neurones entièrement convolutifs appelées 3D U-net [76].

RESEAU DE NEURONES CONVOLUTIF

Figure 2-1-2 - Schéma d'un réseau de neurones convolutif

28
 Les différents algorithmes de segmentation automatique

Un réseau de neurones convolutif est un classifieur. Il extrait les zones d’intérêt d’une image (étage
de convolution) et déduit la probabilité d’appartenance à une classe, en fonction des zones
d’intérêts (étage de classification). Ce processus est illustré par Figure 2-1-2 et détaillé en Annexe
3.

L’ETAGE DE CONVOLUTION :
Utilise plusieurs opérations lui permettant de détecter mes caractéristiques d’une image (détaillé
en Annexe-4.1) :

- Opération de convolution : Le réseau filtre plusieurs fois l’image d’entrée pour faire ressortir
des caractéristiques telles que les bords, les coins, les couleurs. De l’opération de convolution
résulte une carte de caractéristiques
- Opération de pooling : L’objectif de cette fonction est de réduire la dimension spatiale des
cartes de caractéristiques.

L’ETAGE DE CLASSIFICATION
Constitué de plusieurs couches de neurones tous reliés entre eux par des poids permettant de
calculer des probabilités d’appartenance à des classes. L’apprentissage d’un réseau vise à ajuster
ses poids en fonction des cartes de caractéristiques des images et de leurs valeurs attendues.
(Détaillé en Annexe 3-4.2)

Par exemple, un réseau de neurones convolutif multi-classes entraîné pour reconnaître des
animaux (Figure 2-1-2). D’abord, il extrait les zones d’intérêt de cette image (oreilles, yeux,
museau, etc.). Ensuite, il réduit l’information de l’image pour ne garder que l’essentiel. Puis, en
fonction de leurs tailles et positions dans l’image, il calcule la probabilité d’appartenance de
l’image à une catégorie d’animal. Enfin, il classera l’image comme appartenant à la catégorie la
plus probable (catégorie lapin dans notre exemple).

29

29
 Chapitre 2 : Segmentation automatique

RESEAUX DE NEURONES ENTIEREMENT CONVOLUTIFS

Figure 2-1-3 - Schéma d'un réseau de neurones entièrement convolutif

Un réseau de neurones entièrement convolutif ou ‘fully convoluted’ (FCNN), permet de segmenter

une image en classifiant chaque voxel et en les situant dans l’espace sous forme de carte de chaleur
[77].

Un réseau de neurones entièrement convolutif conserve l’étage de convolution, appelé étage de

contraction qui extrait les informations importantes de l’image, mais, supprime l’étage de
classification au profit d’un étage d’expansion qui replace spatialement les informations
importantes extraites de l’étage de contraction.

3D U-NET
Le réseau 3D U-Net (Figure 2-1-4) utilisé dans RayStation, est un réseau de neurones entièrement
convolutif. Il fut introduit par Ronneberge et al et transformé en un modèle 3D par Çiçek et al
[76],[78].

Ce réseau fonctionne comme un encodeur-décodeur afin de générer une carte de chaleur.

L'encodeur est une séquence de plusieurs couches qui réduisent la résolution spatiale de l'image
du scanner avec une fonction de pooling max et extraient la caractéristique de l'image avec des
opérations de convolution corrigées par des opérations ReLU (remise à zéro des valeurs négatives).
Après chaque couche, des connexions sont ajoutées entre l'encodeur et le décodeur, permettant au
décodeur d'utiliser les caractéristiques extraites à chaque étape. Le décodeur, quant à lui, augmente
la résolution spatiale de la sortie de l'encodeur grâce à des fonctions de convolution transposées
qui sur-échantillonnent l’image d’entrée. Ensuite, le décodeur utilise sa connexion avec l'encodeur
pour fusionner les ‘caractéristiques’ correspondantes entre le décodeur et l’encodeur (flèches

30
 Les différents algorithmes de segmentation automatique

jaunes sur la Figure 2-1-4). Puis, une carte de chaleur est générée dans laquelle est associé une
classe d’organe (exemple : vessie, rectum, prostate). Finalement, cette carte de chaleur est
fusionnée à l’image du scanner d’origine.

Dans les versions 9B et 11B de RayStation, RaySearch fournit à ses utilisateurs des modèles de
DL déjà entraînés pour des localisations pelvis, thorax, abdomen, tête et cou. Les structures
délinées dans ces modèles sont données dans l’Annexe 5-5.1.

Figure 2-1-4 - Schéma du réseau de neurones entièrement convolutif U-net

31

31
 Chapitre 2 : Segmentation automatique

2. OUTILS ET METHODES UTILISES POUR L’EVALUATION DES ALGORITHMES

DE SEGMENTATION AUTOMATIQUE

Les structures segmentées automatiquement sont évaluées par comparaison avec les structures
délinées manuellement par le radiothérapeute, considérées comme les structures de référence.

OUTILS DE COMPARAISON DE CONTOURS

Dans un premier temps le contour A est évalué par rapport au contour B avec le calcul des distances
moyennes M(A,B) et des distances d’Hausdorff H(A,B) [79]. Les contours A et B sont des
ensembles finis de points :

𝐴 = {𝑎1 , 𝑎2 , … , 𝑎𝑃 } et 𝐵 = {𝑏1 , 𝑏2 , … , 𝑏𝑞 } avec p le nombre de points dans A et q le nombre de

points dans B.

D’abord, il faut établir les correspondances entre les points a du contour A et les points b du contour
B. C’est-à-dire, si les contours A et B sont superposés, définir quel point b du contour B se
superpose au point a du contour A. Les correspondances sont illustrées dans la Figure 2-2-1.

Le calcul de la correspondance du point a

appartenant à A se fait grâce aux distances entre
ce point et tous les points b appartenant au
contour B. La plus petite de ces distances
définit la correspondance entre ce point a de A et
un point b de B. Les correspondances sont

Figure 2-2-1 - Schéma de l'ensemble des points de 2 volumes calculées pour tous les points a de A et les points
(A et B), des distances entre les points (flèches rouges et
bleues) et de correspondance (flèches jaunes) entre A et B b de B. Le schéma ci-dessous présente les
correspondances (flèches jaunes) des points de A
(en rouge) et B (en bleu). Les flèches bleues (q=12) sont les distances du point a vers tous les
points de B et les flèches rouges les distances (p=8) du point b vers tous les points de A.

32
 Outils et méthodes utilisés pour l’évaluation des algorithmes de segmentation automatique

DISTANCES D’HAUSDORFF (DH) ET DISTANCES MOYENNES (DM)

La distance d’Hausdorff est la plus grande distance qui sépare deux points correspondants de A et
B : 𝐻(𝐴, 𝐵) = max(ℎ(𝐴, 𝐵), ℎ(𝐵, 𝐴)) où, ℎ(𝐴, 𝐵) = max (min ||𝑎 − 𝑏||) . Dans le schéma
(Figure 2-2-1), c’est la distance a4 → b5. La distance moyenne est la moyenne des distances entre
les points correspondants de A et B :

0 0
1 1 1
𝑀(𝐴, 𝐵) = ((∑ min ||𝑎 − 𝑏||) + (∑ min ||𝑏 − 𝑎||) ) (2-1)
𝑝 𝑞 2
𝑃 𝑞

BOITE D’ENCOMBREMENT
Une boîte d’encombrement (Figure 2-2-2) est un cube fictif qui englobe
une structure associée de manière à ce que ses coordonnées minimales
et maximales sur les axes x, y et z soient les mêmes que celles de la
structure. Les coordonnées centrales et les coordonnées des boîtes
d'encombrement des contours A et B sur les axes x (droite/gauche ou
sagittal), y (antérieur/postérieur ou coronal) et z (tête-pied ou
transversal) sont comparées pour situer spatialement les différences de Figure 2-2-2 - Schéma de la boîte
d'encombrement (en bleu) d’un organe
délinéations. (en orange)

Nous évaluons les différences de coordonnées centrales sur les 3 axes et les différences des tailles
des boîtes d’encombrement sur chaque axe. Ainsi, si une structure présente une différence de
coordonnées centrales sur un axe, alors il existe un décalage dans une des directions de cet axe.
S’il existe, en plus, une différence de taille significative sur ce même axe alors, le décalage de
coordonnée est en grande partie dû à cette différence de taille. En revanche, si une différence de
taille est observée sur un axe sans différence de coordonnée, alors la structure est plus petite ou
plus grande que sur les deux directions de l’axe. Cette comparaison est schématisée dans la Figure
2-2-3.

33

33
 Chapitre 2 : Segmentation automatique

Figure 2-2-3 - Schéma des comparaisons, sur chaque axe (x,y et z) des boîtes d'encombrement en fonction des coordonnées
centrales et des tailles des boîtes.

OUTILS DE COMPARAISON DE VOLUMES

Dans un second temps, les structures sont
évaluées par comparaison de volumes [79].
Le volume 𝐴 est évalué par rapport au volume
B en calculant des indices de similarité tels-
que Sørensen-Dice, Jaccard, Sensibilité et
Spécificité. Ces indices sont des rapports de
nombres de voxels :
Figure 2-2-4 - Schéma de la comparaison des deux volumes avec
le vrai positif (violet), le faux positif (rouge), le faux négatif (bleu)
et le vrai négatif (orange).

− Le « vrai positif » (VP) représente le nombre de voxels du volume DL correctement

segmentés.
− Le « faux positif » (FP) est le nombre de voxels du volume DL faussement pris en compte.
− Le « faux négatif » (FN) correspond au nombre de voxels qui devraient faire partie du
volume DL.
− Le « vrai négatif » (VN) est le nombre de voxels n’appartenant ni au volume du DL ni au
volume du radiothérapeute (ce que le DL a bien fait de ne pas prendre en compte).

INDICE SØRENSEN-DICE (DSC)

L’indice de Sørensen-Dice est la fraction du volume automatique correctement segmenté par
rapport à la somme des deux volumes :

2|𝐴⋂𝐵| 2𝑉𝑃
𝐷𝑖𝑐𝑒 = = (2-2)
|𝐴| + [𝐵| 2𝑉𝑃 + 𝐹𝑁 + 𝐹𝑃

34
 Outils et méthodes utilisés pour l’évaluation des algorithmes de segmentation automatique

Pour un volume automatique parfaitement segmenté : 𝐴⋂𝐵 = 𝑉𝑃 = 𝐴 = 𝐵, et 𝐹𝑁 = 𝐹𝑃 = 0.

Dans ce cas, l’indice Sørensen-Dice = 1

INDICE JACCARD
L’indice de Jaccard est la fraction du volume correctement et automatiquement segmenté sur
l’union des volumes comparés.
|𝐴⋂𝐵| 𝑉𝑃
𝐽𝑎𝑐𝑐𝑎𝑟𝑑 = = (2-3)
|𝐴⋃𝐵| 𝑉𝑃 + 𝐹𝑁 + 𝐹𝑃

À l’instar de l’indice Sørensen-Dice, pour un volume automatique parfaitement segmenté : 𝐹𝑁 =

𝐹𝑃 = 0 et 𝐴⋂𝐵 = 𝑉𝑃 = 𝐴 = 𝐵 = 𝐴⋃𝐵. Dans ce cas l’indice Jaccard = 1

INDICE DE PRECISION
L’indice de précision ou prédiction positive représente le taux de vrai positif du volume
automatique.
𝑉𝑃
𝑃𝑟é𝑐𝑖𝑠𝑖𝑜𝑛 = (2-4)
𝑉𝑃 + 𝐹𝑃

Si le volume automatique est parfaitement segmenté, alors il n’existe pas de faux positif (FP) et
l’indice de précision est égal à 1. Cependant, dans le cas où le volume du radiothérapeute est plus
grand que le volume segmenté automatiquement et que le volume du radiothérapeute englobe
entièrement ce volume, le faux positif est nul et l’indice de précision est égal à 1, bien que les
volumes du radiothérapeute et automatiques soient différents.

INDICE DE SENSIBILITE (ISN)

L’indice de sensibilité est la part du volume automatique correctement segmenté par rapport au
volume de référence du radiothérapeute

𝑉𝑃
𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡é = (2-5)
𝑉𝑃 + 𝐹𝑁
Si le volume automatique est parfaitement segmenté : 𝐹𝑁 = 0 et 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡é = 1 . Dans le cas où
le volume segmenté automatiquement englobe entièrement le volume du radiothérapeute, ou qu’il
est beaucoup plus grand, le Faux négatif est égal ou proche de 0. La sensibilité sera égale à 1
malgré une mauvaise segmentation.
35

35
 Chapitre 2 : Segmentation automatique

INDICE DE SPECIFICITE (ISP)

Dans le but de contrebalancer le problème de l’indice de sensibilité, l’indice de spécificité, ou taux
de vrai négatif, est introduit comme la part de ce qui n’est pas délinéé à juste titre par rapport à ce
qui n’appartient pas au volume de référence du radiothérapeute. Ainsi, la spécificité et la
sensibilité sont complémentaires.

𝑉𝑁
𝑆𝑝é𝑐𝑖𝑓𝑖𝑐𝑖𝑡é = (2-6)
𝑉𝑁 + 𝐹𝑃
Lorsque le volume automatique est parfaitement segmenté, le Faux Positif est nul et la spécificité
est égale à 1. Mais, si le volume du radiothérapeute est plus grand que le volume segmenté
automatiquement le Faux Positif est nul et la spécificité est égale à 1.

Utiliser les indices de Spécificité et de Sensibilité apporte une analyse critique sur les contours
segmentés automatiquement. En effet, ces deux indices permettent d’identifier les problèmes issus
de la segmentation automatique en connaissant la part de faux positif et de faux négatif.

Figure 2-2-5 - Schéma des résultats obtenus avec les indices en fonction des volumes manuels et DL initiaux

Pour valider un modèle de segmentation automatique, celui-ci doit atteindre valeurs seuils. Dans
son article, Julie Van der Veen et son équipe quantifient, avec un DSC, la variabilité de délinéation
de 14 centres différents, dont 12 utilisant les mêmes directives. Les DSC obtenus sont compris entre
0.51 et 0.82. Par conséquent, nous avons fixé le seuil d’acceptabilité du modèle, pour un DSC
moyen supérieur ou égal à 0.82 [4].

36
 Outils et méthodes utilisés pour l’évaluation des algorithmes de segmentation automatique

METHODES D’EVALUATION DES ALGORITHMES DE SEGMENTATION

AUTOMATIQUE

Ce paragraphe présente les méthodes utilisées dans chaque étude menée au sein du groupe
ORION-Pasteur. Nous adoptons les acronymes suivants dans la suite de ce chapitre :

SMAN : Structure manuellement délinéée et VMAN son volume

SAUTO : Structure segmentée automatiquement VAUTO son volume
SCORR : Structure segmentée automatiquement et corrigée manuellement et VCORR son volume

ETUDE 1 : COMPARAISON DES ALGORITHMES DE SEGMENTATION AUTOMATIQUE

Dans une 1ère étude, les différents algorithmes de segmentation automatique disponibles dans
RayStation v11B (MBS, MABS et DL) sont comparés sur 258 patients aux SMAN (référence) pour
des localisations pelviennes. Le but de l’étude est de guider les opérateurs dans le choix de l’outil
de segmentation. D’une part, la comparaison est réalisée à l’aide d’outils de comparaison de
contours (dH et dm) et d’outils de comparaison de volume (DSC, Jaccard, ISN et ISP). D’autre part, le
temps de génération des SAUTO est mesuré pour chaque algorithme.

Pour utiliser le MABS, nous avons créé une base de données de 15 patients traités pour des cancers
de la prostate, dont 5 avec une corpulence classique, 5 autres plus corpulents et les 5 derniers plus
fins pour avoir une diversité dans les tailles de contours externes.

ETUDE 2 : EVALUATION DU DL POUR 23 STRUCTURES

Dans une 2nde étude les SCORR sont comparées aux SAUTO provenant du DL. L’étude utilise des
outils de comparaisons de contours (taille des boîtes d’encombrement) et de volume (DSC et
rapport volumique entre les SCORR et SAUTO). Par ailleurs le gain de temps est évalué sur 1 patient
pour lequel un radiothérapeute s’est chronométré d’abord pendant la délinéation manuelle, puis
pendant la correction des SAUTO

Nous considérons un modèle utilisable cliniquement si DSC moyen ≥ 0.90 et VCORR/VAUTO ≥ 0.95
et ≤ 1.05.
37

37
 Chapitre 2 : Segmentation automatique

Lorsqu’un modèle ne respecte pas ces critères, des études qualitatives sont menées pour
comprendre les différences de contourage.

L’évaluation est menée sur une base de données de 2638 SAUTO générés par le DL de RayStation
et SCORR.

Par ailleurs, une étude uniquement qualitative est menée sur les structures n’ayant pas de base de
données assez conséquente pour mener l’étude quantitative.

ETUDE 3 : EVALUATION DU DL ENTRAINE AVEC UNE BASE DE DONNEES LOCALE

La 3ème étude concerne un modèle de DL entraîné avec une base de données locale, permettant de
générer automatiquement les volumes cibles des traitements de prostate (prostate, vésicules
séminales et ganglions pelviens). La comparaison entre les SMAN et SAUTO est réalisée sur 100
patients à l’aide du DSC et du rapport des volumique VMAN/VAUTO.

ETUDE 4 : COMPARAISON DE 2 DL ENTRAINES SUR DES BASES DE DONNEES

DIFFERENTES

Les structures segmentées automatiquement (corrigées ou non) du DL de RayStation (SAUTO-RS et

SCORR-RS) sont ensuite comparées au SAUTO du DL Limbus (SAUTO-LB) sur différentes localisations :
pelvis, sein, thorax, abdomen, tête et cou (23 structures de l’étude 2). L’objectif étant d’évaluer les
performances des 2 algorithmes, entraînés sur des BdD différentes
et non de désigner un algorithme comme étant meilleur que l’autre. Limbus est évalué sur la base
de l’étude 2. La comparaison entre les 2 DL est réalisée avec le Dsc et les rapports volumiques
(VAUTO-RS / VAUTO-LB).

Nous considérons, pour chaque modèle de structure, la similarité entre les 2 DL :

- Excellente si DSC moyen ≥ 0.90 et VAUTO-RS/VAUTO-LB ≥ 0.95 et ≤ 1.05

- Bonne si DSC ≥ 0.80 et VAUTO-RS/VAUTO-LB ≥ 0.90 et ≤ 1.10
- Mauvaise si DSC < 0.80 et VAUTO-RS/VAUTO-LB < 0.90 ou > 1.10

Enfin, l’apport de la correction manuelle des structures de RS est donné en pourcentage. Il est la
différence entre les Dsc ou les rapports volumiques moyens (RS vs LB - RS corrigé vs LB)

38
 Résultats

3. RESULTATS

ETUDE 1 : COMPARAISON DES ALGORITHMES : REFERENCE/DL/MABS/MBS

Tout d’abord, nous avons chronométré le temps de génération de chaque méthode pour générer le
rectum, la vessie et les têtes fémorales. Le DL prend 30 secondes, le MBS 2 à 3 minutes et le
MABS 4 minutes.

VESSIE : MBS VS MABS VS DL VS REFERENCES

Figure 2-3-1 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS, DL et MBS
pour la vessie

La comparaison entre le DL, le MBS et le MABS par rapport aux structures de référence est
illustrée par la Figure 2-3-1 et la Figure 2-3-2

DL : Tous les indices sont supérieurs à 0.95. De plus, les ISP et ISN moyens du DL sont très proches,
indiquant une très bonne similarité entre les SAUTO et le SMAN. Néanmoins, 2 SAUTO ont des indices
Jaccard et ISN en dessous de 0.5.

MBS : Les valeurs médianes de tous les indices sont comprises entre 0.85 et 0.73 et 53 structures
ont des indices de Jaccard en dessous de 0.5 dont 2 en dessous de 0.1. De plus, la valeur médiane
de l’ISN est inférieure à celle de l’ISP, indiquant que le MBS a tendance à générer des vessies avec

39

39
 Chapitre 2 : Segmentation automatique

des volumes plus petits que les vessies de référence. Cela se confirme avec la médiane des dH qui
est supérieure à 2 cm.

MABS (ou Atlas) : Seulement 13 SAUTO (sur 258) ont des indices Jaccard au-dessus de 0.8 alors
que 75 ont des indices inférieurs à 0.5. En outre, les médianes des distance dM et dH sont
conséquentes. Néanmoins, les ISP et ISN médians sont les mêmes, indiquant que le MABS génère
des SAUTO avec un bon volume mais décalé par rapport aux SMAN.

Figure 2-3-2 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement
et celles segmentées par MABS, DL et MBS pour la vessie

RECTUM: MBS VS MABS VS DL VS REFERENCES

40
 Résultats

Figure 2-3-3 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS, DL et MBS
pour le rectum

Dans la Figure 2-3-3 aucun DSC médian n’atteint le critère d’acceptabilité. De son côté, la Figure
2-2-4 montre que les distances entre SMAN et SAUTO sont particulièrement élevées.

DL : Le DSC est proche du critère d’acceptabilité ; cependant, les dH sont particulièrement élevées
(médiane à 3 cm) et les médianes d’ISN sont supérieures aux médianes d’ISP. Nous pouvons
conclure que les les SAUTO sont plus volumineuses que les SMAN

MBS : 49% des SAUTO ont des DSC en dessous de 0.5 et 2 d’entre elles sont en dessous de 0.1.
Comme pour le DL, les dH ont une médiane supérieure à 3 cm et les ISN sont très supérieures aux
ISP indiquant que les SAUTO sont plus volumineuses que les SMAN.

MABS : 79 structures ont des DSC en dessous de 0.5 mais aucun en dessous de 0.1. L’ISN est
inférieure à l’ISP, ainsi les SAUTO ne sont pas assez volumineuses, mais surtout qu’elles sont
« décalées » par rapport au SMAN.

Figure 2-3-4 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement
et celles segmentées par MABS, DL et MBS pour le rectum

L’observation des SAUTO du DL a mis en évidence le fait que le DL ignore les règles de contourage
du rectum qui doivent être 2 cm au-dessus et en dessous du CTV. Nous avons réalisé un script qui
génère automatiquement le rectum et rectifie l’erreur de segmentation en supprimant les coupes
en dehors des limites de 2 cm au-dessus et en dessous du CTV. Avec cette correction, les
similarités entre SAUTO et SMAN sont nettement améliorées et l’équilibre entre ISP et ISN est rétabli
(Figure 2-3-5).
41

41
 Chapitre 2 : Segmentation automatique

Figure 2-3-5 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par DL (Rectum) et
ceux corrigés manuellement (Rectum +2 – 2).

TETES FEMORALES : MBS VS MABS VS DL VS REFERENCE

Figure 2-3-6 - Comparaison entre les volumes de référence du radiothérapeute et les volumes segmentés par MABS, DL et MBS
pour les têtes fémorales

42
 Résultats

Tous les algorithmes ont des DSC médians au-dessus du critère d’acceptabilité. Cette étude est
illustrée par la Figure 2-3-6 et la Figure 2-3-7.

DL et MBS : Présentent des ISN sont supérieurs aux ISP indiquant que les SAUTO sont plus
volumineuses que les SMAN. Ces conclusions sont corroborées par dH qui ont des médianes
supérieures à 2 cm pour le DL et 1.20 cm pour le MBS.

MABS : Tous les DSC sont supérieurs à 0.75 et les ISN et ISP sont quasi égaux. Ainsi, MABS génère
des volumes très similaires aux SMAN. De plus, les distances moyennes ont une médiane à 0.11 cm
et les distances d’Hausdorff ont une médiane à 0.80 cm.

Figure 2-3-7 - Distances comparatives (moyenne et d’Hausdorff) entre les vessies contourées manuellement et celles segmentées
par MABS, DL et MBS pour les têtes fémorales.

À l’instar du rectum, une étude qualitative a mis en évidence

qu’une partie des différences entre le DL, le MBS et les volumes
du radiothérapeute est due aux règles de contourage. Celui-ci
doit commencer au niveau des têtes et s’arrêter au petit
trochanter visible sur Figure 2-3-8
Figure 2-3-8 - Schéma d'une tête
fémorale

43

43
 Chapitre 2 : Segmentation automatique

SYNTHESE ET DISCUSSION DE LA COMPARAISON MABS VS DL VS MBS

Pour la vessie, un exemple illustrant nos résultats

est visible sur la Figure 2-3-9. Le MABS n’est pas
acceptable à l’inverse du DL et du MBS. Le MBS
a des contours bien localisés dans l’espace mais
pas assez volumineux contrairement au MABS
MABS qui génère des SAUTO avec le bon volume
mais mal localisé dans l’espace. Quant aux DL les
SAUTO ont un volume cohérent et sont bien
localisés dans l’espace. Il s’agit de la méthode qui
correspond le mieux aux habitudes des
radiothérapeutes. De plus, le DL possède un écart
Figure 2-3-9 – Une comparaison de contourage de la vessie type inférieur aux MABS et MBS, il est donc plus
par un radiothérapeute vs le contourage automatique MABS
(DSC=0.72, ISN =0.63, ISP=0.88), MBS (DSC=0.75, ISN =0.66, reproductible.
ISP=0.98) et DL (DSC=0.98, ISN=0.97, ISP=0.99)

Pour les têtes fémorales, un exemple illustrant nos

résultats est visible sur la Figure 2-3-10. Le MABS est
la meilleure des trois solutions. Cependant, le DL et le
MBS sont également acceptables. Nous observons que
ces derniers génèrent des structures trop volumineuses
car les outils ne respectent pas les règles de contourage
(contrairement au MABS), spécifiant de ne pas
délinéer au-delà du petit trochanter.

Figure 2-3-10 - Une comparaison entre le contourage

des têtes fémorales par un radiothérapeute vs le
contourage automatique MABS (DSC=0.93, ISN=0.94,
ISP=0.94), MBS (DSC, ISN=0.99, ISP=0.80) et DL (DSC
=0.84, ISN =0.99, ISP=0.65)

44
 Résultats

Pour le rectum, un exemple illustrant nos

résultats est visible sur la Figure 2-3-11. Aucune
des solutions envisagées n’est acceptables
d’emblée. Cependant, le DL reste la meilleure
des 3 solutions bien que les rectums segmentés
automatiquement soient plus volumineux que
ceux contourés par le radiothérapeute. Le MBS
génère également des organes trop volumineux
et le MABS génère des contours du bon ordre de
grandeur mais mal localisés dans l’espace. Une
correction, appliquée à l’aide d’un script Python,
permet de respecter les règles de contourage du
rectum (+/- 2 cm autour du CTV). Avec ce script,
Figure 2-3-11 - Une comparaison entre le contourage du
les contours segmentés par DL deviennent rectum par un radiothérapeute vs le contourage automatique
MABS (DSC=0.43, ISN =0.44, ISP=0.45), MBS (DSC=0.24, ISN
acceptables. =0.93, ISP =0) et DL (DSC=0.61, ISN = 0.95, ISP= 0)

Le MABS est une solution fiable pour les structures fixes comme les têtes fémorales mais n’est
pas adaptée pour des structures mobiles comme la vessie ou le rectum. En outre, c’est la solution
la moins rapide. Une étude présentée par Delpon et al obtient des résultats similaires sur 10
patients, 5 logiciels embarquant des algorithmes d’Atlas dont RayStation [80] et nos indices DSC
sont compris dans les intervalles d’indices moyens donnés dans cet article.

De son côté, le MBS présente des résultats acceptables pour les têtes fémorales et la vessie, mais
cet algorithme n’atteint pas les performances du DL, ni en termes de contourage, ni en termes de
temps de génération des SAUTO.

Quant au DL, c’est la solution la plus rapide (2.5 fois plus rapide que le MBS et 8 fois plus que le
MABS). De plus, il donne les meilleurs résultats pour les organes mobiles et des résultats
satisfaisants sur les têtes fémorales. C’est également la méthode avec les écarts types les plus petits.
Néanmoins, cette méthode n’est pas améliorable au fil du temps car la base de données ne peut
pas être mise à jour régulièrement pour corriger le modèle.

45

45
 Chapitre 2 : Segmentation automatique

ETUDE 2 : EVALUATION DU DL POUR 23 STRUCTURES

L’étude 1 sur la segmentation automatique a mis en avant l’efficacité du DL. Ainsi, cette solution
de contourage automatique est utilisée en routine clinique, avec une revue systématique des
contours générés et une correction manuelle si nécessaire. Nous évaluons ce degré de correction.

COMPARAISON QUANTITATIVE ENTRE LES STRUCTURES SEGMENTEES

AUTOMATIQUEMENT ET CELLES CORRIGEES MANUELLEMENT

La comparaison est synthétisée pour chaque organe dans le Tableau 2-3-1. D’abord, 77% des
structures évaluées sont corrigées manuellement. Les DSC de la comparaison entre SAUTO et SCORR
sont tous supérieurs ou égaux à 0.95 excepté pour les nerfs et les chiasmas optiques.

5 modèles DL de SAUTO (rectum, têtes fémorales, canal médullaire, nerfs et chiasmas optiques) ont
des volumes significativement plus gros que ceux des radiothérapeutes nécessitant des corrections
manuelles systématiques (automatisées ou non). De ce fait, ces structures sont évaluées
qualitativement dans le paragraphe suivant.

La Figure 2-3-12 et la Figure 2-3-13 représentent les décalages de coordonnées centrales et les
différences de tailles entre SAUTO et SCORR sur les 3 axes. Sur les 23 modèles de SAUTO, seulement
5 (rectum, canal médullaire, têtes fémorales, estomac et cerveau) ont des différences de tailles
supérieures à 0.5 cm sur au moins un des axes.

Contrairement aux 4 autres organes cités précédemment, le cerveau à une différences de

coordonnées centrales nettement inférieures à la différence de tailles, indiquant que les SAUTO sont
bien centrées mais plus grandes que les SCORR à la fois en direction de la tête et en direction des
pieds.

3 organes ont des différences de tailles inférieures à 0.5 cm mais des différences de coordonnées
centrales supérieures à 0.1 cm, signifiant un décalage des SAUTO par rapport au SCORR suivant un
axe : l’œsophage et la moelle épinière ont un décalage sur l’axe transversal et les nerfs optiques
sont décalés suivant les axes coronal et sagittal.

46
 Résultats

Tableau 2-3-1 - Comparaison entre les structures segmentées automatiquement avec et sans corrections pour différentes
localisations et pourcentages de structures automatisées ayant subi une correction manuelle

Nombres de structures Pourcentage de structures

Organes DSC VAUTO/VCORR corrigées
évaluées

Pelvis
Rectum 0.90 1.08 100 100%
Vessie 0.99 0.99 100 100%
Têtes fémorales 0.90 1.17 100 100%
Thorax
Œsophage 0.96 1.01 121 75%
Cœur 0.97 0.98 89 92%
Poumons 0.99 1.01 190 86%
Canal médullaire 0.93 1.07 179 86%
Moelle épinière 0.96 1.00 138 81%
Estomac 0.95 1.02 101 90%
Abdomen
Reins 0.98 1.01 164 82%
Foie 0.99 1.00 118 78%
Rate 0.98 1.00 86 84%
Tête
Cerveau 0.99 1.00 77 88%
Tronc cérébral 0.95 1.01 81 77%
Yeux 0.98 1.00 166 55%
Cristallins 0.91 1.00 154 60%
Nerfs Optiques 0.85 1.22 180 72%
Chiasma optique 0.80 1.07 48 60%
Cou
Mandibule 0.97 1.02 51 61%
Cavité buccale 0.94 0.97 54 74%
Parotides 0.97 0.99 164 54%
Thyroïde 0.98 1.00 39 61%
Glandes sous-maxillaires 0.96 1.02 138 57%

47

47
 Chapitre 2 : Segmentation automatique

Figure 2-3-12 - Différences moyennes de tailles et de coordonnées centrales des boîtes d’encombrements entre les volumes
segmentés par RS et les volumes corrigés par le radiothérapeute. Pour les axes tête/pied, droite/gauche et antérieur/postérieur.

48
 Résultats

Figure 2-3-13 - Différences moyennes de tailles et de coordonnées centrales des boîtes d’encombrements entre les volumes
segmentés par RS et les volumes corrigés par le radiothérapeute. Pour les axes tête/pied, droite/gauche et antérieur/postérieur.
49

49
 Chapitre 2 : Segmentation automatique

COMPARAISON QUALITATIVE ENTRE LES STRUTURES SEGMENTEES

AUTOMATIQUENEMENT ET CELLES CORRIGEES MANUELLEMENT

LE RECTUM ET LES TETES FEMORALES :

Pour le rectum et les têtes fémorales, les observations restent les mêmes que dans l’étude 1. Ces
structures sont acceptables mais nécessitent des corrections systématiques car les SAUTO ne
respectent pas nos règles de délinéations (CF Chapitre 2-3.1.3 ).

LE CANAL MEDULLAIRE :
Pour les 8 structures qui ont les plus
grandes différences de contourage sur
le canal médullaire. Un exemple est
illustré Figure 2-3-14. Le canal
médullaire est la cavité qui abrite la
moelle épinière et une partie de la
queue de cheval. Or, il existe une
différence en structure anatomique et
structure dosimétrique. En routine
clinique, le canal médullaire est utilisé
pour délinéer la moelle épinière car il
est plus facile à distinguer. Ainsi,
même si le canal médullaire segmenté
automatiquement par RS est correct
anatomiquement parlant, celui-ci est
Figure 2-3-14 - Patient présentant la plus grande différence de
contourage du canal médullaire entre le volume du radiothérapeute
corrigé manuellement pour qu’il soit de
(jaune) et la segmentation automatique de RayStation (bleu) :
la même longueur que la moelle
DSC = 0.75 et rapport volumique = 1.65
épinière.

50
 Résultats

LES NERFS OPTIQUES ET CHIASMA :

Figure 2-3-15- Exemple de patient pour l’étude qualitative par comparaison des contours segmentés automatiquement par DL
(bleu) et corrigé manuellement par le radiothérapeute (jaune) et (DSC = 0.58, rapport volumique = 0.78)

Les Figure 2-3-15 et Figure 2-3-16 illustre les différences de contours sur chiasma et les nerfs
optiques observées sur 7 patients. Pour ces structures, la segmentation automatique reste proche
des structures de référence. Les DSC varient beaucoup du fait de la petite taille des structures
(volumes inférieurs à 1 cm3). De plus, le chiasma est difficilement visible sur un scanner
(préférablement délinéé sur une IRM) ce qui peut avoir impacté la qualité des contours de
références.

Figure 2-3-16 - Exemple de patient pour l’étude qualitative par comparaison des contours de nerfs optiques corrigé
manuellement par le radiothérapeute (jaune) et segmentés automatiquement par le DL de RayStation (bleu) (DSC =0.74)

51

51
 Chapitre 2 : Segmentation automatique

LE SEIN :
Pour le sein, le référentiel de contourage des radiothérapeutes ayant changé récemment, nous
n’avons pas réalisé d’étude quantitative sur les modèles. Cependant, nous avons mené une étude
qualitative sur 30 patientes afin de valider le modèle de RS. La segmentation automatique des
seins de RS est, pour toutes les patientes, trop petite car celle-ci ne prend pas les 5 mm de la peau.
Un script Python corrige automatiquement ce problème en étendant le volume du sein en antérieur
et en latéral, puis en recoupant ce volume du contour externe du patient. Néanmoins, les contours
automatiques doivent être corrigés manuellement pour étendre le volume vers l’axe médian (en
regard du sternum).

Figure 2-3-17 – Patiente de l’étude comparative des contours des seins segmentés automatiquement (RayStation en bleu) et
corrigés automatiquement par le script (Correction automatique en jaune).

ETUDE DE TEMPS

Les SMAN sont réalisées en 33 minutes, les SAUTO en 1 minute et 17 secondes et la correction du
radiothérapeute prend 9 minutes et 39 secondes. Les résultats de cette correction sont disponibles
dans le Tableau 2-3-2. Pour ce patient, 7 structures sont corrigées sur les 15 générées. Dans ce
cadre, les modèles sont jugés acceptables pour toutes les structures et permettent de gagner du
temps (réduction de 27 %) malgré des corrections manuelles nécessaires.

52
 Résultats

Tableau 2-3-2 – Comparaison pour un patient, des volumes segmentés automatiquement sans correction et ceux corrigés par un
radiothérapeute.

Pourcentage de coupes sur

Organes DSC
l’axe tête–pied corrigées
Tronc cérébral 0.99 4% (1/24)
Œil droit 1.00 0% (0/11)
Œil gauche 1.00 0% (0/11)
Cristallin droit 1.00 0% (0/3)
Cristallin gauche 1.00 0% (0/3)
Nerf optique droit 0.76 100% (3/3)
Nerf optique gauche 0.89 100% (3/3)
Mandibule 0.99 10 % (4/42)
Parotide droite 0.98 23% (6/26)
Parotide gauche 1.00 23% (0/24)
Glandes sous-maxillaires droite 1.00 0% (0/13)
Glandes sous-maxillaires gauche 0.94 31% (4/15)
Moelle épinière 1.00 0 % (0/111)
Canal médullaire 0.98 4% (5/113)
Œsophage 1.00 0% (0 / 70%)

SYNTHESE SUR LES MODELES DE DL DE RAYSTATION

Pour 15 des 23 structures évaluées, les corrections apportées sont minimes (poumons, vessie,
cœur, foie, rate, moelle épinière, œsophage, estomac, cerveau, tronc cérébral, yeux, mandibule,
parotide, thyroïde, glandes sous-maxillaires). Pour les 8 autres structures, l’évaluation qualitative
détermine s’il est pertinent de garder le DL pour ces structures ou non.

Les premières, telles-que le rectum et le canal médullaire, sont jugées pertinentes car leurs
corrections ne demandent qu’un temps restreint et peuvent être automatisée.

Le modèle de têtes fémorales est également jugé pertinent car il est simple à corriger, se faisant
sur un seul axe (tête-pied)

53

53
 Chapitre 2 : Segmentation automatique

En revanche, le chiasma et les nerfs optiques doivent être corrigés la majeure partie du temps (60%
et 72% des structures de notre étude) et leurs corrections sont effectuées à la fois sur l’axe coronal
et sagittal, ce qui peut être long à corriger. Les nerfs optiques sont d’ailleurs les seules structures
retouchées sur 100% des coupes sur l’axe tête-pied dans notre étude sur le temps. Ainsi, la
segmentation automatique des chiasmas optiques et des nerfs optiques n’apporte pas un réel gain
de temps aux radiothérapeutes.

Nous avons comparé nos résultats à ceux de 3 articles réalisés sur le DL de RayStation dont 1 traite
des modèles de pelvis et les 3 des modèles de thorax [81]–[83]. Au vu de leurs résultats, les
modèles de RayStation sont tous utilisables cliniquement suivant nos critères, sauf le modèle
d’œsophage. En revanche, leurs DSC sont inférieurs aux nôtres car ils comparent les SAUTO et les
SMAN tandis que nous comparons SAUTO et les SCORR.

ETUDE 3 : MODELE DE DL ENTRAINE SUR BASE DE DONNEES LOCALE

Tableau 2-3-3 - Moyennes des indices DSC et du rapport volumique entre les structures segmentées automatiquement avec et sans
corrections pour les volumes cibles de la région anatomique pelvienne

Organes DSC VAUTO/VMAN

Volumes cibles du pelvis homme
Prostate 0.83 0.88
Vessie 0.65 0.70
Têtes fémorales 0.64 0.67

Les SAUTO sont significativement différentes des SMAN. Dans le Tableau 2-3-3, les volumes cibles
ont tous des DSC et des rapports volumique (VAUTO/VMAN) inférieurs à 0.90 indiquant que les SAUTO
sont plus petits que les SMAN. Pour comprendre ces écarts nous avons mené des études qualitatives
(illustrées par les Figure 2-3-19, Figure 2-3-18 et Figure 2-3-20) sur la prostate, les vésicules
séminales et les ganglions lymphatiques. Dans les meilleurs cas et les cas standards, les DSC des
meilleurs et pires cas sont, respectivement, de 0.88 et 0.82 pour la prostate et de 0.88 et 0.72 pour
les vésicules séminales. Cependant, qualitativement, les différences entre la segmentation
automatique et les vésicules séminales sont acceptables car il y a peu de corrections manuelles à
apporter. En revanche, le pire cas de prostate n’est pas acceptable, mais il est causé par la faible

54
 Résultats

qualité de l’image, contrairement au pire cas des vésicules séminales qui n’est pas induit par un
facteur extérieur (qualité de l’image ou morphologie particulière).

Quant aux ganglions lymphatiques pelviens, les modèles ne sont pas cliniquement acceptables. Il
y a eu un changement de pratique clinique entre la création du modèle et le test de celui-ci. Ce
changement implique de prendre en compte davantage de volumes ganglionnaires iliaques,
obturateurs et pré-sacrée [58].

Figure 2-3-19 – Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés par le DL de
RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de prostate

Figure 2-3-18 - Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés par le DL de
RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de ganglions lymphatiques pelviens

Figure 2-3-20 - Meilleur (gauche), standard (milieu) et pire (droite) cas de la comparaison des volumes segmentés par le DL de
RayStation (vert) et les volumes délinéés manuellement (rose) pour le modèle de vésicules séminales
55

55
 Chapitre 2 : Segmentation automatique

ETUDE 4 : COMPARAISON DE 2 DL DE SEGMENTATION AUTOMATIQUE

COMPARAISON QUANTITATIVE DES DL

Les résultats de l’étude 4 sont présentés dans le Tableau 2-3-4. D’abord, 19 organes présentent de
bonnes similarités entre RS et LB et 36% d’entre eux ont des similarités excellentes.

Ensuite, les similarités de 4 organes (poumons, reins, foie et rate) sont meilleures pour SAUTO-LB
vs SCORR-RS que pour SAUTO-RS vs SAUTO-LB ce qui implique que LB est plus proche de nos pratiques
cliniques. De la même manière, le rectum, les têtes fémorales et le canal médullaire de LB sont
nettement plus petits que ceux de RS et se rapprochent des attendus cliniques.

Des différences significatives entre RS et LB sont observables sur les cristallins, le chiasma et les
nerfs optiques. Ces 2 dernières structures obtiennent également les indices les plus bas de l’étude
2. Les cristallins et les nerfs optiques de LB sont plus petits que ceux de RS. À l’inverse, les
chiasmas optiques de LB sont significativement plus grands que ceux de RS. Notons également
que les SCORR de ces 3 organes sont encore moins similaires aux SAUTO-LB, signifiant que les
modèles de RS sont plus proches de nos habitudes cliniques.

Pour les modèles d’œsophage et le modèle de cavité buccale, les SAUTO-LB sont plus petites que les
SAUTO-RS et que les SCORR. De plus, les similarités entre SAUTO-LB et SAUTO-RS sont plus grandes que
les similarités entre SAUTO-LB et SCORR, signifiant que le DL de RS convient mieux à nos pratiques.

56
 Résultats

Tableau 2-3-4 – Comparaison entre les structures segmentées automatiquement par RayStation (RS) et par Limbus (LB), et
différences apportées par la correction manuelle des volumes de RS.

Similarité entre DL Apport de la correction des structures de RS

Organes Moyenne des indices Différence entre les indices

LB vs RS (LB vs RS) – (LB vs RS corrigé)

Dice Rapports volumiques Dice Rapports volumiques

Pelvis
Rectum >0.80 < 1.05 - 1% -6 %
Vessie > 0.90 > 0.90 0% +1 %
Têtes fémorales > 0.90 < 1.10 -1% -16 %
Thorax
Œsophage > 0.80 > 1.10 - 1% -1%
Cœur >0.90 <1.10 0% +2%
Poumons > 0.90 <1.05 + 4% -1%
Canal médullaire > 0.80 > 1.10 + 1% -8%
Moelle épinière > 0.80 > 0.95 + 1% 0%
Estomac > 0.80 <1.05 + 2% -1%
Abdomen
Foie > 0.90 =1 +3% 0%
Reins > 0.90 > 0.95 +4% +1%
Rate >0.80 < 1.05 +5% 0%
Tête
Cerveau >0.90 < 1.05 +1 % +1 %
Tronc cérébral > 0.80 <1.10 0% -1 %
Yeux > 0.90 <1.10 0% 0%
Cristallins < 0.80 < 1.10 -4 % +3 %
Nerfs Optiques < 0.80 < 1.10 -2 % -13 %
Chiasma optique < 0.80 < 0.90 -14 % -4 %
Cou
Mandibule > 0.80 <1.05 +1% -2 %
Cavité buccale > 0.80 > 1.10 -2% +4 %
Parotides > 0.80 < 1.10 0% 0%
Thyroïde > 0.80 < 1.10 0% 0%

57

57
 Chapitre 2 : Segmentation automatique

COMPARAISON QUALITATIVE DES DL

L’ŒSOPHAGE :
L’œsophage a une forme cylindrique dont l’axe
central est quasiment parallèle à l’axe tête pied.
Nous observons que les diamètres SAUTO-LB sont
souvent différents des SAUTO-RS et ont tendance à
être plus petit. Ainsi, l’œsophage de LB est
« englobé » dans celui de RS.
Figure 2-3-21 - Patient ayant une différence de contourage
de l’œsophage entre le volume de RS corrigé par le
radiothérapeute (jaune) et la segmentation automatique de
Limbus (violet).

DSC = 0.82 et rapport volumique = 0.75

LA CAVITE BUCCALE :
La cavité buccale est l’intérieur de la
mâchoire, sans prendre en compte les dents.
Les différences entre LB et RS sont
principalement situées en tête/pieds, où les
pratiques du centre impliquent de délinéer le
muscle sous la langue (muscle mylohyoïdien),
ce que ne fait pas LB. Néanmoins, pour les
autres aspects, SAUTO-LB coïncident bien avec
les SCORR. Pour notre utilisation clinique, ces
structures doivent être systématiquement

Figure 2-3-22 –Exemple de différence de contourage de la cavité corrigées sur quelques coupes de l’image.
buccale entre le volume de RS corrigé par le radiothérapeute
(jaune) et la segmentation automatique de Limbus (violet),

DSC= 0.83 et rapport volumique = 2.11

58
 Résultats

LES NERFS ET CHIASMA OPTIQUES :

Figure 2-3-23 - Exemple de différence de contourage du chiasma et des nerfs optiques entre le volume de RS corrigé par le
radiothérapeute (jaune) et la segmentation automatique de Limbus (violet) ; Chiasma optique -> DSC= 0.34 et rapport volumique
= 0.21 ; Nerfs optiques -> DSC= 0.75 et rapport volumique = 0.67

Pour les 10 patients observés, tous ont des chiasmas de LB plus grands que ceux de RS. À l’inverse,
nous observons que les nerfs optiques de LB sont souvent plus petits que ceux de RS. Or, le
chiasma optique est le croisement des nerfs optiques et doit être la continuité de ces derniers. Ils
ont d’ailleurs les mêmes limites de dose. De ce fait, le chiasma et les nerfs optiques doivent être
évalués en même temps (Figure 2-3-23). Ainsi, l’union des chiasmas et des nerfs optiques de LB
est proche de ceux de RS corrigés et les différences observées sont négligeables.

LES CRISTALLINS :
Pour les cristallins, illustrés par la Figure 2-3-24. Le DSC
varie beaucoup en raison de la petite taille des cristallins
(volumes inférieurs à 1 cm3). Après la revue qualitative, les
SAUTO-LB sont jugés pertinents pour une utilisation en routine
clinique.
Figure 2-3-24 -Exemple de différence de contourage d’un cristallin entre le
volume de RS corrigé (jaune) et la segmentation automatique de Limbus (violet)

DSC = 0.77 et rapport volumique = 1.10

59

59
 Chapitre 2 : Segmentation automatique

SYNTHESE

L’étude comparative entre les Deep Learning de RayStation (RS) et celui de Limbus (LB) est
synthétisée dans le Tableau 2-3-5

Tableau 2-3-5 - Récapitulatif de l’étude comparative entre les DL de RayStation (RS) et le DL de Limbus (LB)

Organes RS LB Similarité entre DL DL plus proche des habitudes cliniques

Pelvis
Rectum ✓ ✓ Bonne LB
Vessie ✓ ✓ Bonne Idem
Têtes fémorales ✓ ✓ Bonne LB
Thorax
Œsophage ✓ ✓ Mauvaise RS
Cœur ✓ ✓ Bonne Idem
Poumons ✓ ✓ Excellente LB
Canal médullaire ✓ ✓ Mauvaise LB
Moelle épinière ✓ ✓ Bonne Idem
Estomac ✓ ✓ Bonne Idem
Abdomen
Foie ✓ ✓ Excellente LB
Reins ✓ ✓ Excellente LB
Rate ✓ ✓ Bonne LB
Tête
Cerveau ✓ ✓ Excellente Idem
Tronc cérébral ✓ ✓ Bonne Idem
Yeux ✓ ✓ Bonne Idem
Cristallins ✓ ✓ Mauvaise RS
Nerfs Optiques ✓ ✓ Mauvaise RS
Chiasma optique ✓ Mauvaise RS
Cou
Mandibule ✓ ✓ Bonne Idem
Cavité buccale ✓ ✓ Mauvaise RS
Parotides ✓ ✓ Bonne Idem
Thyroïde ✓ ✓ Bonne Idem

60
 Résultats

Les modèles de LB et RS sont toujours jugés utilisables cliniquement à l’exception de la cavité

buccale de LB, qu’il faudrait systématiquement corriger sur l’axe tête-pieds pour les pratiques du
centre ORION. Finalement, les modèles de LB comme ceux de RS sont des méthodes fiables qui
permettent un gain de temps sur la tache de contourage.

Plusieurs articles traitant de la segmentation automatique de Limbus publiés [84]–[86] nous ont
permis de comparer nos résultats et de confirmer nos conclusions :

- Comme dans notre étude, les modèles de rectum, vessie, têtes fémorales, cœur, poumons,
tronc cérébral, yeux, mandibule, parotides, glandes sous-maxillaires, moelle épinière,
cavité buccale, thyroïde et œsophage sont jugés pertinents pour une utilisation en routine
clinique.
- Le chiasma et les nerfs optiques étudiés par Wong et al. sont également en dessous de 0.80.
Les auteurs confirment nos interprétations sur la jonction entre les nerfs et le chiasma
optiques [85].

Finalement la comparaison menée sur 2 DL présente plus de similitudes que celles entre les
volumes des radiothérapeutes et ceux segmentés automatiquement.

Une étude complémentaire de Wong et al. conclut que l’utilisation du DL n’impacte pas la
variabilité inter-observateur en comparant les similarités obtenues entre le DL et les volumes des
radiothérapeutes de plusieurs centres (LB vs radiothérapeutes), ainsi que les similarités entre les
volumes des radiothérapeutes (radiothérapeute vs radiothérapeute) [85].

Enfin, les études menées sur Limbus, concluent toutes sur le gain de temps apporté par l’utilisation
de ce DL. L’équipe de Radici et al. rapporte que, pour les organes de la tête et du cou (15
structures), le DL et sa correction manuelle permettent de gagner 80 minutes sur le temps de
délinéation manuelle (123 minutes).

61

61
 Chapitre 2 : Segmentation automatique

4. SYNTHESE ET DISCUSSION SUR LA SEGMENTATION AUTOMATIQUE

ETUDE 1 : COMPARAISON DES ALGORITHMES DE SEGMENTATION AUTOMATIQUE

Dans un premier temps, nous avons évalué plusieurs algorithmes de segmentation automatique
(MABS, MBS et DL). Le DL apparaît comme la méthode la plus rapide et la plus pertinente pour
une utilisation clinique, mais ne respecte pas les règles de contourage non liées à l’anatomie du
patient (ex : arrêt au petit trochanter pour les têtes fémorales).

Cette étude comparative mérite d’être poursuivie sur différentes localisations. En particulier sur
les modèles de tête et cou, dont les structures varient peu dans le temps (yeux, mandibule,
parotides, etc.) et dont les formes se ressemblent d’un patient à l’autre.

ETUDE 2 : EVALUATION DES MODELES DE DL DE RS

Dans un second temps, le DL de RayStation a été évalué en comparant les structures segmentées
automatiquement et corrigées par différents radiothérapeutes. Pour tous les organes étudiés, le DL
génère des structures nécessitant peu de corrections manuelles. Néanmoins, le DL est moins
performant quand les limites d’une structure ne sont pas directement visibles sur le scanner de
planification. À l’instar du rectum, des têtes fémorales du canal médullaire et de la jonction entre
le chiasma et les nerfs optiques.

ETUDE 3 : EVALUATION D’UN DL ENTRAINE SUR UNE BASE DE DONNEES LOCALE

En parallèle, l’algorithme de RaySearch a été entraîné avec nos données pour la segmentation des
volumes cibles pelviens. L’étude n’est pas concluante, notamment pour les ganglions, car le
référentiel de contourage n’est plus le même. Ainsi, nous ne pouvons pas conclure sur l’intérêt du
DL quand il est entraîné avec une base de données locale. De plus, il faudrait comparer ces résultats
par rapport au même algorithme entraîné sur une base de données extérieure.

Cette étude soulève un problème majeur de l’utilisation des algorithmes de segmentation

automatique nécessitant des modèles : Comment les adapter lors d’un changement de pratique
dans le contourage ? Si un autre modèle validé n’est pas fourni par le constructeur, il faut
obligatoirement passer par une phase de contourage manuel, entraîner un nouveau modèle et le
valider. Est-ce que la perspective de devoir investir davantage de temps en cas de modification des
pratiques ne pourrait pas entraver ce changement de pratiques ?

62
 Synthèse et discussion sur la segmentation automatique

ETUDE 4 : COMPARAISON DE 2 DL
Dans cette dernière étude, nous avons évalué les similarités entre 2 algorithmes de Deep Learning
(RS et LB). Quelle que soit la base de données ou l’algorithme, les 2 logiciels sont jugés pertinents
pour une utilisation clinique, la comparaison entre les structures présentant de bonnes similarités
pour tous les organes, après revue qualitative.

Néanmoins, les structures générées par RS et LB ne sont jamais strictement identiques, confirmant
l’importance de l’algorithme et de la BdD dans la segmentation par DL. Pour savoir quel modèle
s’approche le plus de la « vérité », il faudrait d’abord un consensus national ou international de
contourage et la construction d’une base de données de référence permettant l’entraînement des
différents algorithmes de DL. À notre connaissance, une telle BdD n’existe pas encore en France.
Une BdD est construite aux Etats-Unis, où plus de 200 radiothérapeutes contribuent à sa
construction avec des contourages manuels qu’ils mettent en commun via ProKnow (Elekta AB,
Stockholm, Sweden), une plateforme d’Elekta permettant de centraliser et stocker les données dans
un cloud et d’évaluer statistiquement de grandes quantités de données [87].

Pour terminer, nous souhaitions discuter sur l’utilisation de l’indice de Dice DSC dans de nombreux
articles concernant le DL de RayStation et Limbus car il existe plusieurs inconvénients à son
utilisation. D’une part, il varie différemment en fonction du volume de la structure initiale : Plus
la structure est petite, plus l’indice varie rapidement (exemple des cristallins). D’autre part, il ne
donne pas de renseignements sur la distribution spatiale des différences de contourage. Ainsi, bien
que cet indice soit largement utilisé, il convient de faire preuve de prudence lors de son
interprétation et d’utiliser d’autres métriques (dM, dH, boites d’encombrement) pour évaluer à la
fois le recouvrement des structures et la distribution spatiales des erreurs de segmentation.

Les algorithmes de contourage automatique tiennent donc certaines de leurs promesses (gain de
temps, uniformisation des pratiques) mais demandent une rigueur dans leur mise en place et dans
leur utilisation.

Dans le prochain chapitre, nous traitons d’un second aspect du gain de temps à l’aide d’intelligence
automatique, la planification de traitement automatique, la planification de traitement
automatique.

63

63
 Chapitre 3 : Planification automatique

CHAPITRE 3 : PLANIFICATION
AUTOMATIQUE

64
 Introduction

1. INTRODUCTION

Les techniques de traitement modulées telles-que le VMAT sont largement utilisées en raison de
l’irradiation ciblée des volumes cibles et de la bonne protection des tissus sains (recommandation
par la Haute Autorité de Santé (HAS) pour traiter les tumeurs de la prostate, ORL, etc…). Les
plans de traitement sont obtenus après un processus d’optimisation inverse conduisant à une
résolution de problèmes multicritères, induits par des compromis entre la couverture des volumes
cibles et la protection des organes à risques. Les plans sont générés manuellement par des
planificateurs (dosimétristes ou physiciens médicaux) au cours d’un processus chronophage qui
dépend de l’expérience du planificateur [88].

Aujourd'hui, des solutions commerciales existent pour simplifier, unifier et accélérer ce processus
d’optimisation en générant automatiquement des plans de traitement. En 2018, Hussein et al. ont
examiné 171 articles liés à la génération automatique de plans de traitement, dont 45 publiés en
2017 [89]. Les méthodes sont catégorisées en trois groupes : les algorithmes basés sur les
protocoles (PB), l'optimisation multicritères (MCO) et les algorithmes basés sur les connaissances
(KB).

LES ALGORITHMES BASES SUR DES PROTOCOLES (PB) :

Ces algorithmes imitent les étapes d'optimisation du planificateur. L'AutoPlanning (PAP) du TPS
Pinnacle (Philips Medical Systems, Fitchburg, USA) est inspiré du processus itératif décrit dans
l’article de Xhaferllari et al [32]: il crée des structures d'optimisation (rings, chevauchements, etc.),
génère des objectifs d'optimisation à partir d'un modèle (template) et ajuste automatiquement leurs
poids pour répondre aux objectifs cliniques [33]–[42].

L’OPTIMISATION MULTICRITERES (MCO) :

Vise à donner le meilleur plan de traitement en prenant en compte simultanément plusieurs critères
d'optimisation, afin de trouver le meilleur compromis entre des objectifs contradictoires. Les
algorithmes MCO génèrent, à partir d'objectifs d'optimisation idéaux, un espace de solutions
(espace de Pareto) qui contient toutes les distributions de fluence respectant chaque objectif [43]–
[54]. Un plan optimal (OP) est sélectionné selon le compromis choisi. Il existe deux types de MCO:

65

65
 Chapitre 3 : Planification automatique

- MCO a priori (MCOPRIOR) ou lexicographique qui génère un seul OP, comme par exemple,
l’algorithme Auto-VMAT du TPS Monaco (Elekta AB, Stockholm, Suède) pour lequel une
liste de souhaits prédéfinie donne l'ordre de priorité des objectifs. L'algorithme optimise
un par un ces objectifs sans dégrader les autres [90]–[93].
- MCO a posteriori (MCOPOSTERIOR) qui génère plusieurs OP, comme par exemple le MCO
du TPS RayStation (RaySearch Medical Laboratories AB, Stockholm, Suède) et celui du
TPS Eclipse (Varian Medical Systems, Palo Alto, USA). [43], [54], [90]–[97]. . Ces
algorithmes n'ont pas d'ordre de priorité car l’algorithme permet au planificateur de
naviguer dans l’espace des solutions à l’aide de curseurs afin de choisir le meilleur
compromis [96], [97].

LES ALGORITHMES BASES SUR LA CONNAISSANCE, KNOWLEDGE BASED (KBP) :

Utilisent des bases de données de plans de traitement pour en générer de nouveaux, sans aucun
objectif d'optimisation [59]. Ces plans sont censés être équivalents aux plans de traitements
manuels, mais générés plus rapidement. Les méthodes KB peuvent utiliser des méthodes
statistiques (KBSTAT) ou des algorithmes d'apprentissage automatique (KBML) pour prédire la
nouvelle distribution de dose.

Par exemple, l’algorithme RapidPlan d'Eclipse (Varian Medical Systems, Palo Alto, USA) est une
solution KBSTAT : l'algorithme trouve la meilleure similitude anatomique entre le nouveau patient
et l'un des patients de la base de données, puis estime le meilleur DVH réalisable pour le nouveau
patient et crée les objectifs optimaux pour lui [55]–[58]. L’algorithme Machine Learning du TPS
RS utilise quant à lui la technique d’apprentissage afin de prédire la distribution de dose.

Dans ce chapitre, les algorithmes de génération automatique de plans de RayStation, sont d’abord
présentés : l’optimisation multicritères (MCO), les 2 algorithmes utilisant des Machines Learning
(versions 9B et 11B de RayStation), et le « Dose Mimicking » permettant de rendre délivrables les
plans obtenus. Dans un second temps, les outils et méthodes utilisés pour évaluer les plans de
traitements obtenus sont détaillés (indices dosimétriques, indice de complexité et méthodes de
validation des plans). Dans un troisième paragraphe, nous présentons nos résultats sur l’intérêt des
méthodes automatiques, les évaluations pré-cliniques de l’IA ainsi que notre retour d’expérience
sur l’utilisation clinique du DL et du MCO, avant de conclure sur la génération automatique de
plans de traitement.

66
 Algorithmes de planification de traitement automatique

2. ALGORITHMES DE PLANIFICATION DE TRAITEMENT AUTOMATIQUE

ALGORITHME DE PLANIFICATION MULTICRITERES – MCO

Comme déjà évoqué, le MCO génère un espace de solutions (espace de Pareto) contenant des
distributions de fluence sans tenir compte des paramètres de la machine. Le planificateur renseigne
des objectifs et contraintes de dose idéaux sans attribuer de poids et n’a pas besoin d’être réaliste
dans ses requêtes comme il l’aurait fait pour une optimisation classique.

L’espace de Pareto est créé à partir de :

- Plans d'ancrage optimisés pour un unique objectif idéal au détriment des autres.
- Plans auxiliaires conçus pour réduire les erreurs d'approximation.
- Plan d'équilibre (Plan « balance ») optimisé pour trouver un compromis entre tous les
objectifs.

L’espace de Pareto possède donc autant de dimensions que de nombre d’objectifs. Cet espace est
borné par le front de Pareto qui représente les plans pour lesquels il est impossible d'améliorer un
objectif sans en détériorer un autre.

Figure 3-2-1 – Schéma de l’espace de Pareto en 2 dimensions pour la protection d’un rectum et la couverture d’un volume cible.

67

67
 Chapitre 3 : Planification automatique

Dans le cas du MCO de RayStation, un MCOPRIOR, le planificateur peut choisir son meilleur
compromis par l’intermédiaire d’une interface avec des curseurs permettant de faire varier
l’importance donnée à chaque objectif (Figure 3-2-1).

Figure 3-2-2 - Interface MCO dans le TPS RayStation

Finalement, le plan MCO choisi est rendu délivrable par la machine grâce à l’algorithme de Dose
Mimicking.

ALGORITHME DE DOSE MIMICKING

Le « Dose Mimicking » (DM) est l’algorithme qui rend délivrable par la machine, une distribution
de dose (ou de fluence) théorique. Il est utilisé dans le module de MCO, de Machine Learning,
mais aussi, pour transférer un plan de traitement d’une machine de traitement à une autre [98],
[99].

L’algorithme DM transforme la distribution de dose théorique en une fonction objectif, représentée

par la somme quadratique pondérée des fonctions d’histogrammes doses-volumes. La pondération
sur les OAR est égale à 1 et pour les volumes cibles, la pondération est donnée par l’utilisateur.
S’il existe des différences entre la distribution de dose théorique et la distribution de dose
délivrable (surdosage pour les OAR et les cibles et sous-dosage pour les cibles, uniquement),
l’algorithme applique des pénalités sur ces erreurs afin de les corriger pendant le processus
d’optimisation.

68
 Algorithmes de planification de traitement automatique

Toutefois, avec la prise en compte des paramètres machine, il existe souvent un écart important
entre la distribution de dose idéale et délivrable. Une ou plusieurs optimisations classiques à la fin
du processus sont nécessaires pour avoir un plan acceptable cliniquement.

Figure 3-2-4 - Distribution de dose à priori générée Figure 3-2-3- Distribution de dose délivrable générée
par Machine Learning à partir du Mimicking et de la distribution de dose à
priori

ALGORITHMES DE PLANIFICATION PAR INTELLIGENCE ARTIFICIELLE

Les algorithmes de planification automatique basés sur l’intelligence artificielle dans RayStation
sont entraînés pour attribuer à chaque voxel d’un scanner une valeur de dose, créant ainsi une
distribution de dose théorique a priori, rendue délivrable par l’algorithme Dose Mimicking (DM)
décrit précédemment.

PLANIFICATION PAR MACHINE LEARNING DANS RAYSTATION V9B

Dans la version 9B de RayStation, l’automatisation de la génération des plans de traitement est un

algorithme de Machine Learning (ML) appartenant à la classe KBML, qui utilise des algorithmes
d’IA de forêts aléatoires et d’arbres de décisions, détaillés dans l’Annexe-6. Il provient du centre
de Princess Margaret Cancer Center à Toronto et utilise les relations entre les géométries des
patients, les répartitions de dose et les compromis de dose sur les plans de traitements de la base
de données. Ainsi, le ML apprend à déduire une distribution de dose à partir des structures
délinéées sur un patient. L’algorithme utilisé dans RayStation v9B est présenté dans le paragraphe
suivant et détaillé en Annexe-7 [100]–[103] .

D’une part, les arbres de décisions peuvent être perçus comme une série de choix menant à une
décision finale. Leur entraînement consiste à créer toutes les chemins (branches) menant aux
différentes décisions (feuilles). D’autre part, les forêts aléatoires sont des ensembles d’arbres de
69

69
 Chapitre 3 : Planification automatique

décisions entraînés sur des sous-échantillons d’une même base de données. Pour prédire un
résultat, chaque arbre de la forêt donne sa décision finale et la forêt retourne le résultat le plus
représenté.

L’algorithme Atlas Regression Forest (ARF), au cœur de ce module de Machine Learning (v9B
de RayStation), permet de lier la dose par voxel aux paramètres image du patient à l’aide de
plusieurs ensembles de forêts aléatoires (Atlas). L’estimation donnée par l’Atlas est optimisée par
un algorithme Conditional Random Field (CRF) qui permet d’introduire une probabilité de dose a
priori en fonction de l’appartenance du voxel à une région
d’intérêt [102]. Enfin, une dernière forêt aléatoire
sélectionne les ARF les plus pertinentes.

Les ARF choisis forment une Super forêt et chacun d’eux

vote pour attribuer une classe de dose (intervalle de 25cGy)
à chaque voxel.
Figure 3-2-5 - Distribution de dose a priori

PLANIFICATION PAR DEEP LEARNING DE RAYSEARCH V11A – DL

Dans les nouvelles versions de RayStation, les équipes ont développé des méthodes plus rapides
de prédiction de distribution de dose. Celles-ci reposent sur un algorithme de Deep Learning
(Apprentissage Profond DL) U-NET, similaire à celui de la segmentation automatique (cf
paragraphe Chapitre 2-1.3.5), pour attribuer une valeur de dose à chaque voxel de la géométrie du
patient. Pour rappel, 3D U-net est un réseau de neurones entièrement convolutif. Cet algorithme
permet de classifier chaque voxel d’une image grâce à l’étage de contraction qui extrait les
informations importantes de l’image et un second étage d’expansion qui resitue l’information
importante dans l’espace (carte de chaleur). L’étage de contraction permet d’attribuer les valeurs
de dose dans les voxels de l’image et l’étage d’expansion resitue dans l’espace les voxels créant
une distribution de dose a priori.

70
 Algorithmes de planification de traitement automatique

LES MODELES ET LEUR AJUSTEMENT

Pendant la phase d’entraînement (réalisée par les équipes de RaySearch), les algorithmes d’IA font
les relations entre les géométries des patients, les répartitions de dose et les compromis de dose
sur les plans de traitements de la base de données. Les modèles résultants peuvent être modifiés
dans une interface de RayStation appelée RayLearner permettant de les ajuster à nos attendus
cliniques, de changer la prescription ou de modifier la zone de traitement

LA CONSTRUCTION DE BASE DE DONNEES :

La première étape de la création d’un modèle est la construction de la base de données
anonymisées et cohérentes dans les noms des organes, des noms des plans de traitements, la dose
de prescription et les distributions de doses. Notons que beaucoup de modèles sont fournis par
RaySearch permettant d’éviter la création de base de données.

La base de données permet à l’équipe de RayStation d’entraîner et de valider les modèles en interne
avant de les renvoyer aux clients (Figure 3-2-6).

Figure 3-2-6 - Processus pour l'obtention d'un modèle d'IA avec RaySearch

CREATION DES STRUCTURES D’OPTIMISATION

L’ajustement des modèles permet aussi de créer des structures d’optimisation invisibles pour
l’utilisateur. Ces structures sont créées dans le but d’aider avec le post traitement de la distribution
de dose a priori et avec le paramétrage de l’algorithme de DM. Il est possible d’étendre ou de
contracter la structure avec des marges isotopiques dont les tailles sont définies par l’utilisateur,
de créer des intersections, des unions ou d’exclure la part d’une structure incluse dans une autre.
Les opérations sont schématisées dans la Figure 3-2-7 ci-dessous.

71

71
 Chapitre 3 : Planification automatique

Figure 3-2-7- Schéma des opérations effectuables sur les structures d'optimisation

LE POST-TRAITEMENT DE LA DISTRIBUTION DE DOSE A PRIORI :

Lorsque la distribution de dose a priori est générée, elle peut subir un post-traitement modifiant
les DVH des régions d’intérêts. L’utilisateur renseigne des contraintes de dose induisant un
rééchantillonnage de la distribution de dose a priori pour l’adapter aux nouveaux DVH. Cette
distribution de dose est alors utilisée dans l’algorithme de Dose Mimicking pour être rendue
délivrable [99].

LE PARAMETRAGE DE L’ALGORITHME DE DOSE MIMICKING (DM) :

L’algorithme de Dose Mimicking peut également s’ajuster aux contraintes cliniques, à la manière
du post traitement de la distribution de dose a priori. L’utilisateur peut ajouter des contraintes de
dose associées à des poids dans les paramètres de l’algorithme pour affiner la distribution de dose
délivrable.

LA CREATION DE STRATEGIES
Les stratégies sont différentes versions d’un même modèle, créées grâce au post traitement de la
distribution de dose a priori et au paramétrage du Dose Mimicking. Cela permet de se concentrer
sur un point particulier de la planification comme, par exemple, la protection renforcée d’un organe
à risque, l’augmentation de la couverture d’un volume cible ou l’adaptation du modèle en fonction
du nombre de faisceau utilisé, de la machine, etc.

72
 Algorithmes de planification de traitement automatique

Figure 3-2-8 – Distributions de dose prédite (en haut à gauche), post traitée (en haut à droite) et délivrables avec différentes
stratégies (en bas).

Tous les algorithmes de génération automatique de plans de traitement sont étudiés et comparés
entre eux dans le paragraphe Chapitre3-4.

73

73
 Chapitre 3 : Planification automatique

3. OUTILS ET METHODES UTILISES POUR EVALUER LES PLANS DE

TRAITEMENT

OUTILS D’EVALUATION DE LA QUALITE DE PLAN

Les plans de traitements générés automatiquement sont évalués qualitativement et

quantitativement :

- Qualitativement : la qualité des plans générés est évaluée à l’aide des histogrammes dose-
volume (DVH) qui montrent l’homogénéité de répartition de la dose et la protection des OARs.
La visualisation 2D et 3D des isodoses permet également de repérer les sous-dosages et
surdosages.
- Quantitativement : Le respect des objectifs cliniques (Dose, volume) fixés par les
radiothérapeutes est évalué.

Les plans sont ensuite évalués à l’aide de plusieurs indices :

L’INDICE D’HOMOGENEITE (ICRU 83, [6]) :

Détermine l’homogénéité de l’irradiation du volume cible. C’est la différence entre les doses
reçues par 2% et 98% du volume cible par rapport à sa dose médiane, soit, la dose de prescription.

𝐷2%−𝑐𝑖𝑏𝑙𝑒 − 𝐷98%−𝑐𝑖𝑏𝑙𝑒
𝐻𝐼𝐼𝐶𝑅𝑈 = (3-1)
𝐷𝑝𝑟𝑒𝑠𝑐𝑟𝑖𝑝𝑡𝑖𝑜𝑛
Dans un plan parfait, tout le volume cible est irradié à la dose de prescription. Ainsi, les doses
minimales et maximale D2%-cible et D98%-cible sont égales à la dose de prescription et l’indice
d’homogénéité de l’ICRU est égal à 0.

L’INDICE DE CONFORMITE :
Quantifie la couverture du volume cible. Lomax et al recommandent d’utiliser le nombre de
conformité (CN) introduit par van't Riet et al. [104], [105]. C’est le rapport entre le volume de la
structure cible et le volume de l'isodose de référence (95% de la prescription). Dans notre étude,
pour des cas de prostate, le volume cible est le PTV sans son intersection avec le rectum ; un bon
indice de conformité se situe entre 0,8 et 1.

74
 Outils et méthodes utilisés pour évaluer les plans de traitement

𝑉𝑃𝑇𝑉,95% 𝑉𝑃𝑇𝑉,95%
𝐶𝑁 = × (3-2)
𝑉𝑃𝑇𝑉 𝑉95%
Où, VPTV est le volume du PTV et V95% le volume de l’isodose de référence et VPTV, 95%

l’intersection des deux volumes.

L'INDICE DE QUALITE DU PLAN :

Proposé par Leung et al, il donne une évaluation globale de la qualité d'un plan en prenant en
compte (1) la conformité des tissus sains (HC), (2) la couverture du volume cible (TC) et (3) la
préservation des tissus normaux (NTS) [106] :

HC évalue la conformation de la dose à l’intérieur du volume cible pour minimiser l'exposition

des tissus sains environnants. Le meilleur HC est égal à 1.

𝑉𝑃𝑇𝑉,95%
𝐻𝐶 = 𝑉95%
(3-3)

La couverture du volume cible TC fait référence aux objectifs cliniques du PTV : p et q sont les
nombres d'objectifs cliniques que les volumes cibles doivent respecter pour, respectivement, les
doses minimales et maximales. Pour chaque objectif clinique Vcible_i représente le pourcentage réel
du volume cible recevant la dose d'objectif clinique, et Vcible_Goal_i le pourcentage du volume cible
nécessaire pour valider l'objectif clinique.

𝑉𝐶𝑖𝑏𝑙𝑒_𝑝𝑟 𝑉𝑐𝑖𝑏𝑙𝑒_𝑞𝑟
∑𝑃𝑝=1 ( ∑𝑄
1 𝑅 𝑉𝐶𝑖𝑏𝑙𝑒_𝐺𝑜𝑎𝑙_𝑝𝑟 ) + 𝑞=1 (1 − 𝑉𝑐𝑖𝑏𝑙𝑒_𝐺𝑜𝑎𝑙_𝑞𝑟 )
𝑇𝐶 = ∑ (3-4)
𝑅 100
𝑟=1 ∑𝑃𝑝
𝑉𝑃𝑇𝑉_𝐺𝑜𝑎𝑙_𝑝𝑟 + 𝑄
La préservation des tissus normaux NTS s’appuie sur les objectifs cliniques des organes à risques
(OAR). Le nombre d'OAR est représenté par n et le nombre d'objectifs cliniques que le nième OAR
doit respecter est représenté par m. Pour chaque objectif clinique, VOAR_ji est le pourcentage réel
du volume de l'OAR qui a reçu la dose de l'objectif clinique et VPTV_Goal_ji représente le volume de
l'OAR nécessaire pour valider les objectifs cliniques.

1 𝑛 1 𝑚 𝑉𝑂𝐴𝑅_𝑗𝑖
𝑁𝑇𝑆 = ∑ { ∑ [1 − ]} (3-5)
𝑛 𝑖 𝑚 𝑗 𝑉𝑂𝐴𝑅_𝐺𝑜𝑎𝑙_𝑗𝑖

75

75
 Chapitre 3 : Planification automatique

Enfin l’indice de qualité de plan (PQI) est la combinaison des 3 indices. Idéalement PQI = 0

𝑃𝑄𝐼 = √(1 − 𝐻𝐶)2 + (1 − 𝑇𝐶)2 + (1 − 𝑁𝑆)2 (3-6)

L’INDICE DE JACCARD :
Permet, quant à lui, de calculer la similarité entre deux plans par rapport aux volumes de leurs
isodoses :
|𝑉𝑃𝐿𝐴𝑁1 ⋂𝑉𝑃𝐿𝐴𝑁2 |
𝐽𝑎𝑐𝑐𝑎𝑟𝑑 = (3-7)
|𝑉𝑃𝐿𝐴𝑁1 ⋃ 𝑉𝑃𝐿𝐴𝑁2 |
Où VPLAN1 et VPLAN2 sont les volumes d’une isodose donnée pour le plan1 et le plan 2.

L’ACCEPTABILITE :
Un plan de traitement est jugé acceptable si tous les objectifs cliniques sont validés. Les objectifs
cliniques des traitements prostate et encéphale in toto sont donnés en Annexe 9.

OUTILS D’EVALUATION DE LA DELIVRABILITE DU TRAITEMENT

La technique VMAT génère des arcs modulés discrétisés en points de contrôles appelés segments.
Leur enchainement peut être plus ou moins rapide et générer des champs plus ou moins ouverts.
Des indices de complexité permettent de quantifier la complexité de ces enchainements [107]–
[113]. Plus un plan de traitement est complexe, plus la délivrabilité du traitement est incertaine à
cause des approximations faite par le TPS sur la géométrie de lames (Chapitre 1-2.1.4). Nous avons
utilisé les parcours de lames (LT), l’écart moyens entre les paires de lames (ALG), l’Edge Metric
(EM), l’irrégularité de plan (PI) et le score de complexité de modulation (MSC) décrits en Annexe
8

OUTILS STATISTIQUES POUR L’ANALYSE STATISTIQUE DES PLANS DE TRAITEMENT

L'analyse statistique entre 2 groupes de plans de traitement (exemple : plans réalisés manuellement
et plans réalisés automatiquement) est réalisée à l'aide du calcul des p-values sur les indices
dosimétriques ou de complexités. L’analyse statistique compare les distributions de probabilité
que les 2 groupes ont d’obtenir l’un des indices. Le but est d’observer si ces distributions de
probabilité sont significativement différentes. L’hypothèse que ces 2 distributions soient les

76
 Outils et méthodes utilisés pour évaluer les plans de traitement

mêmes ou que leurs différences soient non significatives (différences dues à des variations
d’échantillonnage) est appelée l’hypothèse nulle. Elle est rejetée quand p-value < 0.05, ce qui
implique qu’un changement significatif a eu lieu.

Tout d'abord, la distribution de probabilité est testée avec le test de Shapiro. Si p > 0,05, la
distribution est considérée comme normale. Dans ce cas, si les variances des deux groupes sont
égales, un test t de Student apparié est utilisé. En revanche, si les variances diffèrent, le test de
Welch est effectué. En cas de distribution non normale, un test de Wilcoxon apparié est calculé.
Les calculs sont réalisés à l'aide de la bibliothèque Python SciPy.

METHODE DE LA DELIVRABILITE DES PLANS DE TRAITEMENT

DELIVRABILITE DES PLANS PAR LA MESURE

Les plans générés par un TPS sont vérifiés par la mesure pour s’assurer que la machine délivre
une distribution de dose similaire à celle calculée (CF Chapitre 1-5). La comparaison entre les
distributions de doses mesurées (référence) et les distributions de doses calculées est réalisée avec
un test gamma (γ) [114], [115].

Le test γ évalue, pour chaque point pref de la distribution de dose de référence Dref, la concordance
avec un point (peval) de la distribution de dose évaluée Deval. Ces points sont fonction de leurs
positions dans l’espace et de leurs niveaux de dose. Ainsi, le calcul de γ se base sur deux aspects :

(1) La distance entre le point pref et peval notée ∆d(pref, peval)

(2) La différence de dose entre ces points appelée ∆D(pref, peval)

Le test γ nécessite également des critères d’acceptation, préalablement donnés par l’opérateur : la
distance (∆dA) et la différence de dose (∆DA).

Le calcul du test du γ cherche, pour chaque point de la distribution de référence pref, son point
concordant dans la distribution évaluée Deval, puis évalue la distance et les différences de doses et
les compare aux critères d’acceptation. Si γ (pref) est inférieur à 1, alors pref passe le test ; sinon il
échoue. Ce test est décrit mathématiquement dans les équations (3-8) et (3-9). Le taux de réussite
du test γ ou Gamma passing rate (GPR), est le pourcentage de points qui passent le test γ.

77

77
 Chapitre 3 : Planification automatique

∆d2 (𝑝𝑟𝑒𝑓 ,𝑝𝑒𝑣𝑎𝑙 ) ∆D2 (𝑝𝑟𝑒𝑓 ,𝑝𝑒𝑣𝑎𝑙 ) (3-8)

𝛤(𝑝𝑟𝑒𝑓 , 𝑝𝑒𝑣𝑎𝑙 ) = √ 2 + 2
∆𝑑𝐴 ∆𝐷𝐴

γ(𝑝𝑟𝑒𝑓 ) = 𝑚𝑖𝑛{𝛤(𝑝𝑟𝑒𝑓 , 𝑝𝑒𝑣𝑎𝑙 )} ∀{𝑝𝑒𝑣𝑎𝑙 } (3-9)

Enfin, le test γ est catégorisé en deux types : local ou global. Dans le cas d’un γ local, la différence
de dose est calculée avec l’équation (3-25). Pour un γ global, celle-ci est normalisée par une valeur
de dose, notée Dnorm, dans l’équation (3-26) qui est la dose maximale de la distribution de dose de
référence.

∆D𝑙𝑜𝑐𝑎𝑙 = 𝐷𝑒𝑣𝑎𝑙 (𝑝𝑒𝑣𝑎𝑙 ) − 𝐷𝑟𝑒𝑓 (𝑝𝑟𝑒𝑓 ) (3-10)

𝐷𝑒𝑣𝑎𝑙 (𝑝𝑒𝑣𝑎𝑙 ) − 𝐷𝑟𝑒𝑓 (𝑝𝑟𝑒𝑓 ) (3-11)

∆D𝑔𝑙𝑜𝑏𝑎𝑙 =
𝐷𝑛𝑜𝑟𝑚

Pour valider les méthodes de génération automatique de plans, 20 plans de traitement générés
automatiquement ont été recalculés sur le CT de l’ArcCHECK et comparés avec les mesures faites
sur ArcCHECK à l’aide du logiciel de SunCHECK (CF Chapitre1-5.1.3). Le critère d’acceptation
du GPR est que 95% des points de référence valident le test γ avec un maximum de 2% de
différence de dose et 2 mm de distance. Ces critères sont fixés en fonction de l’incertitude liée aux
détecteurs ou à la mesure (2 à 3%) et de la grille de calcul de dose (2.5 mm).

DELIVRABILITE DES PLANS PAR DOUBLE CALCUL DE DOSE MONTE CARLO (PRIMO)
Les plans générés automatiquement peuvent être plus complexes que les plans générés
manuellement. C’est pourquoi nous avons choisi de valider les modèles d’IA, non seulement par
la mesure, mais aussi par le double calcul d’UM permettant de mieux prendre en compte les
mouvements de lames du MLC.

Ces plans ont été également évalués avec le double calcul de dose (uniquement pour des plans
délivrés par Novalis), à l’aide du logiciel PRIMO (Chapitre1 -5.2).

78
 Outils et méthodes utilisés pour évaluer les plans de traitement

COMPARAISON DES PLANS DE TRAITEMENT

Les plans de traitement générés automatiquement (MCO et IA) sont évalués par rapport aux plans
de traitement de référence en fonction des différents protocoles de traitements, décrits dans le
paragraphe suivant.

PROTOCOLES CLINIQUES DE TRAITEMENT

Les PlanMAN et les plans générés automatiquement possèdent les mêmes balistiques. Le Tableau
3-3-1 ci-dessus résume les protocoles de traitement de chaque localisation.

- Les plans pour WB sont générés avec 4 arcs délivrant des photons 6MV pour Novalis ou
Halcyon.
- Les plans pour le pelvis sont délivrés par des faisceaux de 10MV pour Novalis ou 6MV pour
Halcyon. Lorsque les ganglions ne sont pas traités, le plan est réalisé avec 2 arcs, sinon il est
réalisé avec 4 arcs sur Halcyon et 2 arcs sur Novalis.

Tableau 3-3-1 – Protocoles de traitements des études

Nombre de
Nom des plans Prescription Volume cible
séances
Prostate 78 Gy Prostate 39
ProVS 46 + 32 Gy Prostate + vésicules séminales 23 + 16
PelvPro 46 + 32 Gy Prostate + vésicules séminales + ganglions pelviens 23 + 16
PelvPro avec prothèse 46 + 32 Gy Prostate + vésicules séminales + ganglions 23 + 16
Loge 46 + 20 Gy Loge + ganglions 23 + 10
Encéphale in toto (WB) 30 Gy Cerveau 10

GENERATION DES PLANS DE TRAITEMENTS

Pour simplifier la compréhension des études, nous avons attribué des noms aux plans de traitement
en fonction de la manière dont ils sont générés.

PlanMAN : Réalisé manuellement par optimisation classique (nombre d’itérations variable) par
divers dosimétristes. Ces plans sont validés cliniquement et délivrés aux patients. Ils sont
considérés comme les plans de référence.

79

79
 Chapitre 3 : Planification automatique

MCO :
PlanMCO : Généré automatiquement avec le MCO. Ces plans sont tous générés avec le même jeu
d’objectifs idéaux quel que soit le patient. Puis les plans Pareto « balance » sont rendus délivrables
par l’algorithme de Mimicking (Chapitre 3-2.1) avec 3 optimisations de 100 itérations.

PlanMCO-AUTO : PlanMCO retravaillé automatiquement par 3 optimisations classiques de 100

itérations avec le même jeu d’objectifs quel que soit le patient. Ces plans sont réalisés à l’aide d’un
script Python

PlanMCO++ : PlanMCO-AUTO retravaillés manuellement avec des optimisations classiques (nombre

d’itérations et d’optimisations variables) avec des jeux d’objectifs différents en fonction des
patients.

Figure 3-3-1 - Utilisation du MCO en routine clinique pour les Encéphales in toto

IA :
PlanML : Générés par l’algorithme de ML. Ils sont générés avec un post traitement de la distribution
de dose a priori et un paramétrage de l’algorithme de Dose Mimicking (DM). Les PlanML sont
tous générés avec une stratégie standard et 3 optimisations de 60 itérations ainsi qu’une
optimisation de 40 itérations.

PlanDL-PRE : Distribution de dose a priori générée par DL sans post-traitement.

PlanDL-POST : Distribution de dose a priori générée par DL avec post-traitement.

PlanDL : Générés par l’algorithme de DL. Les distributions de dose a priori sont rendues délivrables
par l’algorithme DM paramétré manuellement. Ces plans nécessitent 3 optimisations de 60
itérations et 1 optimisation de 40 itérations et peuvent provenir de différentes stratégies.

PlanDL-HALCYON : PlanDL générés pour la machine Halcyon.

PlanDL-NOVALIS : PlanDL générés pour la machine Novalis STX.

80
 Outils et méthodes utilisés pour évaluer les plans de traitement

PlanDL++ : PlanDL retravaillé manuellement avec des optimisations classiques (nombre d’itérations
et d’optimisations variables) avec des jeux d’objectifs différents en fonction des patients.

PlanDL++ : PlanDL retravaillé manuellement par optimisations classiques (nombre d’itération et

d’optimisations variables) avec des jeux d’objectifs différents en fonction des patients.

Figure 3-3-2 - Utilisation du DL en routine clinique pour les Prostate, Loge, Pelvpro, PelvLoge et ProVS

ETUDES REALISEES SUR LES PLANS DE TRAITEMENT

ETUDE 1 : COMPARAISON DES PLANS AUTOMATIQUES PAR RAPPORT AUX PLANS DE REFERENCE
Cette 1ère étude compare les PlanMAN aux plans de traitement générés automatiquement : PlanMCO,
PlanDL et PlanML. Pour mettre en évidence l’intérêt de chacune des méthodes, nous les avons
évaluées pour 2 localisations :

- Les PlanMCO sont évalués pour des traitements d’encéphale in-toto WB car cette localisation
comporte de nombreux organes à risques à proximité de la zone traitée.
- Les plans IA (PlanML, PlanDL) sont évalués sur des traitements Prostate car c’est une des
localisations les plus traitées par le groupe ORION permettant de créer facilement une base de
données.

L’évaluation pour chaque type d’algorithme a été menée avec des nombres de patients et des sites
cliniques différents :

- Evaluation du MCO : Comparaison des PlanMCO aux PlanMAN pour 5 patients traités pour des
WB.

81

81
 Chapitre 3 : Planification automatique

- Evaluation du DL et du ML : Comparaison des PlanDL et PlanML aux PlanMAN pour 20

patients traités pour des Prostates.

Cette étude comparative utilise le taux d’acceptabilité des plans de traitement, le temps de
génération de ces plans de traitement (timing) et les outils d’évaluation de la distribution de dose
décrits dans le Chapitre 3-3.1.

ETUDE 2 : AMELIORATION DES PLANS GENERES PAR MCO

La 2ème étude a permis d’étudier plus précisément les plans MCO (par script Python), PlanMCO,
PlanMCO-AUTO et PlanMCO++ et de les évaluer par rapport aux plans de référence, à savoir les
PlanMCO++ qui sont les plans validés cliniquement et délivrés aux patients. Cette comparaison a été
effectuée pour 30 patients traités pour des WB

Les plans sont évalués selon leur taux d’acceptabilité, le temps de génération et les outils
d’évaluation de la distribution de dose décrits dans le Chapitre 3-3.1.

ETUDE 3 : ETUDE PRECLINIQUE DU DL POUR LA MISE EN ŒUVRE CLINIQUE

Cette 3ème étude a permis d’optimiser l’utilisation du DL avant la mise en route clinique. Nous
avons évalué chaque étape de la génération d’un plan :

- La reproductibilité est évaluée sur 2 patients Prostate pour lesquels 5 PlanDL sont générés
dans les mêmes conditions. Ces plans sont comparés à l’aide de l’indice Jaccard permettant de
quantifier leur similarité.
- Le post traitement des distributions de dose a priori est évalué sur 10 patients Prostate. Pour
chaque patient 1 PlanDL-PRE et 1 PlanDL-POST sont générés. Les paramètres du post traitement
sont donnés en Annexe 10 et la comparaison est effectuée à l’aide des DVH de vessies, têtes
fémorales, rectums et PTV.
- Le paramétrage de l’algorithme de Dose Mimicking (DM) est évalué pour des traitements
Prostate en comparant les DVH des 10 PlanDL-POST avec les PlanDL rendus délivrables grâce à
cet algorithme de Dose Mimicking (PlanDL). L’indice de Jaccard a permis de calculer les
similarités entre les distributions de dose a priori et les distributions de dose délivrables de 200
PlanDL (100 PlanDL-HALCYON et 100 PlanDL-NOVALIS). Les paramètres d’ajustement du DM sont
disponibles en Annexe 11.

82
 Outils et méthodes utilisés pour évaluer les plans de traitement

- L’utilisation de stratégies : L’évaluation des stratégies est réalisée avec le taux d’acceptabilité
des plans de traitements sur une base de données de 100 PlanDL-HALCYON et 100 PlanDL-NOVALIS.
- L’entraînement de l’IA : Dans un dernier temps, un modèle de DL est entraîné avec une base
de données de PlanMCO++ décrite dans l’étude précédente (Chapitre 3-4.2). L’idée est
d’atteindre la qualité de ces plans avec le DL afin de gagner du temps. Dans cette étude, 44
PlanDL, 44 PlanMCO++ et 44 PlanMCO sont comparés avec les indices dosimétriques.

ETUDE 4 : RETOUR D’EXPERIENCE SUR L’IA EN ROUTINE CLINIQUE POUR LES PLANS DE TRAITEMENTS
DU PELVIS.

Patients et pratique clinique

Depuis janvier 2023, le DL est utilisé en routine dans le service de radiothérapie du groupe Orion
pour traiter les patients atteints d’un cancer de la prostate. Le 31 juillet 2023, nous dénombrions
127 patients traités. Lorsqu’un PlanDL est utilisé les dosimétristes ont le choix de le garder tel quel
ou de l’améliorer avec des optimisations manuelles (PlanDL++).

Les patients sont classés selon 4 catégories :

- Prostate ou ProVS : Traitement des prostates seules ou avec vésicules séminales.

- Loge : Traitement pour des loges prostatique et ganglions pelviens.
- PelvPro : Traitement de prostates, vésicules séminales et ganglions pelviens.
- PelvPro avec prothèse : PelvPro pour les patients ayant des prothèses de hanche.

Les 79 premiers patients traités sont évalués cliniquement, pour s’assurer de la continuité de la
qualité des traitements. Le Tableau 3-3-2 répertorie combien de fois les modèles sont utilisés.
Parmi ces traitements, 5 patients ont des prothèses de hanches créant des artefacts sur les scanners
de planification : les modèles PelvPro46 et Prostate32Gy (Annexe 9). Nous les distinguons des 48
autres traités avec les mêmes modèles.

83

83
 Chapitre 3 : Planification automatique

Tableau 3-3-2 - Modèle utilisé en routine clinique et le nombre d’utilisation pour 79 patients

Nom du Modèle final Volumes cibles Nombre d’utilisations

ProstateVS Prostate+ vésicules séminales 10

Prostate78 Prostate 2

Prostate32 Prostate 63

Prostate12 Prostate 1

Progg20 Prostate + boost 1

Loge20 Loge prostatique 7

PelvPro46 Prostate+ vésicules séminales+ ganglions 53

PelvLoge46 Loge prostatique + ganglions 6

Etude réalisée

Cette étude 4 est une comparaison entre les PlanDL++ (référence car utilisés en routine) et les PlanDL
réalisée avec :

- Comparaison des distributions de dose et les complexités des plans sur 79 patients. De plus,
les plans PelvPro sont également comparés à 100 PlanMAN de référence. Cette deuxième
comparaison sert à confirmer la continuité de la qualité des traitements délivrés aux patients.
- Mesure du taux de réussite au test γ de 20 patients pour évaluer la délivrabilité des plans.
- Mesure du temps de génération de 6 PlanDL++ et 3 PlanMAN pour l’étude du gain de temps.

84
 Résultats

4. RESULTATS

ETUDE 1 : COMPARAISON DES PLANS AUTOMATIQUES PAR RAPPORT AUX PLANS

DE REFERENCE

Le Tableau 3-4-1 synthétise les résultats de nos comparaisons entre les PlanMAN et les plans générés
automatiquement PlanMCO, PlanML et PlanDL.

Tableau 3-4-1- Comparaison entre les PlanMAN PlanMCO PlanML et PlanDL. Les paramètres améliorés sont notés en vert et les
paramètres dégradés sont notés en rouge. Les différences entre les écarts types des mesures sont notées entre crochets

𝑃𝑙𝑎𝑛𝑀𝐶𝑂 − 𝑃𝑙𝑎𝑛𝑀𝐴𝑁 𝑃𝑙𝑎𝑛𝑀𝐿 − 𝑃𝑙𝑎𝑛𝑀𝐴𝑁 𝑃𝑙𝑎𝑛𝐷𝐿 − 𝑃𝑙𝑎𝑛𝑀𝐴𝑁

Paramètres de comparaison
𝑃𝑙𝑎𝑛𝑀𝐴𝑁 𝑃𝑙𝑎𝑛𝑀𝐴𝑁 𝑃𝑙𝑎𝑛𝑀𝐴𝑁

Indice dosimétriques (moyenne)

Indices d’homogénéité -10% [-50%] + 1% [+27%] - 9% [-30%]

Nombre de Conformation +4% [0%] - 2% [+51%] + 1% [-40%]

Conformité aux tissus sains +4% [-9%] - 3% [+58%] + 1% [-55%]

Couverture de la cible 0% [-43%] 0% [+18%] 0% [+7%]

Epargne des tissus sains +1 % [+22%] - 1% [-16%] 0% [+6%]

Indice de qualité de plan -1% [+42%] + 2% [-20%] 0% [+6%]

Acceptabilité

Taux d’acceptabilité -100% -5 % -5 %

Timing

Temps de génération de plans N/A - 67% - 74%

ANALYSE DES RESULTATS DU MCO

Les PlanMCO ne sont pas acceptables directement et présentent un surdosage dans le volume cible.
En revanche, la dose dans ces volumes est plus homogène, et ils ont de meilleurs indices de qualité
de plan car ils épargnent mieux les tissus sains et la couverture est plus conforme au volume cible.
Par ailleurs, les écarts types de l’homogénéité et de la couverture du volume cible des PlanMCO
85

85
 Chapitre 3 : Planification automatique

sont moins étendus que ceux des PlanMAN. À l’inverse, les écarts types des plans de référence sont
plus petits concernant les indices d’épargne des organes à risques et de qualité de plan.

Cela signifie que les PlanMCO ont des couvertures de volume cible relativement similaires, mais
que l’épargne des organes à risque varie plus d’un patient à l’autre, parce que le MCO va créer les
plus forts gradients de dose possibles pour épargner les organes à risques en fonction de la
géométrie du patient.

ANALYSE DES RESULTATS DU ML

Bien que 95 % des plans soient acceptables directement, les qualités de plans ML sont légèrement
dégradées par rapport aux plans de référence manuels en raison de l’épargne des organes à risques
plus faible et d’une moins bonne conformité aux volumes cibles. Visuellement, cela se traduit par
un débordement plus important de l’isodose 95 % autour du PTV. De plus, le ML présente des
écarts types plus grands pour la couverture du volume cible et plus petits pour l’épargnes des OAR,
traduisant un manque d’adaptabilité car le ML ne cherche pas à minimiser la dose dans les OAR.
Cependant, les PlanML permettent de gagner, en moyenne, 64 % du temps de génération d’un plan
de traitement.

ANALYSE DES RESULTATS DU DL

Les plans générés avec la nouvelle IA de RayStation proposent 95 % de plans directement
acceptables avec des couvertures de volumes cibles plus homogènes et plus conformes sans
dégradation de l’épargne des organes à risques. En outre, le DL obtient des écarts types de
couverture des volumes cibles et d’épargne des organes à risques proches de ceux obtenus par les
PlanMAN ainsi que des écarts types beaucoup moins étendus pour la conformité et l’homogénéité
de la dose dans le volume cible. Ainsi, cette méthode permet de générer 4 fois plus rapidement des
plans de traitement très similaires aux plans réalisés manuellement.

SYNTHESE DES RESULTATS DE L’ETUDE 1

Pour conclure, d’une part, les PlanMCO proposent les plans de traitement les plus travaillés mais
nécessitent d’être corrigés systématiquement pour éviter le surdosage dans le volume cible.
D’autre part, les IA permettent de générer rapidement des plans de traitement acceptables
d’emblée. Néanmoins, les PlanML n’atteignent pas les standards des PlanMAN. À l’inverse des
PlanDL sont équivalents aux plans de traitement générés manuellement.

86
 Résultats

ETUDE 2 : AMELIORATION DES PLANS GENERES PAR MCO

L’étude 1 démontre l’intérêt de l’utilisation du MCO en routine clinique, mais les plans présentent
systématiquement des surdosages dans le volume cible. La décision a été prise de retravailler en
optimisation classique les PlanMCO systématiquement et automatiquement à l’aide d’un script
Python, pour augmenter la qualité de couverture des plans de traitements (PlanMCO-AUTO). Enfin,
pour l’utilisation en routine clinique, les dosimétristes ont la possibilité de retravailler
manuellement les PlanMCO-AUTO en optimisation classique (PlanMCO++).

Le Tableau 3-4-2 donne les indices de distribution de dose obtenus, le taux d’acceptabilité et le
temps de génération d’un plan de traitement en fonction des 3 étapes.

Tableau 3-4-2 - Comparaison des indices qualité de plan entre les PlanMCO PlanMCO-AUTO et PlanMCO++

Paramètres de comparaison PlanMCO PlanMCO-AUTO PlanMCO++

Indice dosimétriques moyens

Homogénéité (HI) 0.073 0.049 0.046

Nombre de Conformation (CN) 0.910 0.948 0.946

Conformité aux tissus sains (HC) 0.907 0.945 0.945

Couverture du volume cible (TC) 0.991 0.996 0.999

Epargne des tissus normaux (NTS) 0.325 0.325 0.325

Qualité de plan (PQI) 0.682 0.677 0.678

Taux d’acceptabilité (%) 0% 80% 100%

Temps de génération (minutes) 58 94 > 94

ANALYSE DES RESULTATS DES PLANMCO-AUTO :

80% des plans de traitement sont acceptables en ajoutant 36 minutes de temps passif.
L’automatisation des plans améliore nettement la couverture à fois pour l’homogénéité et pour la
conformation du volume cible, tout en conservant l’épargne des organes à risque, ce qui améliore
l’indice de qualité de plan.

87

87
 Chapitre 3 : Planification automatique

ANALYSE DES PLANS PLANMCO++ :

Finalement, avec l’amélioration manuelle tous les plans de traitement sont acceptables. De plus la
couverture et l’homogénéité du volume cible sont améliorées et l’épargne des organes à risque est
préservée.

Visuellement, les isodoses des PlanMCO++ débordent plus du volume cible que celles des PlanMCO-
AUTO pour permettre une couverture plus homogène et d’une plus grande partie du PTV (Figure 3-
4-1)

Figure 3-4-1 - Différence de couverture entre un plan MCO automatisé (PlanMCO-AUTO) et un plan MCO automatisé et amélioré
manuellement (PlanMCO++)

ETUDE 3 : ETUDE PRECLINIQUE DU DL POUR LA MISE EN ŒUVRE CLINIQUE

REPRODUCTIBILITE DES PLANS DE TRAITEMENT GENERES PAR DL

Tableau 3-4-4 Indice Jaccard moyens et intervalles de valeurs entre isodoses (en pourcentage de la prescription) des plans générés
automatiquement sur 2 patients

10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

0.990 0.976 0.980 0.990 0.994 0.996 0.997 0.997 0.998 0.883
(1-0.979) (1-0.946) (1-0.962) (1-0.982) (1-0.990) (1-0.993) (1-0.994) (1-0.995) (1-0.996) (1-0.808)

88
 Résultats

Un des objectifs de l’automatisation des plans de traitement est la diminution de la variabilité inter-
opérateur. C’est pourquoi nous avons évalué la reproductibilité des plans de traitements générés
par IA. Les distributions de dose a priori sont systématiquement les
mêmes pour tous les PlanDL ainsi que les objectifs cliniques et les DVH
sont les mêmes pour tous les plans générés sur un même patient.

Les indices de similarité entre les isodoses sont donnés dans le Tableau
3-4. Les isodoses sont très similaires entre elles, sauf pour l’isodose 100
% du fait de sa distribution inhomogène dans le PTV (seulement 50 % du PTV doit recevoir 100
% de la dose de prescription, Figure 3-4-2). Les différences entre les isodoses viennent du
processus d’optimisation : plusieurs distributions de doses peuvent correspondre aux mêmes
Figure 3-4-2 - Distribution attendus cliniques.
spatiale de l'isodose 100% de
la prescription (rouge) dans le
PTV (jaune)

IMPACT DU POST TRAITEMENT SUR LA DISTRIBUTION DE DOSE PREDITE PAR DL

La Figure 3-4-3 illustre les DVH obtenus pour des PlanDL-POST et PlanDL-PRE. Les doses reçues par
les têtes fémorales et le PTV ne présentent pas de différences significatives. En revanche, pour 1
PlanDL-POST, la vessie est plus irradiée mais les 2 DVH respectent nos objectifs cliniques. Des écarts
de dose plus significatifs sont observés sur le rectum, où les PlanDL-POST irradient moins le rectum
entre 0 et 50Gy. En outre, la dose maximale reçue par 1% du volume du rectum d’un PlanDL-PRE
ne respecte pas nos objectifs cliniques (Annexe -9-9.1).

Finalement, avec le post traitement, les PlanDL protègent mieux le rectum et conservent l’épargne
des autres OAR sans changer la couverture du volume cible.

89

89
 Chapitre 3 : Planification automatique

Figure 3-4-3 - Histogramme dose volume des régions d'intérêt (têtes fémorale, vessie, rectum et PTV) générés plans les Plan DL
avec post traitement (ligne avec point) et sans post traitement (ligne avec croix)

INFLUENCE DE L’ALGORITHME DE DOSE MIMICKING SUR LA DISTRIBTUION DE

DOSE PREDITE PAR LE DL

La Figure 3-4-4Error! Reference source not found. représente les DVH des structures d’intérêt
des PlanDL-POST et PlanDL. Aucune différence significative n’est visible sur le DVH du PTV. Pour
les OARs, d’un côté, l’algorithme de Dose Mimicking dégrade l’épargne des têtes fémorales (la
moyenne des doses reçues et l’écart type des DVH sont plus importants pour les PlanDL). D’un
autre côté, ces plans proposent en moyenne une irradiation moins importante du rectum et de la
vessie et les 2 types de plans ont des écarts types équivalents.

90
 Résultats

Figure 3-4-4 – Histogramme dose-volume des régions d'intérêts (têtes fémorale, vessie, rectum et PTV) et PlanDL-POST (lignes avec
points) et les distributions de dose délivrables : PlanDL-MIMICKED (lignes foncées avec triangles).

Le Tableau 3-4-3 synthétise nos résultats sur les différences d’isodoses entre les PlanDL-POST et les
PlanDL délivrés sur 2 types de machines de traitement (Halcyon et Novalis).

Tableau 3-4-3 -Comparaison entre les isodoses (en pourcentage de la prescription) à l’aide de l’indice Jaccard

50% 70% 90% 95%

PlanDL-POST VS PlanDL-NOVALIS 0.891 [0.015] 0.894 [0.019] 0.931 [0.016] 0.940 [0.015]

PlanDL-POST VS PlanDL-HALCYON 0.913 [0.011] 0.925 [0.016] 0.944 [0.011] 0.952 [0.010]

91

91
 Chapitre 3 : Planification automatique

Les distributions d’isodoses ont de fortes similarités qui augmentent avec le niveau de dose. De
plus, les PlanDL-HALCYON présentent les meilleures similarités, sûrement parce que plus d’arcs sont
utilisés pour générer le plan de traitement (4 pour Halcyon vs 2 pour Novalis), offrant davantage
de degré de liberté à l’optimiseur.

Ces résultats sont concordants avec les paramètres d’ajustement choisis dans l’algorithme DM (Cf
Annexe 11) qui comporte des critères de dose pour tous les organes exceptés les têtes fémorales.
Ainsi, nous confirmons que le paramétrage est réellement essentiel pour conserver ou améliorer la
qualité de la distribution de dose a priori

UTILISATION DES STRATEGIES

Le Tableau 3-4-4 présente les taux de plans acceptables en fonction des objectifs cliniques et de
la stratégie choisie selon la machine.

Tableau 3-4-4 - Taux de plans acceptables en regard des objectifs cliniques en fonction de la stratégie choisie et de la machine

Taux d’acceptabilité PlanDL-NOVALIS PlanDL-HALCYON

Stratégie standard 78% 83%

Stratégie de protection du rectum 6% 1%
Stratégie de protection de la cavité abdominale 5% 6%
Stratégie de protection de la vessie 2% 1%
Non acceptables 6% 9%
Taux d’acceptabilité final 91 % 91%

Parmi les plans de traitement générés automatiquement, 78 % des PlanDL-NOVALIS et 83 % des plans
PlanDL-HALCYON sont cliniquement acceptables d’emblée (Tableau 3-4-4).

L’utilisation des stratégies permet la validation clinique de plus de plans de traitement, avec une
augmentation de l’acceptabilité de 8 % pour les PlansDL-HALCYON et 1 3% pour les PlansDL-NOVALIS.
Cette hausse est plus importante pour les PlanDL-NOVALIS grâce à la stratégie de protection du
rectum, qui est moins pertinente dans le cas des PlanDL-HALCYON. Enfin, notons que le temps de
génération d’un plan n’est pas impacté par la stratégie qu’il utilise.

92
 Résultats

ENTRAINEMENT DU DL AVEC UNE BASE DE DONNEES DE PLANS GENERES PAR

MCO

Nous avons étudié l’impact d’un entraînement du DL avec des plans MCO plutôt qu’avec des
plans manuels. Le Tableau 3-4-5 présente les résultats obtenus.

Tableau 3-4-5 - Comparaison entre les PlanMCO, PlanMCO++ et les PlanDL. Les meilleurs résultats sont notés en vert et les pires en
rouge

Paramètres de comparaison PlanMCO PlanMCO++ PlanDL

Indice dosimétriques (moyenne)

Indices d’homogénéité 0.060 0.046 0.036

Nombre de Conformation 0.904 0.934 0.860
Conformité aux tissus sains 0.914 0.937 0.861
Couverture de la cible 0.984 0.999 0.998
Epargne des tissus sains 0.324 0.324 0.324
Indice de qualité de plan 0.683 0.680 0.690

Acceptabilité

Taux d’acceptabilité 0 100% 95%

Timing

Temps de génération de plans 58min >94 min 22min

Les PlanDL ont une épargne des OARs identique à celle des PlanMCO++ et leur indice moyen de
couverture des volumes cibles est sensiblement équivalents. Cependant, l’indice moyen de
conformation des PlanDL est significativement inférieur, traduisant un important débordement des
fortes doses hors du volume cible (illustré par la Figure 3-4-5), engendrant une amélioration de
l’homogénéité de la couverture mais une dégradation de l’indice de qualité de plan.

93

93
 Chapitre 3 : Planification automatique

Figure 3-4-5 - Différence de couverture entre un plan généré par Deep Learning (Plan DL) et un autre généré par MCO
automatisé et amélioré manuellement PlanMCO++

Par ailleurs, le DL génère des plans acceptables 95 % du temps, 2 fois plus rapidement que les
PlanMCO et au moins 4 fois plus rapidement que les PlanMCO++. Les 5 % des PlanDL ne respectant
pas nos objectifs cliniques présentent des surdosages dans le PTV, à l’instar des PlanMCO.

Pour conclure, nous ne réussissons pas à atteindre les performances du MCO amélioré par
optimisations classiques avec le DL. Bien que celui-ci soit entraîné à partir des PlanMCO++ et qu’il
soit amélioré avec le post traitement de la distribution de dose a priori et le paramétrage de
l’algorithme DM. Nous pensons qu’avec une amélioration par optimisations classiques, les écarts
entre les plans de traitements se réduiraient. Cependant, le temps d’intervention des opérateurs
serait à peu près les mêmes et il n’y aurait pas de gain de temps actif en utilisant le DL.

SYNTHESE DES RESULTATS DE L’ETUDE 3

Les PlanDL sont reproductibles : pour un même patient, ces plans de traitements ne génèrent pas
des plans de traitement parfaitement identiques mais les différences engendrées n’impliquent ni
différence de couverture des volumes cible ni différence de toxicité aux OAR.

L’utilisation du post traitement de la distribution de dose a priori et le paramétrage de

l’algorithme de Dose Mimicking offrent une réelle plus-value sur l’épargne des organes à risque
sans dégrader les couvertures des volumes cibles. De plus, si le paramétrage du DM n’est pas fait,
celui-ci peut dégrader la qualité du plan par rapport à la distribution de dose a priori.

Les stratégies permettent d’augmenter nettement le taux d’acceptabilité des plans de traitement
générés automatiquement par DL.

94
 Résultats

La base de données utilisée pour l’entraînement du DL est primordiale, mais elle n’est pas
suffisante pour obtenir des plans de traitement équivalents aux plans de référence. Pour obtenir
des plans de traitement comparables aux PlanMCO++, un premier effort est à fournir au niveau du
post traitement de la distribution de dose a priori et du paramétrage du DM. Un second effort doit
être fourni par optimisation classique pour corriger la conformité et la couverture du modèle.

ETUDE 4 : RETOUR D’EXPERIENCE SUR L’IA EN ROUTINE CLINIQUE POUR LES

PLANS DE TRAITEMENT DU PELVIS.

Les différences observées entre les PlanDL-NOVALIS et les PlanDL-HALCYON nous ont conduits à
développer des stratégies pour chaque type de machine (stratégie Halcyon et stratégie Novalis).
En revanche, pour faciliter l’intégration de cette méthode en routine clinique, le nombre de
stratégies est réduit à 2 (par type de machine) : standard et protection du rectum. Ces stratégies
sont utilisées en routine clinique.

EVALUATION DES PLANS GENERES AUTOMATIQUEMENT PAR DL ET AMELIORES

MANUELLEMENT

Les plans générés automatiquement par le DL sans retouche ont été comparés aux plans DL
améliorés par les dosimétristes en routine. Le Tableau 3-4-6 donne les taux d’acceptabilité des
plans de traitement en fonction des sites cliniques.

Tableau 3-4-6- Taux d'acceptabilité des plans générés automatiquement par DL améliorés (PlanDL++) ou non (PlanDL)
manuellement

Taux de plans acceptables Prostate Loge Pelvis Pelvis avec prothèses

PlanDL 79% (11/14) 86% (6/7 plans) 89% (44/49) 0% (0/5 plans)
PlanDL++ 100% (14/14) 86% (6/7 plans) 98% (1/49) 100% (5/5 plans)

Pour les morphologies classiques, au moins 79 % des PlanDL atteignent nos objectifs cliniques en
stratégie standard. En revanche, pour les patients ayant des prothèses de hanches, les PlanDL ne
sont pas acceptables d’emblée. Enfin, pour tous les patients sauf 2 (1 Loge et 1 Pelvis) les PlanDL++
sont acceptables.
95

95
 Chapitre 3 : Planification automatique

Le Tableau 3-4-7Error! Reference source not found. contient quant à lui les résultats moyens
des indices de qualité de plan des PlanDL et PlanDL++

Tableau 3-4-7 - Comparaisons PlanDL++ et PlanDL en fonction du site traité. Les différences sont quantifiées avec des p-values

HI CN HC TC NTS PQI
PelvLoge
PlanDL++ 0.042 0.835 0.836 0.999 0.244 0.774
PlanDL 0.040 0.843 0.844 0.999 0.238 0.778
p-value 0.586 0.518 0.530 0.844 0.380 0.615
Prostate et ProVS
PlanDL++ 0.049 0.852 0.862 0.996 0.439 0.578

PlanDL 0.053 0.857 0.870 0.983 0.437 0.580

p-value 0.166 0.041 0.032 0.015 0.329 0.311

PelvPro
PlanMAN 0.057 0.815 0.831 0.993 0.208 0.810

PlanDL++ 0.055 0.848 0.860 0.995 0.219 0.793

PlanDL 0.054 0.848 0.861 0.995 0.209 0.803

p-value 0.082 0.990 0.598 0.962 0.020 0.026

PelvPro avec prothèse

PlanDL++ 0.068 0.833 0.853 0.992 0.228 0.786

PlanDL 0.111 0.856 0.891 0.478 0.205 1.05

p-value 0.109 0.125 0.149 0.117 0.078 0.157

ANALYSE DES RESULTATS OBTENUS POUR LES PLANS PELVLOGE,

Il n’y a pas de différence significative entre les PlanDL et les PlanDL++. Les PlanDL ont des
couvertures 5 % plus homogènes et 1 % plus conformes, mais des épargnes d’OAR 3 % moins
importantes, diminuant la qualité de ces plans de traitements.

ANALYSE DES RESULTATS OBTENUS POUR LES PLANS PROSTATE ET PROVS

Ils ont des différences nettement plus marquées pour l’homogénéité, la conformité et la couverture
qui ont des p-values inférieurs à 5 %. Les indices moyens d’homogénéité, de couverture et
d’épargnes des tissus sains sont en faveur des PlanDL++ démontrant l’importance de l’ajustement
manuel, à la fois pour la couverture des volumes cibles et pour la protection des OAR.

96
 Résultats

ANALYSE DES RESULTATS OBTENUS POUR LES PLANS LES PELVPRO

Ils ont des indices de conformité et de couverture équivalents. Pour la conformité et la couverture
et l’homogénéité du PTV, les PlanDL et PlanDL++ sont meilleurs, démontrant les bénéfices de
l’automatisation sur la couverture des PTV. L’épargne des tissus sains et l’indice de qualité de
plans est significativement meilleur pour les PlanDL++ que les PlanDL et les PlanMAN.

En définitive, l’automatisation suivie d’une amélioration manuelle permet de mieux protéger les
OAR tout en améliorant les couvertures des volumes cibles.

Finalement, l’utilisation du DL pour les patients ayant des prothèses de hanche, ne permet pas
d’obtenir des plans acceptables sans amélioration. Cela est confirmé par l’indice de qualité de plan
supérieur à 1 en moyenne et l’indice de couverture des volumes cibles bien inférieur à celui obtenu
pour des patients sans prothèse (Pelvis). Cependant, les PlanDL++ sont tous acceptables et
obtiennent des indices équivalents à ceux des patients ne possédant pas de prothèse.

DELIVRABILITE DES PLANS GENERES PAR DL AMELIORE

La délivrabilité des plans a été étudiée. Le Tableau 3-4-8 contient les indices de complexité
moyens obtenus pour les PlanDL et PlanDL++ pour les différentes localisations. Les indices de
complexité notés en vert sont pour les plans de traitement les moins complexes et les p-values
notées en rouge soulignent les différences significatives.

Lorsque les ganglions pelviens ne sont pas traités (Prostate et ProVS) les PlanDL sont moins
complexes que les PlanDL++. Cependant, les indices de complexité sont très proches.

Dans le cas où les ganglions sont traités (PelvPro avec ou sans prothèse et Loge) les PlanDL++ sont
moins complexes que les PlanDL. Les plans PelvPro ont des différences significatives à l’inverse
des autres plans, indiquant que les plans PelvPro sont les plus retravaillés. Il apparait que les
PlanDL sont plus complexes que les PlanMAN. Pour cela, Léa Dubaele a réalisé son stage de Master
2 au sein du groupe ORION-Toulouse en 2023. Le but était de valider le logiciel PRIMO de double
calcul de dose utilisant Monte-Carlo afin de l’utiliser dans l’étude de délivrabilité des plans de
traitement. L’étude est présentée à la SFPM de Nantes en 2023
([Link] Dans cette évaluation, les PlanMAN et PlanDL sont simulés

97

97
 Chapitre 3 : Planification automatique

par un algorithme de Monte Carlo. À l’issue des simulations, les PlanDL obtiennent toujours des
taux de réussite au test gamma acceptables mais légèrement inférieurs aux PlanMAN.

Tableau 3-4-8 - Comparaisons des PlanDL et PlanDL++ avec les indices de complexité, en fonction du site traité.

LSV AAV MSC LTmean Edge ALG UM

Loge
PlanDL++ 0.83 0.28 0.23 0.52 0.91 4.92 1792
PlanDL 0.68 0.23 0.19 0.35 0.70 4.36 1719
p-value 0.09 0.19 0.15 0.08 0.06 0.21 0.21
Prostate et ProVS

PlanDL++ 0.78 0.39 0.31 0.59 0.93 4.83 1378

PlanDL 0.78 0.40 0.31 0.60 0.92 4.52 1346
p-value 0.89 0.66 0.73 0.92 0.92 0.92 0.50
PelvPro
PlanMAN 0.83 0.36 0.30 0.52 0.90 9.65 1528
PlanDL++ 0.82 0.34 0.28 0.47 0.87 5.09 1693
PlanDL 0.64 0.25 0.20 0.33 0.64 4.51 1615
p-value <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001
PelvPro avec prothèse
PlanDL++ 0.79 0.23 0.18 0.38 1.15 4.69 2884
PlanDL 0.76 0.22 0.16 0.41 1.27 4.33 3159
p-value 0.19 0.29 0.27 0.34 0.50 0.28 0.31

Enfin, les 20 premiers PlanDL++ utilisés cliniquement et calculés par le TPS sont comparés aux
plans mesurés avec l’ArcCHECK à l’aide du taux de réussite au test gamma (GPR) calculé en
2%/2mm global (cf paragraphe Chapitre3-3.4). L'évaluation de la délivrabilité des plans de
traitement est illustrée en Figure 3-4-6. Un taux de réussite minimal de 95,9% (PlanMAN) contre
96,9% (PlanDL) pour les traitements délivrés avec Novalis et de 97,8% (PlanMAN) contre 99,1%
(PlanDL) pour les traitements délivrés avec Halcyon. De plus, l'écart type diminue avec l'utilisation
de l'automatisation (σ = 1,02 contre σ = 0,81 pour Novalis et σ = 0,50 contre σ = 0,023 pour
Halcyon). Cela indique que les plans de traitement générés par PlanDL ont des GPR plus élevés et
donc une meilleure fiabilité aux contrôles qualité que les plans de traitement manuels.

98
 Résultats

Figure 3-4-6 - Le diagramme en boîte, la valeur moyenne (ligne en pointillés) et la valeur réelle (points) du taux de réussite du
gamma global (GPR) 2%-2mm entre le plan de traitement calculé et le plan de traitement mesuré

TEMPS DE CALCUL DES PLANS GENERES PAR DL AMELIORE

Les temps de génération chronométré pour cette étude sont donnés dans le Tableau 3-4-9.

Tableau 3-4-9 - Temps chronométré pour générer des Plan MAN et Plan DL++

Temps passif (minutes) Temps actif (minutes)

Pelvis

PlanMAN N/A 79 - 167

Plan DL++ 23-39 38 - 64

Le temps passif d’un PlanDL++ correspond au temps de génération du PlanDL (23 à 39 minutes pour
générer 2 plans en séquentiels) et le temps actif à l’optimisation manuelle supplémentaire. Avec
celle-ci, les PlanDL++ permettent de réduire le temps total de génération de plan de 30% au
minimum et de 53% au maximum. Mais surtout, ils réduisent le temps actif d’un facteur 2.0 à 2.6
avec des plans de qualité supérieure.

99

99
 Chapitre 3 : Planification automatique

SYNTHESE DES RESULTATS DE L’ETUDE 4

Bien que le PlanDL génère des plans de traitements acceptables dans la majeure partie des cas, les
PlanDL++ présentent des couvertures des volumes cibles équivalentes et améliorent l’épargne des
organes à risque. De plus, ces plans utilisés en routine clinique présentent des taux de réussite au
test du gamma supérieurs à 95 % et équivalents au PlanMAN tout en offrant un réel gain de temps

100
 Synthèse et discussion sur la planification automatique

5. SYNTHESE ET DISCUSSION SUR LA PLANIFICATION AUTOMATIQUE

Le Tableau 3-5-1 résume nos 4 études sur l’utilisation des plans de traitement générés
automatiquement. Bien que les PlanDL et PlanMCO-AUTO soient entièrement automatiques et
génèrent des plans de traitements acceptables d’emblée dans la majeure partie des cas, ce sont les
plans de traitements améliorés manuellement qui sont utilisés en routine clinique. Car ils apportent
les meilleures distributions de dose (couverture et épargne des OAR) une uniformisation des
pratiques et un gain de temps actif.

Tableau 3-5-1 - Synthèse des études comparatives entre les différentes méthodes de génération de plan de traitement

Méthode de génération de PlanMCO-

PlanMAN PlanMCO PlanMCO++ PlanDL PlanDL++
plans de traitement AUTO

Travail préliminaire Aucun Faible Faible Faible Elevé Elevé

Taux d’acceptabilité 100% 0% 85% 100% 85% 100%

Utilisable en routine
Oui Non Non Oui Non Oui
clinique

Gain sur l’épargne OAR N/A Oui Oui Oui Non Oui

Gain sur la couverture du

N/A Non Oui Oui Oui Oui
volume cible

Gain de temps actif N/A Fort Fort Modéré Fort Modéré

Uniformisation des
Non Oui Oui Oui Oui Oui
pratiques

DISCUSSION SUR LES PLANS MCO

Dans un premier temps, l’étude sur l’amélioration du MCO démontre que 3 optimisations
classiques automatisées permettent d’améliorer significativement la qualité des plans MCO. En
routine clinique, des ajustements manuels sont systématiquement réalisés pour les parfaire.

Notre évaluation du MCO est effectuée avec une automatisation systématique à partir du plan
Pareto « balance ». Bien que nous ayons constaté des améliorations dosimétriques, il est possible
que celles-ci soient encore plus significatives en utilisant la navigation dans l'espace de Pareto et
101

101
 Chapitre 3 : Planification automatique

en choisissant un plan encore plus optimal. En effet, des études utilisant le MCO de RayStation
font état de gains dosimétriques et ne mentionnent pas de problème sur la couverture des volumes
cibles, comme nous en avons pu en constater [48]. D’autres études sur des algorithmes de MCO
différents affichent les mêmes conclusions : Park et al travaillent avec le MCO d’Eclipse et
observent une amélioration de la dose aux OARS sans compromettre la couverture du volume
cible [116]. Enfin, 3 autres équipes utilisent autoVMAT de Monaco et rapportent que plus de 90
% des plans sont acceptables cliniquement d’emblée [117], [91], [93].

Notons, cependant que l’étude 1 comparant les PlanMCO par rapport au PlanMAN est réalisée sur 5
patients et mériterait d’être plus approfondie. Nous n’avons pas pu réaliser d’autres comparaisons
car les plans sont initialement délivrés par des machines qui ne sont plus en fonctionnement dans
notre service (Clinac 2100).

Enfin, nous pourrions adapter l’automatisation de d’encéphale in toto générées par MCO pour
l’épargne de l’hippocampe, organe crucial dans le fonctionnement de la mémoire. L’équipe de
[Link] [Link] et [Link] ont étudié cette procédure de traitement sur 10 patients et
ont prouvé l’intérêt du MCO à la fois pour la couverture et pour l’épargne de l’hippocampe [118].

DISCUSSION SUR LES PLANS IA

Le ML et le DL ont tous deux montré un intérêt pour générer des plans de traitement plus
rapidement que la méthode manuelle. Dans notre étude, le DL génère les plans de traitements les
plus semblables aux plans de traitement de référence. Toutefois, les différences entre les IA
pourraient résulter davantage de l'expérience de l'utilisateur que des algorithmes en eux-même car
bien que nos modèles soient entraînés avec les mêmes bases de données, ils ne sont pas ajustés de
la même manière et nous pensons qu’avec un ajustement différent les PlanML pourraient avoir
d’atteindre les performances des PlanDL. Pour confirmer cette hypothèse, une étude sur les
distributions de dose prétraitées devraient être réalisée (PlanDL-PRE).

Le gain de temps actif attribuable au DL est indiscutable, mais chaque utilisateur à ses propres
habitudes or l’IA n’en tient pas compte. Ainsi, les utilisateurs tendent à modifier des distributions
de dose pour qu’elles ressemblent plus à ce qu’ils auraient fait même si elles sont acceptables
cliniquement. Nous pensons qu’avec plus d’expérience et de confiance en l’IA le gain de temps
actif sera meilleur.

102
 Synthèse et discussion sur la planification automatique

Néanmoins, le gain de temps apporté par l’IA est contrebalancé par la nécessité d’un travail
préliminaire conséquent, d’abord pour la création de bases de données (optionnel) mais surtout
pour l’ajustement des modèles reçus par le constructeur. L’étude sur l’optimisation du DL met
en avant l’aspect indispensable de ces ajustements et montre également qu’ils altèrent la réponse
réelle de l'IA, car seule, elle ne répond pas pleinement à nos attentes dosimétriques malgré un
entraînement avec des plans de traitements générés chez nous. Cette conclusion est confirmée
lorsque l’IA est entraînée avec des plans de traitement très poussés provenant du MCO et amélioré
par optimisation classique. Le gain de temps des IA est également dépendant des stratégies
générées automatiquement. La plupart du temps, la stratégie standard est la plus adaptée pour
générer un plan de traitement, mais le reste du temps, une stratégie de protection d’organe est plus
à même de remplir les objectifs cliniques. Cependant, il n’existe pas d’outils permettant de prédire
quelle stratégie utiliser. Ainsi, en clinique, les utilisateurs génèrent d’abord la stratégie standard et
en fonction des résultats, génèrent un second plan de traitement avec la bonne stratégie ce qui
double le temps passif de génération de plan. Pour résoudre ce problème, une première solution
serait de générer toutes les distributions de dose a priori post traitées (environ 30 secondes pour
générer une distribution de dose) et que l’utilisateur choisisse celle qu’il souhaite garder. Une
seconde solution serait d’entraîner une deuxième IA capable de prédire les DVH en fonction de la
stratégie utilisée (à la manière de RapidPlan).

Les IAs sont comparables aux algorithmes basés sur les protocoles ou basés sur les connaissances.
L’algorithme d’AutoPlanning est utilisé par l’équipe de Wortel et al pour générer des plans de
prostate [40]. Ces plans ne sont pas jugés acceptables sans correction manuelle. L’équipe de Nawa
et al obtient les mêmes conclusions : l’algorithme diminue la variation inter-operateur et offre des
plans de traitements comparables ou meilleurs que les traitements réalisés manuellement [38].

Des utilisateurs d’algorithmes basés sur des connaissances comme Hussein et al avec RapidPlan
rapportent qu’avec une base de données de 40 patients, les plans générés automatiquement sont
comparables aux plans manuels en une seule optimisation et 90% sont acceptables d’emblée [56].
RapidPlan permet également un gain de temps d’un facteur 4 à 8 [119]. Par exemple, cet
algorithme permet de générer un plan de prostate acceptable en 10 minutes (légèrement plus rapide
que l’IA) même s’il nécessite une optimisation supplémentaire pour être équivalente aux plans de
références [57].

103

103
 Chapitre 3 : Planification automatique

En ce qui concerne les comparaisons de plans, plusieurs remarques peuvent être ajoutées ;

- Les indices utilisés pour comparer la qualité des plans, nous ne les avons pas pondérés en
fonction de leur importance, ce qui pourrait changer le résultat de certaines comparaisons. Par
exemple, l’homogénéité est moins importante que la conformité.
- La validation des objectifs cliniques ne suffit pas à confirmer qu’un plan de traitement est
acceptable cliniquement. Seule l’expertise humaine peut le faire, car la distribution spatiale
des isodoses (hors des organes) n’est pas quantifiable mais joue également un rôle dans la
décision finale. Pour des morphologies atypiques, il est tolérable qu’un objectif clinique ne soit
pas validé. L’idéal serait de faire une dernière étude comparative en impliquant un retour
humain notant les plans de traitement, sur une échelle de 1 à 5 par exemple.

Dans les 2 derniers chapitres, nous avons mis en évidence l’intérêt des méthodes de segmentation
et de planification automatique. Dans le prochain et dernier chapitre, nous nous focalisons sur la
mise en œuvre clinique de ces algorithmes d’automatisation qui peut s’avérer fastidieuse et pour
lesquels il existe peu de retour d’expérience et de recommandations pratiques.

104
 Synthèse et discussion sur la planification automatique

CHAPITRE 4 - MISE EN ŒUVRE DES

SOLUTIONS AUTOMATIQUES DANS

UN ENVIRONNEMENT CLINIQUE

105

105
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

1. INTRODUCTION

Le service de radiothérapie de la clinique Pasteur, groupe ORION-Toulouse, traite environ 2300,

patients par an en radiothérapie externe à l’aide de 6 machines de traitement ; 1 VERO, 2 Novalis
STX et 3 Halcyon et du TPS RayStation (Cf paragraphe xx chapitre 1). En septembre 2023, il
comprend une équipe de 8 radiothérapeutes, 7 physiciens, 6 dosimétristes, 28 manipulateurs en
électroradiologie et 1 doctorant.

Ce TPS RayStation RS dispose de diverses solutions d'automatisation permettant un gain de temps

et une uniformisation des pratiques. Les algorithmes de segmentation automatique basés sur des
atlas (MABS), sur des modèles (MBS) et sur l'apprentissage profond (Deep Learning - DL) sont
présentés dans le Chapitre 2. Les algorithmes de planification automatique, tels que l'optimisation
multicritère (MCO) et les algorithmes basés sur l’IA (Machine Learning ML ou Deep Learning
DL) sont décrits dans le Chapitre 3. Enfin, le TPS RayStation propose une autre solution
d’automatisation permettant d’utiliser des scripts Python. Cette dernière est plus détaillée dans la
suite de ce chapitre.

Actuellement, ces solutions d’automatisation sont largement utilisées dans le service. Cependant,
pour assurer leur bon fonctionnement et leur pérennité, il est nécessaire de définir des règles de
mise en service et d'utilisation, ainsi que de gérer rigoureusement le suivi de ces solutions
automatisées afin de ne pas dégrader la qualité des soins apportés aux patients.

106
 Mise en œuvre clinique des solutions d’automatisation

2. MISE EN ŒUVRE CLINIQUE DES SOLUTIONS D’AUTOMATISATION

L'intégration de solutions automatiques dans un service requiert une approche méthodique. Nous
proposons une démarche à suivre issue de notre retour d’expérience.

PREREQUIS A L’INTEGRATION DE LA SOLUTION D’AUTOMATISATION

DEFINIR L’EQUIPE DE REFERENCE :

L’équipe de référence est en charge de la mise en place de la solution automatique dans le service
et de veiller à son bon fonctionnement. Elle doit réunir des membres des différentes disciplines
concernées par l’automatisation avec la collaboration de l’équipe Qualité.

IDENTIFICATION DES BESOINS ET DES OBJECTIFS :

Cette étape consiste à définir clairement les besoins et les objectifs attendus tels que le gain de
temps ou l'uniformisation des pratiques.

UNIFORMISATION DES PRATIQUES :

Avant d’automatiser une partie du fonctionnement du service, il est obligatoire d’uniformiser les
pratiques (noms de structures, prescriptions, contourages, attendus dosimétriques, etc.).

CHOIX DE LA METHODE D’AUTOMATISATION :

Il s’agit d’identifier les solutions à disposition, les résultats qu’elles proposent et les ressources
qu’elles demandent. Ces solutions sont choisies à la suite d’une étude interne menée par l’équipe
de référence.

FORMATION INITIALE DE L’EQUIPE DE REFERENCE :

En fonction de la méthode choisie, les membres de l’équipe de référence chargés de développer la
méthode doivent se former à son utilisation. Tout le personnel sera ensuite formé avant la mise en
place clinique.

107

107
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

DEVELOPPEMENT DU PROCESSUS D’AUTOMATISATION

Certains membres de l’équipe de référence sont désignés « développeurs » de la solution. Ils sont
chargés d’ajuster la solution aux besoins du service. Les développeurs doivent également rédiger
des procédures d’utilisation de la solution, expliquant ce qu’elle fait et dans quel cadre l’utiliser.

Une des fonctionnalités de RayStation est la possibilité de réaliser des scripts en langage Python
permettant l’automatisation de tâches répétitives à l’aide d’un interpréteur Python intégré dans le
TPS. De plus, RayStation possède une bibliothèque de fonctions liées au TPS simplifiant
l’élaboration des scripts. Ce système offre de nombreuses possibilités, notamment celle
d’automatiser tout ou partie de la création de structures ou de générer des plans de traitements avec
ou sans optimisation. Le paragraphe 3.1 du chapitre 4 traite de cet aspect.

VALIDATION DE LA SOLUTION D’AUTOMATISATION

L’assurance qualité garantit aux utilisateurs qu’un produit correspond à leurs attentes. Pour valider
le bon fonctionnement des solutions d’automatisation et des scripts développés en internes, nous
avons mis en place des stratégies comparables à la démarche d’Assurance Qualité dictée par des
normes «ISO » ou Organisation internationale de normalisation.

La norme ISO 9000 explique le terme de Qualité par : « l’aptitude d'un ensemble de
caractéristiques intrinsèques d'un objet (produit, service, etc.) à satisfaire des exigences ». Et la
norme ISO 9126 classe en six catégories les indicateurs de qualité d’un logiciel :

− Capacité fonctionnelle : Répondre aux exigences des usagers

− Facilité d’usage : Être utilisable par tous
− Fiabilité : Livraison d’un résultat correct dans des conditions données et un temps donné
− Efficacité : Utilisation optimale des ressources
− Maintenabilité : Aptitude du logiciel à être maintenu ou rétabli dans un état de fonctionnement
lorsqu’une panne est détectée
− Portabilité : Fonctionner dans des environnements différents

108
 Mise en œuvre clinique des solutions d’automatisation

INTEGRATION DE LA SOLUTION D’AUTOMATISATION AU FLUX DE TRAVAIL

L’intégration au flux de travail est la dernière étape avant l’utilisation clinique d’une méthode
automatique.

GESTION DU CHANGEMENT :
L'automatisation peut entraîner des changements dans les tâches et les responsabilités de
l’utilisateur. Leurs rôles doivent être bien définis.

FORMATION DU SERVICE :
La première étape est de former les futurs utilisateurs aux solutions d’automatisation qui leur sont
proposées et les procédures d’utilisation doivent leur être fournies.

SUIVI DES PERFORMANCES :

Les performances et les résultats obtenus doivent être surveillés afin d’identifier d’éventuels
problèmes ou améliorations à apporter.

MAINTENANCE :
Si la solution présente un problème, un membre de l’équipe de référence doit être capable de le
résoudre (ou de contacter un expert) et de proposer des solutions alternatives.

ÉVOLUTION ET AMELIORATION :
En fonction des retours d'expérience, des ajustements et des améliorations peuvent être apportés
pour optimiser l’utilisation de la méthode. Dans ce cas, les procédures doivent être mises à jour et
tenir compte de toutes les modifications apportées.

109

109
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

3. AUTOMATISATION PAR SCRIPT PYTHON

DEVELOPPEMENT DES SCRIPTS PYTHON

La réalisation de scripts Python fait partie intégrante de cette thèse. Dans cette partie, nous
décrivons les différents outils d’automatisation développés en Python, permettant d’automatiser
les tâches de la planification de traitement et simplifiant l’utilisation des intelligences artificielles.
Ces scripts sont développés en tenant compte de la norme ISO 9126 (utilisation optimale des
ressources). Chaque script doit être fourni avec sa procédure rédigée par le développeur afin de
simplifier les processus de validation et d’utilisations cliniques. Il y détaille l’utilisation et précise
le cadre dans lequel le script peut être utilisé.

AUTOMATISATION DE LA CREATION DE STRUCTURES

Générer un plan de traitement requiert, au préalable, la délinéation d’organes et de volumes cibles.

Des marges sont ensuite appliquées aux volumes cibles pour créer le PTV. Des structures dites
« d’optimisation », comme les « rings », peuvent être créées dans le but de simplifier le processus
d’optimisation (Cf Annexe - 12). Nos scripts sont donc réalisés pour :

- Appliquer automatiquement les marges aux PTV

- Générer automatiquement les structures d’optimisation dans le but d’uniformiser les pratiques.
- Utiliser l’algorithme de contourage et s’assurer du respect des règles de délinéation comme les
limites tête-pied de la segmentation automatique du rectum (Cf Chapitre 2-3.1.4).

AUTOMATISATION DE LA CREATION DE PLANS DE TRAITEMENTS

PLANS CLASSIQUES
Générer un plan de traitement manuellement nécessite la réalisation de plusieurs tâches
répétitives :

- Fixer la grille de dose

- Choisir le type de machine de traitement
- Positionner et définir les paramètres des faisceaux (rotation de bras, angle du collimateur, etc.)

110
 Automatisation par script Python

- Insérer le jeu d’objectifs volume/dose pour l’optimiseur ou le modèle de ML

- Appliquer le nombre d’itérations de l’optimisation
- Objectifs cliniques à atteindre
- Renseigner la prescription (Dose que doit atteindre 50% du PTV)
- Ajouts des faisceaux de positionnement nécessaires à l’imageur lors du positionnement
- Lancer la 1ère optimisation

Mis à part le jeu d’objectifs de dose, tous les points cités ci-dessus sont inscrits dans les protocoles
de traitements proposés dans le TPS. Néanmoins, dans un souci d’uniformisation des pratiques,
les jeux d’objectifs de dose sont également générés automatiquement. (Cf Annexe - 12)

Ce type de script répond à la définition des méthodes de Hussein « Protocol Based » décrite dans
l’introduction du Chapitre 3

PLAN DE TRAITEMENT ROBUSTE AVEC SCENARIOS

Dans le cas des traitements des seins, un algorithme d’optimisation robuste présent dans le TPS
RaySearch permet d’obtenir des plans robustes, c’est-à-dire conçus afin de minimiser l'impact des
variations potentielles dans la position des organes (cibles et OAR) au cours du traitement. Ces
variations peuvent être dues aux mouvements respiratoires, comme pour le sein. A partir d’1 CT
initial et de valeurs de déformation, l’algorithme robuste propose des scénarios de déformation
pour simuler les modifications du sein traité.

Un des physiciens du groupe ORION (Vincent Connord) a développé un script Python générant
automatiquement les 5 scénarios : 5 copies du CT sont utilisées et déformées pour simuler des
gonflements et dégonflements du sein traité. Un plan est ensuite réalisé automatiquement sur le
CT initial et prend en compte les scénarios. Enfin, la distribution de dose finale est recalculée sur
chacun des scénarios.

Un tel script permet d’utiliser en routine la planification robuste et d’anticiper les modifications
anatomiques d’une patiente au cours de son traitement pour lui éviter une réévaluation qui
implique de refaire un scanner et un second plan de traitement.

111

111
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

PLAN DE TRAITEMENT DE MCO AUTOMATISE

Les plans de traitements d’encéphale in toto sont réalisés à partir d’un MCO automatisé avec les
scripts Python rédigés par un physicien du groupe ORION (Jérémy Camilleri). Pour cela, un
template d’objectifs de doses idéaux est choisi en amont sur plusieurs patients (5 à 10). Ce jeu
d’objectifs est désormais utilisé pour tous les patients. A la fin de l’optimisation multicritères, le
plan « balance » (celui pour lequel tous les objectifs sont optimisés avec la même importance) est
automatiquement choisi et rendu délivrable (automatiquement) par l’algorithme de Dose
Mimicking (DM). Dans le cas du MCO, le DM a tendance à dégrader la fluence a priori. Pour
cela, 3 optimisations supplémentaires sont automatiquement réalisées pour rétablir la couverture
avec trois objectifs, un minimum de dose et un maximum de dose au volume cible ainsi qu’un
« dose fall off » entre le PTV et l’isodose (CF Chapitre 3-4.2 ).

OUTILS D’EVALUATION ET DE CREATION DE BASE DE DONNEES

Pour évaluer les algorithmes de segmentation et de planification automatique, nous avons eu

besoin, d’une part, de créer des bases de données et d’autre part, de calculer de nombreux indices
sur les nombreux plans étudiés.

Nous avons développé 2 scripts.

Le 1er script permet de sélectionner les patients et ainsi de créer des bases de données pour
éventuellement entraîner de nouveaux modèles d’IA.

L’évaluation et création de base de données s’appuient sur 2 autres scripts Python :

- L’un lit la base de données RaySearch et enregistre les informations importantes dans une base
de données SQLite enregistrée localement sur nos serveurs.
- L’autre est une interface graphique permettant de naviguer dans la base de données pour les
trier, les visualiser suivant plusieurs formats (DVH, évolution temporelle, boite moustache) et
les exporter au format Excel ou DICOM (CF Annexe - 12).

Le 2ème script Python a été développé pour réaliser les évaluations des plans de la base de données
des patients étudiés afin de :

- Calculer les indices de similarité, de qualité de plan, etc. (Cf Chapitre 2 et 3).

112
 Automatisation par script Python

- Suivre l’évolution de ces indices dans le temps.

- Comparer les DVH ou d’autres paramètres liés aux différentes techniques.

Le service possède au total 15 scripts répertoriés et mis à jour régulièrement qui simplifient et
unifient le flux de travail : Outre les scripts qui permettent la création de structures et de plans,
d’autres permettent de lancer plusieurs optimisations successives, génèrent les rapports de
traitements, effectuent l’export des plans de traitement vers le Record and Verify.

VALIDATION DES SCRIPTS

La validation des scripts est effectuée avant leur mise à disposition en routine clinique ou après un
ajustement du script ou une mise à jour de RayStation.

Les indicateurs de la norme ISO xx sont utilisés.

Portabilité : ces scripts ne sont disponibles que sur le TPS RayStation et, la plupart du temps, que
pour une version donnée de celui-ci. À chaque changement de version, ils doivent donc tous être
systématiquement revus.

Pour évaluer leur efficacité, fiabilité, capacité fonctionnelle et facilité d’usage, les scripts sont
relus par un membre de l’équipe de référence, formé à utiliser Python mais n’ayant pas pris part
au développement. Pour faciliter cette étape, le développeur s’assure d’avoir correctement
commenté son programme et rédigé une procédure. Ensuite, les scripts sont testés dans des
conditions de référence, sur un patient test prévu à cet effet. Le test doit englober tous les cas de
figure précisés dans la procédure et les actions du script sont comparées aux actions réalisées
manuellement pour s’assurer que tout est similaire (puisque tous les scripts doivent reproduire des
actions manuellement réalisables).

Maintenabilité : La revue des scripts lors des changements de version est préférablement assurée
par le développeur, mais les relecteurs doivent être capables de prendre le relais. De plus,
lorsqu’une mise à jour du script a lieu, une sauvegarde de l’ancien script est réalisée et les
modifications sont tracées dans des fichiers prévus à cet effet. Enfin, la capacité fonctionnelle doit
être réévaluée.

113

113
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

LIMITES D’UTILISATION ET BONNES PRATIQUES DES SCRIPTS

D’AUTOMATISATION

Nous présentons, dans la suite de ce chapitre, les limites d’utilisation accompagnées d’exemples
de solutions (quand nous en avons) mises en place.

ERREURS SYSTEMATIQUES
Bien que les scripts permettent d’éviter une partie des erreurs aléatoires humaines (oublis, fautes
de frappe, etc.), ils peuvent également comporter des erreurs de programmation et engendrer ainsi
des erreurs systématiques. Pour limiter cela, il faut :

∟ Décrire le cadre et les limites

d’utilisation. Par exemple, en utilisant
des messages « pop-up » à chaque
début de script pour le rappel du cadre
dans lequel il s’utilise (Figure 4-3-1).
Figure 4-3-1 - Exemple de message pop-up
∟ Valider étape par étape les scripts à l’aide
d’un dossier test élaboré en prenant en compte les actions du script
∟ Eviter au maximum les sauvegardes automatiques pour que l’utilisateur puisse, depuis le TPS,
annuler les actions.

ERREURS ALEATOIRES HUMAINES

Plus le script laisse place à l’humain pour choisir des paramètres, plus des erreurs peuvent
survenir : fautes de frappe ou d’inattention, confusion entre les patients.

∟ Faciliter son utilisation en intégrant une interface graphique où les renseignements sont
explicitement demandés : avoir une charte graphique et les mêmes noms de variables entre
tous les scripts.
∟ Demander le moins de texte possible à l’aide de listes déroulantes (spins box)
∟ Des choix par défaut peuvent être proposés mais soulignés par des couleurs (exemple de
l’application des marges autour des organes dans l’Annexe 12, Figure A-12-1).

114
 Automatisation par script Python

∟ Suivre le script en temps réel. Les étapes sont écrites dans une fenêtre « suivi du script » lisible
par l’utilisateur, pour lui permettre de continuer manuellement sans tout refaire si un problème
survient et interrompt le script.
∟ Indiquer clairement le contexte de traitement (quel patient, quel CT, etc.).

SENSIBILITE AUX MISES A JOUR DU LOGICIEL

Les scripts sont souvent développés pour fonctionner avec une version spécifique du TPS
RayStation. Lorsque le logiciel est mis à jour, certains scripts peuvent devenir incompatibles et
nécessiter des modifications pour fonctionner correctement avec la nouvelle version. Cela entraîne
des efforts supplémentaires de développement et de validation pour les mettre à jour.

∟ Définir un/des patient(s) tests dès la première validation avec tous les cas de figure. Une fois
que les corrections sont apportées au script, les nouvelles vérifications s’assurent que les
résultats du script sont les mêmes que pour la première.

PERTE DE SAVOIR-FAIRE
Lorsque l'ensemble du processus de dosimétrie est automatisé à l'aide de scripts, les utilisateurs
peuvent perdre de leur savoir-faire et oublier des étapes de la création de plan de traitement.

CONFIANCE EXCESSIVE
Il incombe à chacun de vérifier après chaque utilisation les tâches effectuées par le script.
Cependant, leur utilisation peut induire un sentiment de confiance amenant les utilisateurs à ne pas
vérifier systématiquement les tâches effectuées par ce dernier.

∟ Inclusion de points d’arrêt à chaque étape pour forcer la vérification avant de passer à l’étape
suivante.

ACCESSIBILITE NON CONTROLEE

Le TPS RayStation n’oblige pas les scripts à être approuvés avant d’être utilisés. Ainsi, des scripts
mal conçus ou mal utilisés peuvent entraver la délivrance des plans de traitements aux patients.

DEPENDANCE AU DEVELOPPEUR
Chaque script doit avoir le plus de développeurs et de relecteurs possible pour maintenir la
continuité dans l'utilisation du script en cas d’indisponibilité (temporaire ou définitive)
115

115
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

COMMUNICATION ACCRUE
Lorsque les scripts sont utilisés en routine clinique, les utilisateurs peuvent percevoir de nouveaux
problèmes non anticipés. Dans cette configuration, il est primordial de faire remonter l’information
rapidement à l’équipe de développement mais également à tous les utilisateurs pour éviter ou
corriger le problème.

AUTONOMIE DES UTILISATEURS

Les scripts sont générés depuis un interpréteur Python, si une erreur non anticipée survient, le
script cesse de fonctionner et un message d’erreur de l’interpréteur Python est remonté. Ces
messages nécessitent des connaissances en Python pour être compris, ce qui n’est pas le cas de la
majorité des utilisateurs.

116
 Mise en œuvre, limites et enjeux éthiques de L’IA

4. MISE EN ŒUVRE, LIMITES ET ENJEUX ETHIQUES DE L’IA

Dans le paragraphe précédent, nous avons discuté de la mise en place et des précautions à apporter
à l’utilisation des scripts Python. Dans ce paragraphe, nous allons discuter de l’utilisation des
algorithmes basés sur l’intelligence artificielle.

MISE EN ŒUVRE

La mise en œuvre des solutions automatiques basées sur l’IA, telle que précédemment expliquée
dans les chapitres 2 et 3 est schématisée dans la Figure 4-4-1.

Figure 4-4-1 : Processus de mise en œuvre clinique des IA

117

117
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

On peut différencier 3 phases de la mise en œuvre: la phase de développement, la phase de

validation et la phase d’utilisation.

PHASE DE DEVELOPPEMENT :
La phase de développement de la solution d’IA de RaySearch repose sur la création de bases de
données et l’ajustement des modèles reçus du constructeur (Cf Chapitre 2- Etude 3 et Chapitre 3-
Etude 3). En effet, RS possède son propre algorithme d’entraînement de modèles et son propre
algorithme clinique. L’utilisation prévue par RaySearch est essentiellement l’ajustement des
modèles sur site, puisque la création de modèles est gérée uniquement par le constructeur, même
si des dérogations à cette règle sont envisageables pour des modèles non existants.

PHASE DE VALIDATION
En ce qui concerne la phase de validation des modèles, nous avons suivi les recommandations de
Vandewinckele et al [120]. À partir d’une base de données de patients choisis pour cette validation,
nous avons d’une part effectué une validation quantitative (utilisation d’indices de comparaison
de contours ou de distributions de dose) en comparant nos pratiques de référence et les algorithmes
d’IA, et d’autre part, une validation qualitative (revue visuelle de contours ou d’isodoses) (Cf
Chapitre 2- Etude 1 et 2 et Chapitre 3-Etude 1).

PHASE D’UTILISATION - MISES A JOUR

Une fois l’IA utilisée en routine clinique, il est nécessaire de s’assurer du maintien de ses
performances. Celles-ci sont réévaluées régulièrement lors des mises à jour de version du TPS ou
de modèles ou lorsque des changements de pratique clinique sont décidés. Ces évènements
impliquent obligatoirement une revalidation des modèles et peuvent même nécessiter d’ajuster le
modèle ou d’en recréer un.

LIMITES DE L’UTILISATION DES IA

DEVELOPPEMENT ET VALIDATION OBLIGATOIRE ET CHRONOPHAGE :

Les phases obligatoires de développement et de validation des modèles IA sont particulièrement
chronophages : d’une part, il n’existe pas encore d’outil fourni par le constructeur pour créer des

118
 Mise en œuvre, limites et enjeux éthiques de L’IA

bases de données nécessaires à l’entraînement et/ou à la validation des modèles (d’où le

développement de nos scripts décrits dans le chapitre 4-2) et d’autre part, le processus d’ajustement
reste complexe et nécessite des opérateurs formés.

DEPENDANCE A LA MISE A JOUR DES ALGORITHMES :

Les mises à jour demandées par le constructeur sont assez redoutées car elles demandent un temps
d’ajustement et de validation plus ou moins important selon le degré de changement apporté. Par
exemple, en 2021, l’équipe de RayStation a fait le choix de passer d’un algorithme de Machine
Learning (CARF) à un algorithme de Deep Learning (3D-Unet), entraînant une nouvelle phase de
développement (ajustement des modèles essentiellement) et une nouvelle phase de validation
clinique.

AJUSTEMENT A TOUS LES PATIENTS :

L’IA uniformise les pratiques au prix d’une perte de personnalisation des traitements.

LIMITES D’ADAPTATION DES MODELES IA :

Les modèles d’IA sont certes ajustables dans une interface dédiée, cependant, il n’est pas possible
de modifier les bases de données d’entraînement. Il y a donc une limite au-delà de laquelle
l’ajustement ne sera plus efficace. De plus, quand les modèles sont issus d’autres centres, ils sont
construits sur des pratiques différentes pouvant obliger les nouveaux utilisateurs à changer leurs
propres pratiques cliniques (décourageant).

CONFIANCE EXCESSIVE :
Comme pour les scripts, les IA peuvent amener les utilisateurs à avoir trop confiance envers les
résultats obtenus par IA et négliger certaines étapes de vérification qualitative. Une vérification
manuelle approfondie est toujours nécessaire pour garantir leur exactitude des résultats.

PERTE DE SAVOIR FAIRE

Le risque de ne plus savoir délinéer ou élaborer un plan de traitement complexe est également
présent si les équipes ne continuent pas de se former et de vouloir améliorer leurs pratiques
cliniques.

119

119
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

ELABORATION DES STRATEGIES (PLAN DE TRAITEMENT) :

Il n’existe pas d’outils permettant de définir quelle stratégie sera la plus apte à remplir les objectifs
cliniques. De ce fait, pour un patient, il peut être nécessaire de générer plusieurs plans de traitement
ce qui réduit voire annule le gain de temps imputable à l’automatisation.

REVUE DES CONTOURS (SEGMENTATION) :

Il est difficile de garantir que tous les organes segmentés automatiquement soient revus et validés
correctement par un expert. À ce jour, aucun système de validation n’est intégré au TPS pour
assurer de cette validation. Nous avons mis en place un système sur les noms de ROI validés, mais
celui-ci présente également des limites d’utilisation.

ENJEUX ETHIQUES DE L’INTELLIGENCE ARTIFICIELLE

Lors de nos communications sur ces travaux de thèse, certaines préoccupations revenaient
fréquemment : les acteurs de la radiothérapie craignent le manque d’explicabilité des algorithmes,
la perte de savoir-faire sans ces outils et, in fine, d’être remplacés par eux. Ces inquiétudes sont
les mêmes dans d’autres secteurs utilisant les IA au niveau national et européen. En septembre
2017, Edouard Phillipe, Premier ministre de français à l’époque, confiait à Cédric Villani,
mathématicien et député de l’Essonne, la mission de : « Donner un sens à l’intelligence artificielle,
pour une stratégie nationale et européenne » [121] .

Parallèlement, un groupe d’experts de l’Union européenne a établi 4 principes éthiques,

étroitement liés aux lois de la robotique d’Isaac Asimov [122]: L’IA doit respecter l’autonomie
humaine, prévenir de toute atteinte, être équitable et explicable.

Enfin, l’Organisation de Coopération et de Développement Economique (OCDE) adoptait, le 22

mai 2019, la première norme intergouvernementale sur les IA dans le but d’accroître la confiance
de l’utilisateur [123].

Dans la suite, nous allons développer les 4 principes éthiques du groupe de l’Union européenne
qui répondent aux inquiétudes des acteurs de la radiothérapie, permettent aux équipes d’avoir
confiance en l’IA et de travailler en respectant les droits fondamentaux de chacun.

120
 Mise en œuvre, limites et enjeux éthiques de L’IA

EXPLICABILITE

« L’explicabilité est essentielle pour renforcer et conserver la confiance des utilisateurs envers les
systèmes d’IA. Cela signifie que les processus doivent être transparents, que les capacités et la
finalité des systèmes d’IA doivent être communiquées ouvertement, et que les décisions – dans la
mesure du possible – doivent pouvoir être expliquées aux personnes directement et indirectement
concernées» [122] p16

Le manque de compréhension des algorithmes de Machine Learning (réalisation d’une prédiction

à partir d’une base de données) est l’une des grandes inquiétudes : ces algorithmes sont
particulièrement complexes à analyser. Il faut savoir interpréter les données d’entrées, le modèle
et la prédiction du modèle. Le plus souvent, c’est la compréhension des modèles qui est la moins
accessible : ils sont fréquemment qualifiés de « boite noire ». L’explicabilité de leur
fonctionnement repose sur 2 aspects : Le nombre d’opérations réalisées par l’algorithme (plus il y
en a, moins l’algorithme est explicable) et le type d’algorithme, par exemple les algorithmes de
Deep Learning reposent sur des aspects simples à comprendre. Cependant, raisonner comme eux
nous est impossible [124].

Les outils d’IA présentés dans cette thèse et décrits plus tôt n’ont pas des raisonnements
explicables en tant que tels, par contre il est possible d’en saisir le concept. De plus, les données
d’entrées et leurs résultats sont compréhensibles par tous les acteurs de la radiothérapie. Dans un
premier temps, pour pouvoir expliquer une prédiction, l’IA est testée dans différentes situations et
des analyses statistiques sont faites. Quand l’équipe est également à l’origine de la base de
données, le modèle est encore plus simple à expliquer, car on peut faire le lien entre ce qui est
donné et la prédiction.

RESPECT DE L’AUTONOMIE HUMAINE

Le groupe d’experts explique que « En l’absence de justification, les systèmes d’IA ne devraient
pas subordonner, contraindre, tromper, manipuler, conditionner ni régenter des êtres humains.
Au contraire, les systèmes d’IA devraient être conçus afin d’augmenter, de compléter et de
favoriser les compétences cognitives, sociales et culturelles. » [122] p15. Cette idée est partagée
par Cédric Villani et son équipe qui décrivent l’humain et l’IA comme un « duo » [121].
121

121
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

Le respect de l’autonomie humaine repose, d’une part, sur le respect des droits de l’Homme et
d’autre part, sur la possibilité de l’utilisateur d’intervenir dans les processus de décision / prévision.
Pour travailler en « duo », il est impératif que l’utilisateur comprenne le système d’IA pour pouvoir
valider ou contester ses résultats. Il est également nécessaire que l’humain garde sa « gouvernance
», c’est-à-dire qu’il supervise ou qu’il soit aux commandes du processus.

Les outils de RaySearch, respectent l’autonomie de l’homme en proposant des résultats sans les
imposer car chaque segmentation et chaque plan proposés peuvent être soit refusés, soit améliorés
par l’utilisateur.

Les techniques présentées dans cette thèse (IA ou non) n’ont pas pour vocation à remplacer
l’homme, de plus, les imperfections de ces méthodes permettent aux équipes de maintenir leurs
compétences. En revanche, ils doivent être formés à ces nouvelles techniques, pour pouvoir
travailler sereinement avec et comprendre leurs limites.

Enfin, la santé est un domaine en constante évolution, où les recommandations et techniques

changent très souvent. Les IA n’ont pas les capacités de s’adapter à ces changements sans faire
évoluer leurs bases de données. Et pour qu’elles évoluent, il faut que les équipes sachent s’adapter
aux nouvelles pratiques sans l’aide d’outils automatiques qui eux, sont développés pour les
anciennes pratiques.

PREVENTION DE TOUTE ATTEINTE

Dans un troisième paragraphe le groupe d’experts énonce le principe de prévention de toute

atteinte : « Les systèmes d’IA ne devraient ni porter atteinte, ni aggraver toute atteinte portée, ni
nuire aux êtres humains d’une quelconque autre manière. Cela englobe la protection de la dignité
humaine ainsi que de l’intégrité mentale et physique. » [122] p15.

Pour s’assurer que les résultats de l’IA ne portent pas atteinte à l’humain, il faut tout d’abord
prévenir le système contre des utilisations malveillantes (mot de passe complexes, fermer les
sessions d’ordinateurs, etc.). En outre, pour assurer que l’IA ne nuise à personne, il faut assurer la
robustesse du système, c’est-à-dire, le tester dans plusieurs conditions (fiabilité), évaluer sa
capacité à donner un résultat juste (précision) et contrôler que deux prédictions sont identiques, si
elles sont réalisées dans des conditions similaires (reproductibilité).

122
 Mise en œuvre, limites et enjeux éthiques de L’IA

Un autre aspect des IA qui peut porter atteinte à l’homme, concerne les informations personnelles
à l’origine du modèle ou prédites par le modèle. En effet, puisque l’IA est influencée par les
données d’entrée : la collecte de données doit être la plus juste possible, pour ne pas intégrer de
faute et d’erreur au système. De plus, il faut que ces données soient anonymes, ou que les
développeurs aient obtenu l’accord des personnes concernées. De plus, l’IA peut déduire pour une
personne : des comportements, des préférences et même des opinions politiques ou religieuses.
Dans ces cas précis, l’IA peut aller à l’encontre de la liberté d’opinion. Enfin, il faut restreindre
l’accès aux données relatives aux personnes. Seul, des personnes qualifiées et justifiant l’utilisation
des données, devraient pouvoir les utiliser.

Nos procédures actuelles, pour l’utilisation des IA en segmentation et en planification

automatique, préviennent des atteintes à l’homme. Premièrement, parce que nous respectons les
règles de sécurité imposées par la clinique. Deuxièmement parce que les bases de données
d’entraînement sont toujours anonymisées. Troisièmement, parce ce que la robustesse des
systèmes est évaluée (fiabilité, reproductibilité). Dernièrement parce que les résultats donnés par
l’IA sont toujours vérifiés, corrigés et validés dans le TPS puis par la mesure (dans le cas des plans
de traitement).

En revanche, il faut rester vigilant sur l’utilisation que les équipes ont avec les méthodes d’IA et
surtout, celles qui ne nécessitent que très peu de modifications. L’équipe pourrait développer une
confiance excessive en la machine. En outre, il est impossible de comprendre le raisonnement de
l’algorithme, donc impossible de prévoir l’occurrence de ses erreurs. La meilleure prévention est
la vérification de chacun.

EQUITE

« La mise au point, le déploiement et l’utilisation de systèmes d’IA doivent être équitables. Le volet
matériel suppose l’engagement de veiller à une répartition égale et juste des bénéfices et des coûts,
et de veiller à ce que les individus et les groupes ne fassent pas l’objet de biais injustes, de
discrimination et de stigmatisation. En outre, l’utilisation de systèmes d’IA ne devrait jamais avoir
pour conséquence de tromper les utilisateurs (finaux) ou de limiter leur liberté de choix. [122] p15

123

123
 Chapitre 4 - Mise en œuvre des solutions automatiques dans un environnement clinique

L’équité est le fait de donner les mêmes bénéfices et coûts à tout le monde : premièrement, l’équité
se construit avec la collecte de données, qui doit représenter toutes les populations de manière
égale. Deuxièmement, l’équité se joue sur l’accessibilité du système d’IA à tous les utilisateurs,
sans discrimination. Troisièmement, respecter l’équité, c’est respecter l’environnement et toute
vie, les systèmes d’IA ne doivent pas prendre des décisions à l’encontre des normes de
développement durable ou proposer des résultats nécessitant plus de ressources que ce pourquoi
l’IA est entraînée. Par ailleurs, la consommation énergétique nécessaire à leur entraînement doit
être raisonnable.

Les algorithmes d’IA que nous utilisons respectent les principes d’équité pour les utilisateurs :
toute personne qui y a accès est en capacité de l’utiliser. De plus, les résultats proposés par l’IA ne
demandent pas plus de ressources que les solutions initiales (mêmes nombres d’arc par machine,
stockage des plans et des structures équivalentes, temps de calcul moindre, etc.). En revanche,
notre base de données par modèle étant assez restreinte, nous ne pouvons pas affirmer que toutes
les populations y soient représentées et qu’elles le soient de manière égale. Ce que nous pouvons
affirmer, c’est que le choix des patients dans la base de données ne concerne ni l’âge, ni l’ethnie,
ni les opinions, ni les capacités mentales. En contrepartie, les modèles pour les cancers de la
prostate sont construits en fonction du sexe de la personne, pour des différences morphologiques
évidentes.

124
 Synthèse

5. SYNTHESE

Il existe différents types d’automatisation pour la radiothérapie externe. Le service de

radiothérapie de la clinique Pasteur est un service conséquent, de ce fait, il a un grand besoin
d’uniformisation des pratiques. En routine clinique 3 types d’automatisation sont utilisés : la
segmentation automatique et la planification automatique qui sont largement décrites dans les
chapitres précédents et l’automatisation par scripts Python développés sur site. Parmi ces scripts,
nous pouvons citer la création automatique de structures d’optimisation, la gestion automatique
des balistiques de traitement ou la réalisation automatique de rapports de traitement. Mais ces
automatisations permettent d’aller plus loin et d’aborder différemment les traitements en rendant
accessibles des tâches trop longues à réalisées manuellement. Enfin, les scripts permettent
également de simplifier la mise en place des autres méthodes d’automatisation, d’une part pour la
création de bases de données, d’autre part, pour l’évaluation qualitative de ces méthodes sur un
large éventail de données.

Néanmoins, peu importe la méthode d’automatisation, elles présentent toutes des limites dans leur
utilisation et nécessitent du un temps non négligeable à consacrer à la mise en œuvre du service
(développement, validation, maintien du service).

Soulignons qu’il existe peu de recommandations et pas (encore) de réglementation pour régir les
la mise en place et l’utilisation d’algorithme d’automatisation dans un service de radiothérapie
externe. Cela est vrai surtout pour les scripts Python, premièrement parce que leur utilisation est
relativement récente, deuxièmement parce que ce sont les physiciens médicaux qui les développent
et non des experts informatiques et dernièrement parce qu’ils sont capables d’intervenir sur une
multitude d’aspects de la radiothérapie. En conséquence, ces méthodes doivent être développées
en toute conscience des risques qu’elles pourraient induire et être utilisées avec une vigilance
accrue.

Finalement, le développement, la validation et l’utilisation des méthodes automatiques ne doivent

pas être dissociés de leurs enjeux éthiques : l’explicabilité, le respect de l’autonomie humaine
(utilisateurs comme bénéficiaires), la prévention de toute atteinte (physique ou morale) et l’équité.

125

125
 Conclusion et perspectives

CONCLUSION ET PERSPECTIVES

126
 Conclusion et perspectives

CON CLUSION ET PERSPE CTIVES

L’objectif de ce travail était d'évaluer et de mettre en pratique clinique des solutions

d’automatisation pour la segmentation et la planification en radiothérapie externe, certaines basées
sur l'intelligence artificielle (IA).

Depuis janvier 2023, le groupe ORION-Toulouse est le premier service de radiothérapie en France
à intégrer les algorithmes d'IA de segmentation et de planification de traitement dans sa routine
clinique.

LA SEGMENTATION AUTOMATIQUE

Lun des algorithmes étudié est un algorithme de Deep learning DL (réseau de neurones
entièrement convolutif) utilisé pour la segmentation automatique. Il a été évalué en comparant les
structures générées par DL avec celles validées par les radiothérapeutes. Cette évaluation s'est
appuyée sur l'utilisation d'indices de similarité de contours et de volumes, comme détaillé dans le
Chapitre 2-2 de ce travail.

Les comparaisons avec d’autres méthodes de segmentation automatique disponibles dans

RayStation ont révélé que le DL est à la fois le plus rapide et le plus conforme à nos pratiques
cliniques habituelles. Nous avons pu valider cliniquement son utilisation pour 24 structures
différentes. Toutefois, il est important de noter que certaines structures nécessitent des corrections
manuelles systématiques. En effet, il arrive que l'IA identifie des structures anatomiques avec
précision, mais ne puisse pas toujours capturer des nuances dans les règles de contourage qui ne
sont pas visibles sur les images du scanner de planification (par exemple le rectum doit être délinéé
2 cm au-dessus et en dessous du volume cible).

Aujourd'hui, cet algorithme est intégré dans la routine clinique, où les structures segmentées
automatiquement font l'objet d’une revue systématique et de corrections si nécessaire. Cette
approche réduit considérablement le temps alloué à l’étape de contourage d’un facteur 3.

En parallèle, le DL d’un autre constructeur Limbus, qui a été entraîné sur une base de données
différente de RS, s'est également révélé être acceptable pour notre utilisation clinique. Les 2
solutions de DL présentent de bonnes similarités pour la plupart des organes étudiés. Cependant,
il est essentiel de noter que chaque IA possède ses propres particularités, ce qui les rend plus ou
moins conformes aux procédures cliniques habituelles en fonction de l'organe segmenté.

127

127
 Conclusion et perspectives

LA PLANIFICATION AUTOMATIQUE

Le Chapitre 3 de cette étude portait sur l'évaluation de 3 algorithmes d'automatisation de la

planification des traitements, à savoir l'apprentissage automatique (ML), l'apprentissage profond
(DL) et l'optimisation multicritère (MCO).

Dans un premier temps, nous avons comparé ces algorithmes aux plans de traitement de référence
générés manuellement et avons constaté que l'approche MCO ne fournissait pas des plans
acceptables d'emblée, mais présentait des avantages dosimétriques significatifs en ce qui concerne
la protection des organes à risque (OAR). En revanche, les plans générés par les algorithmes d'IA
offraient généralement des plans de traitement acceptables dès le départ et nos plans générés par
DL étaient équivalents aux plans de référence.

Dans un deuxième temps, nous avons amélioré automatiquement les plans générés par l'approche
MCO, puis les avons améliorés avec des optimisations manuelles classiques. Cette méthode a
permis d'obtenir un taux de 100% d'acceptation clinique tout en préservant les avantages
dosimétriques offerts par l'approche MCO.

Dans un troisième temps, nous avons optimisé l'approche DL pour une utilisation en routine
clinique. Nous avons vérifié sa reproductibilité et évalué l'impact des ajustements apportés aux
modèles de DL sur les distributions de dose. De plus, nous avons constitué une base de données
de plans générés par l'approche MCO avec corrections afin de tenter d’égaler les performances du
MCO tout en gagnant en temps de calcul.

L'approche DL a démontré qu'elle pouvait générer des plans de traitement acceptables, bien que
perfectibles. Aujourd'hui, cette méthode est intégrée dans notre pratique clinique quotidienne, où
les dosimétristes ont la possibilité de l'améliorer manuellement, si nécessaire. Grâce à cette
approche, nous parvenons à obtenir des plans de traitement plus conformes, plus homogènes et
protégeant mieux les OAR par rapport aux plans de référence réalisés manuellement avec un gain
de temps d’un facteur 2.

LA MISE EN ŒUVRE DES METHODES AUTOMATIQUES

Nous proposons également des recommandations pratiques pour la mise en œuvre de toutes ces
solutions automatiques ainsi que pour l’utilisation de scripts Python en routine clinique. Ces

128
 Conclusion et perspectives

recommandations concernent le développement, la validation et les limites d’utilisation de ces

méthodes. Enfin, nous portons un regard sur l’aspect éthique de l’utilisation des IA dans ce
contexte clinique.

PERSPECTIVES

NOUVEAUX MODELES D’INTELLIGENCE ARTIFICIELLE

Nos études ont prouvé que les IA étaient performantes pour la segmentation des organes et la
planification de traitement. La première perspective de cette thèse est donc la création de nouveaux
modèles.

− Segmentation automatique :

Toutes les structures ne possèdent pas encore leur propre modèle. Il manque encore chez
RaySearch beaucoup d’organes sans modèle de contourage (plexus brachial, certains ganglions,
etc.). Il est à noter qu’à ce jour, Limbus possède beaucoup plus de modèles que RayStation.

− Planification automatique :

Seulement 2 localisations cliniques ont été évaluées et validées dans cette thèse, mais il existe
beaucoup de traitements automatisables :

• D’abord, nous pourrions ajuster nos modèles déjà construits à d’autres prescriptions. Le
modèle d’encéphales in toto pourrait être ajusté pour traiter des boots intégrés, et les modèles
de pelvis pour traiter des cols utérins.
• L’IA aurait un intérêt plus grand si elle était utilisée pour automatiser des traitements qui
demandent plus de temps comme les traitements ORL.
• Enfin, dans une prochaine version de RayStation il sera possible de combiner la création de
scénario de gonflement du sein avec la génération automatique de traitement. Dans cet optique,
et sachant que les traitements des seins sont une grosse partie de notre activité, nous pourrions
développer un nouveau modèle pour cette localisation.
•

129

129
 Conclusion et perspectives

ETUDE MULTICENTRIQUE
Lorsque les modèles d’IA sont validés par RaySearch, ils sont déployés dans les centres. Chacun
d’entre eux a la possibilité de les utiliser et surtout de les adapter à ses propres pratiques. Il serait
intéressant de réaliser des études multicentriques, d’une part pour généraliser l’utilisation de l’IA
en planification de traitement, et d’autre part, pour étudier les performances et limites des modèles
et connaître la pertinence de l’utilisation d’un modèle provenant d’un autre centre.

Dans l’idéal, pour une réelle uniformisation des pratiques, il faudrait une homogénéisation des
attendus dosimétriques. Pour cela, il faudrait travailler au niveau national, européen ou
international avec des bases de données communes considérées comme références et construites à
partir de consensus sur les attendus dosimétriques (pas seulement sur les objectifs de dose mais
sur la géométrie des isodoses également). De plus, un consensus et des bases de données de
référence simplifieraient les études comparatives entre les différents algorithmes commercialisés,
que ce soit pour la segmentation ou la planification automatique.

CREATION D’OUTILS POUR FACILITER L’INTEGRATION DES SOLUTIONS D’IA

Parallèlement, avec le développement des méthodes d’IA, il est impératif de développer des outils
facilitant l'intégration de ces méthodes dans les services de radiothérapie. Ces outils devraient
permettre de créer simplement des bases de données à la fois pour l’entraînement de nouveaux
modèles et pour l’analyse des pratiques cliniques.

LA RADIOTHERAPIE ADAPTATIVE
La radiothérapie adaptative est une approche avancée de la radiothérapie qui vise à personnaliser
et à ajuster continuellement le plan de traitement d'un patient en fonction des changements
observés pendant le traitement. Dans ce contexte clinique, il est impératif de réaliser rapidement
des plans de traitements acceptables d’emblée. Ainsi, si nous parvenons à améliorer nos modèles
suffisamment pour qu’ils n’aient pas besoin d’être corrigés manuellement, cela ouvrirait la voie à
leur utilisation en radiothérapie adaptative.

En conclusion, que ce soit dans le domaine de la segmentation automatique ou de la planification

automatique, les solutions d’automatisation et en particulier l’intelligence artificielle ont démontré
leur capacité, notamment en termes de gain de temps et d'uniformisation des pratiques cliniques
malgré des améliorations manuelles effectuées par les opérateurs.

130
 Conclusion et perspectives

Ainsi, les méthodes d’automatisation évaluées dans cette thèse fournissent des bases solides,
automatisant de nombreuses étapes, tandis que les opérateurs humains apportent leur expertise
clinique, leur jugement et leur capacité à résoudre des cas complexes. C'est cette collaboration
entre la technologie et l'expertise humaine qui permet d'atteindre les meilleurs résultats et de
garantir des soins de haute qualité pour les patients.

131

131
 Références

RÉFÉRENCES

132
 Conclusion et perspectives

[1] C. Robert et al., « Clinical implementation of deep-learning based auto-contouring tools–

Experience of three French radiotherapy centers », Cancer/Radiothérapie, vol. 25, no 6‑7,
p. 607‑616, oct. 2021, doi: 10.1016/[Link].2021.06.023.
[2] P. Meyer et al., « Automation in radiotherapy treatment planning: Examples of use in
clinical practice and future trends for a complete automated workflow »,
Cancer/Radiothérapie, vol. 25, no 6‑7, p. 617‑622, oct. 2021, doi:
10.1016/[Link].2021.06.006.
[3] C. Lafond et al., « Quelle R CMI ? Du « step and shoot » au VMAT : point de vue du
physicien », Cancer/Radiothérapie, vol. 14, no 6‑7, p. 539‑549, oct. 2010, doi:
10.1016/[Link].2010.06.012.
[4] J. van der Veen, A. Gulyban, et S. Nuyts, « Interobserver variability in delineation of
target volumes in head and neck cancer », Radiother. Oncol., vol. 137, p. 9‑15, août 2019,
doi: 10.1016/[Link].2019.04.006.
[5] « Définition radiothérapie ». Consulté le: 3 mars 2023. [En ligne]. Disponible sur:
[Link]
[6] « The International Commission on Radiation Units and Measurements », J. ICRU, vol.
10, no 1, p. NP.2-NP, avr. 2010, doi: 10.1093/jicru/ndq001.
[7] A. Huchet et al., « Effet volume en radiothérapie [II]. Deuxième partie : volume et
tolérance des tissus sains », Cancer/Radiothérapie, vol. 7, no 5, p. 353‑362, oct. 2003, doi:
10.1016/S1278-3218(03)00082-9.
[8] S. M. Bentzen et al., « Quantitative Analyses of Normal Tissue Effects in the Clinic
(QUANTEC): An Introduction to the Scientific Issues », Int. J. Radiat. Oncol., vol. 76, no
3, p. S3‑S9, mars 2010, doi: 10.1016/[Link].2009.09.040.
[9] C. J. Karzmark et N. C. Pering, « Electron linear accelerators for radiation therapy: history,
principles and contemporary developments », Phys. Med. Biol., vol. 18, no 3, p. 321, 1973,
doi: [Link]
[10] F. M. Khan et J. P. Gibbons, The physics of radiation therapy. [En ligne]. Disponible sur:
[Link]
[11] M. S. Huq, Y. Yu, Z.-P. Chen, et N. Suntharalingam, « Dosimetric characteristics of a
commercial multileaf collimator », Med. Phys., vol. 22, no 2, p. 241‑247, févr. 1995, doi:
[Link]
[12] T. J. Jordan et P. C. Williams, « The design and performance characteristics of a multileaf
collimator », Phys. Med. Biol., vol. 39, no 2, p. 231, 1994, doi:
[Link]
[13] M. R. Sontag et J. R. Cunningham, « Clinical application of a CT based treatment planning
system », Comput. Tomogr., vol. 2, no 2, p. 117‑130, 1978, doi:
[Link]
[14] C. P. Karger et al., « Stereotactic imaging for radiotherapy: accuracy of CT, MRI, PET
and SPECT », Phys. Med. Biol., vol. 48, no 2, p. 211, janv. 2003, doi:
[Link]
[15] L. G. Brown, « A survey of image registration techniques », A CM Comput. Surv., vol. 24,
no 4, p. 325‑376, déc. 1992, doi: 10.1145/146370.146374.
[16] N. Y. Lee, N. Riaz, et J. J. Lu, Éd., Target Volume Delineation for Conformal and
Intensity-Modulated Radiation Therapy. in Medical Radiology. Cham: Springer
International Publishing, 2015. doi: 10.1007/978-3-319-05726-2.

133

133
 Références

[17] G. Noël, D. Antoni, I. Barillot, et B. Chauvet, « Délinéation des organes à risque et

contraintes dosimétriques », Cancer/Radiothérapie, vol. 20, p. S36‑S60, sept. 2016, doi:
10.1016/[Link].2016.07.032.
[18] Radiation Oncology Physics: A Handbook for Teachers and Students. International
Atomic Energy Agency, 2005. [En ligne]. Disponible sur: [Link]
[Link]/mtcd/publications/pdf/pub1196_web.pdf
[19] D. W. Kim, K. Park, H. Kim, et J. Kim, « History of the Photon Beam Dose Calculation
Algorithm in Radiation Treatment Planning System », 2020, doi:
10.14316/pmp.2020.31.3.54.
[20] T. Bortfeld, W. Schlegel, et B. Rhein, « Decomposition of pencil beam kernels for fast
dose calculations in three‐dimensional treatment planning », doi:
[Link]
[21] « RayStation Dose Calculation Algorithms ». RaySearch Laboratories, 20 avril 2017.
Consulté le: 2 mars 2023. [En ligne]. Disponible sur:
[Link]
ev-n-pdfs/white-papers/[Link] [consulté le
02/03/2023]
[22] F. Hasenbalg, H. Neuenschwander, R. Mini, et E. J. Born, « Collapsed cone convolution
and analytical anisotropic algorithm dose calculations compared to VMC++ Monte Carlo
simulations in clinical cases », Phys. Med. Biol., vol. 52, no 13, p. 3679‑3691, juill. 2007,
doi: 10.1088/0031-9155/52/13/002.
[23] A. Ahnesjö, « Collapsed cone convolution of radiant energy for photon dose calculation
in heterogeneous media », Med. Phys., vol. 16(4), p. 577‑592.
[24] S. Webb, « The physical basis of IMRT and inverse planning », doi:
[Link]
[25] S. Webb, « Optimizing the planning of intensity-modulated radiotherapy », Phys. Med.
Biol., vol. 39, no 12, p. 2229‑2246, déc. 1994, doi: 10.1088/0031-9155/39/12/007.
[26] D. Craft, D. McQuaid, J. Wala, W. Chen, E. Salari, et T. Bortfeld, « Multicriteria VMAT
optimization », Med. Phys., vol. 39, no 2, p. 12, 2012.
[27] M. C. Yang, « Optimisation des plans de traitement en radiothérapie grâce aux dernières
techniques de calcul de dose rapide », UNIVERSITE PARIS-SUD, Paris, 2014.
[28] IBM, « Intelligence artificielle (IA) », Qu’est-ce que l’intelligence artificielle (IA) ?
Consulté le: 10 juillet 2023. [En ligne]. Disponible sur: [Link]
fr/topics/artificial-intelligence
[29] Y. LeCun, Y. Bengio, et G. Hinton, « Deep learning », Nature, vol. 521, no 7553, p.
436‑444, mai 2015, doi: 10.1038/nature14539.
[30] C. E. Cardenas, J. Yang, B. M. Anderson, L. E. Court, et K. B. Brock, « Advances in
Auto-Segmentation », Semin. Radiat. Oncol., vol. 29, no 3, p. 185‑197, juill. 2019, doi:
10.1016/[Link].2019.02.001.
[31] G. Samarasinghe et al., « Deep learning for segmentation in radiation therapy planning: a
review », J. Med. Imaging Radiat. Oncol., vol. 65, no 5, p. 578‑595, août 2021, doi:
10.1111/1754-9485.13286.
[32] I. Xhaferllari, E. Wong, K. Bzdusek, M. Lock, et J. Z. Chen, « Automated IMRT planning
with regional optimization using planning scripts », J. Appl. Clin. Med. Phys., vol. 14, no
1, p. 176‑191, janv. 2013, doi: 10.1120/ja cmp.v14i1.4052.
[33] B. Vanderstraeten, B. Goddeeris, K. Vandecasteele, M. van Eijkeren, C. De Wagter, et Y.
Lievens, « Automated Instead of Manual Treatment Planning? A Plan Comparison Based

134
 Conclusion et perspectives

on Dose-Volume Statistics and Clinical Preference », Int. J. Radiat. Oncol., vol. 102, no
2, p. 443‑450, oct. 2018, doi: 10.1016/[Link].2018.05.063.
[34] S. Cilla et al., « Personalized Treatment Planning Automation in Prostate Cancer
Radiation Oncology: A Comprehensive Dosimetric Study », Front. Oncol., vol. 11, p.
636529, juin 2021, doi: 10.3389/fonc.2021.636529.
[35] S. Cilla et al., « Template-based automation of treatment planning in advanced
radiotherapy: a comprehensive dosimetric and clinical evaluation », Sci. Rep., vol. 10, no
1, p. 423, janv. 2020, doi: 10.1038/s41598-019-56966-y.
[36] C. Cotrutz et L. Xing, « IMRT dose shaping with regionally variable penalty scheme »,
Med. Phys., vol. 30, no 4, p. 544‑551, mars 2003, doi: 10.1118/1.1556610.
[37] J. M. A. M. Kusters et al., « Automated IMRT planning in Pinnacle: A study in head-and-
neck cancer », Strahlenther. Onkol., vol. 193, no 12, p. 1031‑1038, déc. 2017, doi:
10.1007/s00066-017-1187-9.
[38] K. Nawa et al., « Evaluation of a commercial automatic treatment planning system for
prostate cancers », Med. Dosim., vol. 42, no 3, p. 203‑209, 2017, doi:
10.1016/[Link].2017.03.004.
[39] A. Smith et al., « Can the Student Outperform the Master? A Plan Comparison Between
Pinnacle Auto-Planning and Eclipse knowledge-Based RapidPlan Following a Prostate-
Bed Plan Competition », Technol. Cancer Res. Treat., vol. 18, p. 153303381985176, janv.
2019, doi: 10.1177/1533033819851763.
[40] G. Wortel et al., « Characterization of automatic treatment planning approaches in
radiotherapy », Phys. Imaging Radiat. Oncol., vol. 19, p. 60‑65, juill. 2021, doi:
10.1016/[Link].2021.07.003.
[41] C. Fiandra et al., « Automatic genetic planning for volumetric modulated arc therapy: A
large multi-centre validation for prostate cancer », Radiother. Oncol., vol. 148, p. 126‑132,
juill. 2020, doi: 10.1016/[Link].2020.04.020.
[42] C. Fiandra et al., « Automated Heuristic Optimization of Prostate VMAT Treatment
Planning », Int. J. Med. Phys. Clin. Eng. Radiat. Oncol., vol. 07, no 03, p. 414‑425, 2018,
doi: 10.4236/ijmpcero.2018.73034.
[43] M.-C. Biston et al., « Evaluation of fully automated a priori MCO treatment planning in
VMAT for head-and-neck cancer », Phys. Med., vol. 87, p. 31‑38, juill. 2021, doi:
10.1016/[Link].2021.05.037.
[44] R. Bokrantz et A. Forsgren, « An Algorithm for Approximating Convex Pareto Surfaces
Based on Dual Techniques », Inf. J. Comput., vol. 25, no 2, p. 377‑393, mai 2013, doi:
10.1287/ijoc.1120.0508.
[45] S. Breedveld, D. Craft, R. van Haveren, et B. Heijmen, « Multi-criteria optimization and
decision-making in radiotherapy », Eur. J. Oper. Res., vol. 277, no 1, p. 1‑19, août 2019,
doi: 10.1016/[Link].2018.08.019.
[46] D. L. Craft, T. S. Hong, H. A. Shih, et T. R. Bortfeld, « Improved Planning Time and Plan
Quality Through Multicriteria Optimization for Intensity-Modulated Radiotherapy », Int.
J. Radiat. Oncol., vol. 82, no 1, p. e83‑e90, janv. 2012, doi: 10.1016/[Link].2010.12.007.
[47] A. Fredriksson et R. Bokrantz, « Deliverable navigation for multicriteria IMRT treatment
planning by combining shared and individual apertures », Phys. Med. Biol., vol. 58, no 21,
p. 7683‑7697, nov. 2013, doi: 10.1088/0031-9155/58/21/7683.
[48] S. Ghandour, O. Matzinger, et M. Pachoud, « Volumetric-modulated arc therapy planning
using multicriteria optimization for localized prostate cancer », J. Appl. Clin. Med. Phys.,
vol. 16, no 3, p. 258‑269, mai 2015, doi: 10.1120/ja cmp.v16i3.5410.
135

135
 Références

[49] T. S. Hong, D. L. Craft, F. Carlsson, et T. R. Bortfeld, « Multicriteria Optimization in

Intensity-Modulated Radiation Therapy Treatment Planning for Locally Advanced Cancer
of the Pancreatic Head », Int. J. Radiat. Oncol., vol. 72, no 4, p. 1208‑1214, nov. 2008,
doi: 10.1016/[Link].2008.07.015.
[50] K.-H. Küfer et al., « Multicriteria optimization in intensity modulated radiotherapy
planning », in Multicriteria optimization in intensity modulated radiotherapy planning,
Springer Science&Business Media., vol. 26, 2009, p. 123‑186.
[51] C. K. McGarry, R. Bokrantz, J. M. O’Sullivan, et A. R. Hounsell, « Advantages and
limitations of navigation-based multicriteria optimization (MCO) for localized prostate
cancer IMRT planning », Med. Dosim., vol. 39, no 3, p. 205‑211, 2014, doi:
10.1016/[Link].2014.02.002.
[52] B. S. Müller, H. A. Shih, J. A. Efstathiou, T. Bortfeld, et D. Craft, « Multicriteria plan
optimization in the hands of physicians: a pilot study in prostate cancer and brain tumors »,
Radiat. Oncol., vol. 12, no 1, p. 168, déc. 2017, doi: 10.1186/s13014-017-0903-z.
[53] D. Nguyen, A. S. Barkousaraie, C. Shen, X. Jia, et S. Jiang, « Generating Pareto Optimal
Dose Distributions for Radiation Therapy Treatment Planning », in Medical Image
Computing and Computer Assisted Intervention – MICCAI 2019, vol. 11769, D. Shen, T.
Liu, T. M. Peters, L. H. Staib, C. Essert, S. Zhou, P.-T. Yap, et A. Khan, Éd., in Lecture
Notes in Computer Science, vol. 11769. , Cham: Springer International Publishing, 2019,
p. 59‑67. doi: 10.1007/978-3-030-32226-7_7.
[54] J. Wala, D. Craft, J. Paly, A. Zietman, et J. Efstathiou, « Maximizing dosimetric benefits
of IMRT in the treatment of localized prostate cancer through multicriteria optimization
planning », Med. Dosim., vol. 38, no 3, p. 298‑303, sept. 2013, doi:
10.1016/[Link].2013.02.012.
[55] J. P. Tol, A. R. Delaney, M. Dahele, B. J. Slotman, et W. F. A. R. Verbakel, « Evaluation
of a Knowledge-Based Planning Solution for Head and Neck Cancer », Int. J. Radiat.
Oncol., vol. 91, no 3, p. 612‑620, mars 2015, doi: 10.1016/[Link].2014.11.014.
[56] M. Hussein et al., « Clinical validation and benchmarking of knowledge-based IMRT and
VMAT treatment planning in pelvic anatomy », Radiother. Oncol., vol. 120, no 3, p.
473‑479, sept. 2016, doi: 10.1016/[Link].2016.06.022.
[57] E. Cagni et al., « Knowledge-based treatment planning: An inter-technique and inter-
system feasibility study for prostate cancer », Phys. Med., vol. 36, p. 38‑45, avr. 2017, doi:
10.1016/[Link].2017.03.002.
[58] A. T. Y. Chang et al., « Comparison of Planning Quality and Efficiency Between
Conventional and Knowledge-based Algorithms in Nasopharyngeal Cancer Patients
Using Intensity Modulated Radiation Therapy », Int. J. Radiat. Oncol., vol. 95, no 3, p.
981‑990, juill. 2016, doi: 10.1016/[Link].2016.02.017.
[59] Y. Ge et Q. J. Wu, « Knowledge‐based planning for intensity‐modulated radiation therapy:
A review of data‐driven approaches », Med. Phys., vol. 46, no 6, p. 2760‑2775, juin 2019,
doi: 10.1002/mp.13526.
[60] J. Camilleri, « Dosimétrie in vivo des traitements de radiothérapie conformationnelle avec
modulation d’intensité par imageur portal haute énergie au silicium amorphe », PAUL
SABATIER, Toulouse - France, 2014. [En ligne]. Disponible sur: [Link]
[Link]/2736/1/[Link]
[61] C. Chevillard, « Contrôle de la dose délivrée en radiothérapie externe: étude de l’apport
mutuel de l’imagerie volumique embarquée et de la dosimétrie de transit », PARIS SUD,
Paris, 2018.

136
 Conclusion et perspectives

[62] G. Li et al., « Evaluation of the ArcCHECK QA system for IMRT and VMAT
verification », Phys. Med., vol. 29, no 3, p. 295‑303, mai 2013, doi:
10.1016/[Link].2012.04.005.
[63] M. Hussein, P. Rowshanfarzad, M. A. Ebert, A. Nisbet, et C. H. Clark, « A comparison of
the gamma index analysis in various commercial IMRT/VMAT QA systems », Radiother.
Oncol., vol. 109, no 3, p. 370‑376, déc. 2013, doi: 10.1016/[Link].2013.08.048.
[64] J. Yang et al., « Dosimetric verification of IMRT treatment planning using Monte Carlo
simulations for prostate cancer », Phys. Med. Biol., vol. 50, no 5, p. 869, févr. 2015, doi:
[Link]
[65] J. Leste, « Mise en œuvre et apports cliniques d’un modèle Monte-Carlo d’un accélérateur
linéaire de radiothérapie externe ».
[66] Y. BEN Hdech, « Contrôle de qualité dosimétrique des systèmes de planification des
traitements par radiothérapie externe à l’aide d’objets-tests numériques calculés par
simulations Monte-Carlo PENELOPE ».
[67] L. BLAZY-AUBIGNAC, « Controle qualité des systèmes de planification dosimétrique
des traitements en radiothérapie externe au moyen du code Monte-Carlo Penelope »,
Université Paul Sabatier, Toulouse - France, 2007. [En ligne]. Disponible sur:
[Link]
[68] M. Rodriguez, J. Sempau, et L. Brualla, « PRIMO: A graphical environment for the Monte
Carlo simulation of Varian and Elekta linacs », Strahlenther. Onkol., vol. 189, no 10, p.
881‑886, oct. 2013, doi: 10.1007/s00066-013-0415-1.
[69] B. Dehaye, « Accélération de la convergence dans le code de transport de particules
Monte-Carlo TRIPOLI-4® en criticité », PARIS SUD, Paris, 2014. [En ligne]. Disponible
sur: [Link]
[70] W. Lu, G. H. Olivera, M.-L. Chen, P. J. Reckwerdt, et T. R. Mackie, « Accurate
convolution/superposition for multi-resolution dose calculation using cumulative
tabulated kernels », Phys. Med. Biol., vol. 50, no 4, p. 655‑680, févr. 2005, doi:
10.1088/0031-9155/50/4/007.
[71] X. A. Li et al., « Variability of Target and Normal Structure Delineation for Breast Cancer
Radiotherapy: An RTOG Multi-Institutional and Multiobserver Study », Int. J. Radiat.
Oncol., vol. 73, no 3, p. 944‑951, mars 2009, doi: 10.1016/[Link].2008.10.034.
[72] D. Pasquier, L. Peyrodie, F. Denis, Y. Pointreau, G. Béra, et É. Lartigau, « Segmentation
automatique des images pour la planification dosimétrique en radiothérapie »,
Cancer/Radiothérapie, vol. 14, p. S6‑S13, nov. 2010, doi: 10.1016/S1278-
3218(10)70003-2.
[73] H. Kalinic, « Atlas-based image segmentation: A Survey », p. 7.
[74] O. Weistrand et S. Svensson, « The ANACONDA algorithm for deformable image
registration in radiotherapy », Med. Phys., vol. 42, no 1, p. 40‑53, janv. 2015, doi:
10.1118/1.4894702.
[75] O. Ecabert et al., « Automatic Model-Based Segmentation of the Heart in CT Images »,
IEEE Trans. Med. Imaging, vol. 27, no 9, p. 1189‑1201, sept. 2008, doi:
10.1109/TMI.2008.918330.
[76] Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, et O. Ronneberger, « 3D U-Net:
Learning Dense Volumetric Segmentation from Sparse Annotation », ArXiv160606650
Cs, juin 2016, Consulté le: 7 mars 2022. [En ligne]. Disponible sur:
[Link]

137

137
 Références

[77] Z. Zhou, M. M. Rahman Siddiquee, N. Tajbakhsh, et J. Liang, « UNet++: A Nested U-

Net Architecture for Medical Image Segmentation », in Deep Learning in Medical Image
Analysis and Multimodal Learning for Clinical Decision Support, vol. 11045, D.
Stoyanov, Z. Taylor, G. Carneiro, T. Syeda-Mahmood, A. Martel, L. Maier-Hein, J. M.
R. S. Tavares, A. Bradley, J. P. Papa, V. Belagiannis, J. C. Nascimento, Z. Lu, S. Conjeti,
M. Moradi, H. Greenspan, et A. Madabhushi, Éd., in Lecture Notes in Computer Science,
vol. 11045. , Cham: Springer International Publishing, 2018, p. 3‑11. doi: 10.1007/978-3-
030-00889-5_1.
[78] O. Ronneberger, P. Fischer, et T. Brox, « U-Net: Convolutional Networks for Biomedical
Image Segmentation », in Medical Image Computing and Computer-Assisted Intervention
– MICCAI 2015, vol. 9351, N. Navab, J. Hornegger, W. M. Wells, et A. F. Frangi, Éd., in
Lecture Notes in Computer Science, vol. 9351. , Cham: Springer International Publishing,
2015, p. 234‑241. doi: 10.1007/978-3-319-24574-4_28.
[79] A. A. Taha et A. Hanbury, « Metrics for evaluating 3D medical image segmentation:
analysis, selection, and tool », BMC Med. Imaging, vol. 15, no 1, p. 29, déc. 2015, doi:
10.1186/s12880-015-0068-x.
[80] G. Delpon, « Comparison of Automated Atlas-Based Segmentation Software for
Postoperative Prostate Cancer Radiotherapy », Front. Oncol., vol. 6, p. 6, 2016.
[81] B. Rigaud et al., « Automatic Segmentation Using Deep Learning to Enable Online Dose
Optimization During Adaptive Radiation Therapy of Cervical Cancer », Int. J. Radiat.
Oncol., vol. 109, no 4, p. 1096‑1110, mars 2021, doi: 10.1016/[Link].2020.10.038.
[82] N. Bakx et al., « Clinical evaluation of a deep learning segmentation model including
manual adjustments afterwards for locally advanced breast cancer », Tech. Innov. Patient
Support Radiat. Oncol., vol. 26, p. 100211, juin 2023, doi: 10.1016/[Link].2023.100211.
[83] S. S. Almberg et al., « Training, validation, and clinical implementation of a deep-learning
segmentation model for radiotherapy of loco-regional breast cancer », Radiother. Oncol.,
vol. 173, p. 62‑68, août 2022, doi: 10.1016/[Link].2022.05.018.
[84] L. Radici et al., « Implementation of a Commercial Deep Learning-Based Auto
Segmentation Software in Radiotherapy: Evaluation of Effectiveness and Impact on
Workflow », Life, vol. 12, no 12, p. 2088, déc. 2022, doi: 10.3390/life12122088.
[85] J. Wong et al., « Comparing deep learning-based auto-segmentation of organs at risk and
clinical target volumes to expert inter-observer variability in radiotherapy planning »,
Radiother. Oncol., vol. 144, p. 152‑158, mars 2020, doi: 10.1016/[Link].2019.10.019.
[86] W. J. Zabel et al., « Clinical Evaluation of Deep Learning and Atlas-Based Auto-
Contouring of Bladder and Rectum for Prostate Radiation Therapy », Pract. Radiat.
Oncol., vol. 11, no 1, p. e80‑e89, janv. 2021, doi: 10.1016/[Link].2020.05.013.
[87] K. A. Wahid et al., « Large scale crowdsourced radiotherapy segmentations across a
variety of cancer anatomic sites », Sci. Data, vol. 10, no 1, p. 161, mars 2023, doi:
10.1038/s41597-023-02062-w.
[88] B. E. Nelms et al., « Variation in external beam treatment plan quality: An inter-
institutional study of planners and planning systems », Pract. Radiat. Oncol., vol. 2, no 4,
p. 296‑305, oct. 2012, doi: 10.1016/[Link].2011.11.012.
[89] M. Hussein, B. J. M. Heijmen, D. Verellen, et A. Nisbet, « Automation in intensity
modulated radiotherapy treatment planning—a review of recent innovations », Br. J.
Radiol., vol. 91, no 1092, p. 20180270, déc. 2018, doi: 10.1259/bjr.20180270.
[90] R. Bijman et al., « Automated Radiotherapy Planning for Patient-Specific Exploration of
the Trade-Off Between Tumor Dose Coverage and Predicted Radiation-Induced

138
 Conclusion et perspectives

Toxicity—A Proof of Principle Study for Prostate Cancer », Front. Oncol., vol. 10, p. 943,
juin 2020, doi: 10.3389/fonc.2020.00943.
[91] M. Buschmann et al., « Automated volumetric modulated arc therapy planning for whole
pelvic prostate radiotherapy », Strahlenther. Onkol., vol. 194, no 4, p. 333‑342, avr. 2018,
doi: 10.1007/s00066-017-1246-2.
[92] B. Heijmen et al., « Fully automated, multi-criterial planning for Volumetric Modulated
Arc Therapy – An international multi-center validation for prostate cancer », Radiother.
Oncol., vol. 128, no 2, p. 343‑348, août 2018, doi: 10.1016/[Link].2018.06.023.
[93] P. W. J. Voet, M. L. P. Dirkx, S. Breedveld, D. Fransen, P. C. Levendag, et B. J. M.
Heijmen, « Toward Fully Automated Multicriterial Plan Generation: A Prospective
Clinical Study », Int. J. Radiat. Oncol., vol. 85, no 3, p. 866‑872, mars 2013, doi:
10.1016/[Link].2012.04.015.
[94] H. Chen, D. L. Craft, et D. P. Gierga, « Multicriteria optimization informed VMAT
planning », Med. Dosim., vol. 39, no 1, p. 64‑73, 2014, doi:
10.1016/[Link].2013.10.001.
[95] A. Kyroudi et al., « Discrepancies between selected Pareto optimal plans and final
deliverable plans in radiotherapy multi-criteria optimization », Radiother. Oncol., vol.
120, no 2, p. 346‑348, août 2016, doi: 10.1016/[Link].2016.05.018.
[96] M. Spalding, A. Walsh, H. Clarke, et T. Aland, « Evaluation of a new hybrid VMAT-
IMRT multi-criteria optimization plan generation algorithm », Med. Dosim., vol. 45, no 1,
p. 41‑45, 2020, doi: 10.1016/[Link].2019.05.002.
[97] K. Teichert et al., « Targeted multi-criteria optimisation in IMRT planning supplemented
by knowledge based model creation », Oper. Res. Health Care, vol. 23, p. 100185, déc.
2019, doi: 10.1016/[Link].2019.04.003.
[98] K. Petersson, P. Nilsson, P. Engström, T. Knöös, et C. Ceberg, « Evaluation of dual-arc
VMAT radiotherapy treatment plans automatically generated via dose mimicking », Acta
Oncol., vol. 55, no 4, p. 523‑525, avr. 2016, doi: 10.3109/0284186X.2015.1080855.
[99] E. Borderias-Villarroel et al., « Machine learning-based automatic proton therapy
planning: Impact of post-processing and dose-mimicking in plan robustness », Med. Phys.,
doi: 10.1002/mp.16408.
[100] C. McIntosh, I. Svistoun, et T. G. Purdie, « Groupwise Conditional Random Forests for
Automatic Shape Classification and Contour Quality Assessment in Radiotherapy
Planning », IEEE Trans. Med. Imaging, vol. 32, no 6, p. 1043‑1057, juin 2013, doi:
10.1109/TMI.2013.2251421.
[101] C. McIntosh, M. Welch, A. McNiven, D. A. Jaffray, et T. G. Purdie, « Fully automated
treatment planning for head and neck radiotherapy using a voxel-based dose prediction
and dose mimicking method », Phys. Med. Biol., vol. 62, no 15, p. 5926‑5944, juill. 2017,
doi: 10.1088/1361-6560/aa71f8.
[102] C. McIntosh et T. G. Purdie, « Contextual Atlas Regression Forests: Multiple-Atlas-
Based Automated Dose Prediction in Radiation Therapy », IEEE Trans. Med. Imaging,
vol. 35, no 4, p. 1000‑1012, avr. 2016, doi: 10.1109/TMI.2015.2505188.
[103] C. McIntosh et T. G. Purdie, « Voxel-Based Dose Prediction with Multi-Patient Atlas
Selection for Automated Radiotherapy Treatment Planning », Phys. Med. Biol., vol. 62,
no 2, p. 415‑431, janv. 2017, doi: 10.1088/1361-6560/62/2/415.
[104] N. J. Lomax et S. G. Scheib, « Quantifying the degree of conformity in radiosurgery
treatment planning », Int. J. Radiat. Oncol., vol. 55, no 5, p. 1409‑1419, avr. 2003, doi:
10.1016/S0360-3016(02)04599-6.
139

139
 Références

[105] A. van’t Riet, A. C. A. Mak, M. A. Moerland, L. H. Elders, et W. van der Zee, « A

conformation number to quantify the degree of conformality in brachytherapy and external
beam irradiation: Application to the prostate », Int. J. Radiat. Oncol., vol. 37, no 3, p.
731‑736, févr. 1997, doi: 10.1016/S0360-3016(96)00601-3.
[106] L. H. T. Leung, M. W. K. Kan, A. C. K. Cheng, W. K. H. Wong, et C. C. Yau, « A new
dose–volume-based Plan Quality Index for IMRT plan comparison », Radiother. Oncol.,
vol. 85, no 3, p. 407‑417, déc. 2007, doi: 10.1016/[Link].2007.10.018.
[107] S. Chiavassa, I. Bessieres, M. Edouard, M. Mathot, et A. Moignier, « Complexity
metrics for IMRT and VMAT plans: a review of current literature and applications », Br.
J. Radiol., vol. 92, no 1102, p. 20190270, oct. 2019, doi: 10.1259/bjr.20190270.
[108] S. B. Crowe et al., « Treatment plan complexity metrics for predicting IMRT pre-
treatment quality assurance results », Australas. Phys. Eng. Sci. Med., vol. 37, no 3, p.
475‑482, sept. 2014, doi: 10.1007/s13246-014-0274-9.
[109] W. Du, S. H. Cho, X. Zhang, K. E. Hoffman, et R. J. Kudchadker, « Quantification of
beam complexity in intensity-modulated radiation therapy treatment plans: IMRT beam
complexity », Med. Phys., vol. 41, no 2, p. 021716, janv. 2014, doi: 10.1118/1.4861821.
[110] J. Götstedt, A. Karlsson Hauer, et A. Bäck, « Development and evaluation of aperture-
based complexity metrics using film and EPID measurements of static MLC openings:
Development and evaluation of aperture-based complexity metrics », Med. Phys., vol. 42,
no 7, p. 3911‑3921, juin 2015, doi: 10.1118/1.4921733.
[111] A. L. McNiven, M. B. Sharpe, et T. G. Purdie, « A new metric for assessing IMRT
modulation complexity and plan deliverability: New metric for assessing IMRT
complexity and deliverability », Med. Phys., vol. 37, no 2, p. 505‑515, janv. 2010, doi:
10.1118/1.3276775.
[112] M. Nauta, J. E. Villarreal-Barajas, et M. Tambasco, « Fractal analysis for assessing the
level of modulation of IMRT fields: Fractal analysis for assessing IMRT field
modulation », Med. Phys., vol. 38, no 10, p. 5385‑5393, sept. 2011, doi:
10.1118/1.3633912.
[113] L. Masi, R. Doro, V. Favuzza, S. Cipressi, et L. Livi, « Impact of plan parameters on
the dosimetric accuracy of volumetric modulated arc therapy: Plan parameters and VMAT
dosimetric accuracy », Med. Phys., vol. 40, no 7, p. 071718, juin 2013, doi:
10.1118/1.4810969.
[114] M. Hussein, C. H. Clark, et A. Nisbet, « Challenges in calculation of the gamma index
in radiotherapy – Towards good practice », Phys. Med., vol. 36, p. 1‑11, avr. 2017, doi:
10.1016/[Link].2017.03.001.
[115] D. A. Low, W. B. Harms, S. Mutic, et J. A. Purdy, « A technique for the quantitative
evaluation of dose distributions », Med. Phys., vol. 25, no 5, p. 656‑661, mai 1998, doi:
10.1118/1.598248.
[116] J. Park, J. Park, S. Oh, J. W. Yea, J. E. Lee, et J. W. Park, « Multi-criteria optimization
for planning volumetric-modulated arc therapy for prostate cancer », Plos One, vol. 16, no
9, p. e0257216, 2021, doi: 10.1371.
[117] B. Heijmen et al., « Fully automated, multi-criterial planning for Volumetric Modulated
Arc Therapy – An international multi-center validation for prostate cancer », Radiother.
Oncol., vol. 128, no 2, p. 343‑348, août 2018, doi: 10.1016/[Link].2018.06.023.
[118] S. Zieminski, M. Khandekar, et Y. Wang, « Assessment of multi‐criteria optimization (
MCO ) for volumetric modulated arc therapy ( VMAT ) in hippocampal avoidance whole

140
 Conclusion et perspectives

brain radiation therapy ( HA ‐ WBRT ) », J. Appl. Clin. Med. Phys., vol. 19, no 2, p.
184‑190, mars 2018, doi: 10.1002/a cm2.12277.
[119] E. Schreibmann et T. Fox, « Prior‐knowledge treatment planning for volumetric arc
therapy using feature‐based database mining », J. Appl. Clin. Med. Phys., vol. 15, no 2, p.
19‑27, mars 2014, doi: 10.1120/ja cmp.v15i2.4596.
[120] L. Vandewinckele et al., « Overview of artificial intelligence-based applications in
radiotherapy: Recommendations for implementation and quality assurance », déc. 2020,
Consulté le: 22 novembre 2021. [En ligne]. Disponible sur:
[Link]
[121] C. Villani, « Donner un sens à l’intelligence artificielle pour une stratégie nationale et
européenne ». [En ligne]. Disponible sur: [Link]
[Link]/data_storage_s3/rapport/pdf/[Link]
[122] « Assessment List for Trustworthy Artificial Intelligence (ALTAI) for self-
assessment ». [En ligne]. Disponible sur: [Link]
[Link]/en/library/assessment-list-trustworthy-artificial-intelligence-altai-
self-assessment
[123] C. Bremer, « Quarante-deux pays adoptent les nouveaux Principes de l’OCDE sur
l’intelligence artificielle », OCDE. [En ligne]. Disponible sur:
[Link]
[Link]
[124] L. Devillier et al., « Éthique de la recherche en apprentissage machine », juin 2017. [En
ligne]. Disponible sur: [Link]
[Link]/digitalAssets/53/53991_cerna___thique_apprentissage.pdf
[125] P. Mayles, A. Nahum, et J. Rosenwald, Handbook of Radiotherapy physics theory and
practice. Taylor & Francis Group, 2007.
[126] I. J. Chetty et al., « Report of the AAPM Task Group No. 105: Issues associated with
clinical implementation of Monte Carlo-based photon and electron external beam
treatment planning: AAPM Task Group Report No. 105: Monte Carlo-based treatment
planning », Med. Phys., vol. 34, no 12, p. 4818‑4853, nov. 2007, doi: 10.1118/1.2795842.
[127] A. F. Bielajew, Fundamentals of the Monte Carlo method for neutral and charged
particle transport. [En ligne]. Disponible sur:
[Link]
[128] A. Ahnesjö et M. M. Aspradakis, « Dose calculations for external photon beams in
radiotherapy », Phys. Med. Biol., vol. 44, no 11, p. R99, 1999, doi:
[Link]
[129] C.-S. Chui et R. Mohan, « Extraction of pencil beam kernels by the deconvolution
method: Extraction of pencil beam kernels », Med. Phys., vol. 15, no 2, p. 138‑144, mars
1988, doi: 10.1118/1.596267.
[130] C.-A. Azencott, Introduction au Machine Learning. 2018.
[131] L. Breiman, « Random forests », in Machine learning, vol. 45(1), 2001, p. 5‑32.
[132] M. S. Huq, I. J. Das, T. Steinberg, et J. M. Galvin, « A dosimetric comparison of various
multileaf collimators », Phys. Med. Biol., vol. 47, no 12, p. N159‑N170, juin 2002, doi:
10.1088/0031-9155/47/12/401.
[133] K. C. Younge, D. Roberts, L. A. Janes, C. Anderson, J. M. Moran, et M. M. Matuszak,
« Predicting deliverability of volumetric-modulated arc therapy (VMAT) plans using
aperture complexity analysis », J. Appl. Clin. Med. Phys., vol. 17, no 4, p. 124‑131, juill.
2016, doi: 10.1120/ja cmp.v17i4.6241.
141

141
 Références

[134] V. Beckendorf et al., « 70 Gy Versus 80 Gy in Localized Prostate Cancer: 5-Year

Results of GETUG 06 Randomized Trial », Int. J. Radiat. Oncol., vol. 80, no 4, p.
1056‑1063, juill. 2011, doi: 10.1016/[Link].2010.03.049.
[135] H. A. Gay et al., « Pelvic Normal Tissue Contouring Guidelines for Radiation Therapy:
A Radiation Therapy Oncology Group Consensus Panel Atlas », Int. J. Radiat. Oncol.,
vol. 83, no 3, p. e353‑e362, juill. 2012, doi: 10.1016/[Link].2012.01.023.
[136] C. S. Mayo et al., « Standardizing Nomenclatures in Radiation Oncology », y American
Association of Physicists in Medicine, 263, janv. 2018. [En ligne]. Disponible sur:
[Link]

142
Conclusion et perspectives

ANNEXES

143

143
 Annexes

1. INTERACTIONS PARTICULES-MATIERE

• Un photon incident interagit avec la matière par :

∟ Effet photo électrique : Transfert intégral de l’énergie du photon à un électron et l’énergie
de l’électron est égale à celle du photon moins l’énergie de liaison.
∟ Effet Compton (diffusion inélastique) : Le photon incident transfère une partie de son
énergie à un électron et l’autre partie à un photon (avec un angle d’incidence)
∟ Création de paires : L’énergie du photon incident est convertie en une paire positron-
électron.
∟ Diffusion élastique : Le photon incident transfère une partie négligeable de son énergie à
l’atome et sa trajectoire est déviée.

• Une particule chargée incidente (électron) interagit avec la matière par :

∟ Interaction élastique : L’électron ne transfère pas ou peu d’énergie à l’atome et sa
trajectoire est déviée.
∟ Excitation d’un électron : L’électron primaire transfère une grande partie de son énergie à
un électron secondaire qui change d’orbitale atomique. En se désexcitant, l’électron
secondaire émet un photon X.
∟ Ejection d’un électron secondaire : L’électron primaire transfère suffisamment d’énergie à
un électron secondaire (peu lié au noyau) pour l’éjecter de l’atome.
∟ Ionisation : L’électron primaire transfère suffisamment d’énergie à un électron secondaire
(très lié au noyau) pour l’éjecter de l’atome. Dans le but de revenir à un état stable, un
électron moins lié au noyau peut changer d’orbitale atomique et libérer un photon X. Ce
photon peut également interagir, au sein du même atome, avec un nouvel électron peu lié
et l’éjecter. Le second électron éjecté est appelé électron Auger.
∟ Bremmstrahlung ou rayonnement de freinage : Un électron interagit avec un noyau, sa
perte d’énergie implique une déviation de sa trajectoire, un freinage et l’émission d’un
photon X correspondant à la perte d’énergie.

144
 Algorithmes de calcul de dose

2. ALGORITHMES DE CALCUL DE DOSE

ALGORITHMES MONTE-CARLO

La méthode statistique « Monte-Carlo » simule le transport des particules depuis leur création et
jusqu’au dépôt de toute ou d’une très grande partie de leur énergie. Ce calcul repose sur la
génération de nombres aléatoires répondant aux probabilités des différents paramètres
d’interactions. Le processus est divisé en sept étapes, listées dans [125] p79 et expliquées dans
[126], [127]:

1. Initialisation des conditions des particules incidentes : l’énergie, position et direction initiale.
2. Lieu de l’interaction : distance entre la position initiale et la première interaction en prenant en
compte les matériaux dans lesquels la particule se déplace.
3. Type d’interaction : section efficace des différents types d’interactions énumérées dans le
chapitre précédent.
4. Simulation de l’interaction : perte d’énergie, déflection angulaire, nouvelles particules créées,
nouvelle position.
5. Transport des nouvelles particules jusqu’à leur sortie de la géométrie d’intérêt ou bien que leur
énergie soit en dessous d’une valeur seuil : l’énergie de coupure.
6. Stockage des particules secondaires : dose déposée, fluence, spectre, espace de phase.

Le processus est répété autant de fois que nécessaire afin d’obtenir de faibles incertitudes
statistiques. Par exemple, une précision acceptable (1 à 3 %) nécessite la simulation de plusieurs
dizaines de millions de photons incidents, engendrant un temps de calcul pouvant atteindre
plusieurs jours.

Le calcul de dose avec Monte-Carlo est très précis particulièrement pour les calculs en milieux
hétérogènes. De ce fait, il nécessite une modélisation précise du milieu dans lequel la particule
évolue (tête de l’accélérateur, le patient, etc.). Il existe de nombreux codes Monte-Carlo :
GEANT4, PENELOPE, MNCP, etc. intégrés dans les TPS mais simplifiés de manière à gagner du
temps de calcul.

145

145
 Annexes

ALGORITHME DE DECOUPAGE EN ELEMENTS FINIS : CONVOLUTION /

SUPERPOSITION DE KERNELS

Les méthodes de découpage tirent leurs noms de la décomposition en composantes primaires et

diffusées et du volume diffusant. Ainsi, les interactions des photons primaires sont séparées du
transport de l’énergie dues aux particules induites par cette interaction [128].

Les algorithmes de calcul de dose par superposition/convolution de kernels opèrent par le biais de
2 composantes :
• L’énergie totale libérée par unité de masse (TERMA) qui est l’énergie cédée au milieu lors
de l’interaction avec le photon primaire.
• Le kernel de dose représentant la distribution d’énergie déposée par les particules
secondaires autour du site de l’interaction de la particule primaire.

Dans un premier temps, la fluence énergétique primaire est calculée : Ѱ(𝑟 ′ ) sert à pondérer
l’influence des interactions dans Le TERMA (Total Energy Released to Mass) 𝑇(𝑟 ′ ), où 𝑟 ′
symbolise la position de l’interaction.

µ
𝑇(𝑟 ′ ) = Ѱ(𝑟 ′ ) (A-1)
𝜌
𝑁𝐸 (𝑥, 𝑦). 𝐸
Ѱ(𝑥, 𝑦) = ∑ (A-2)
𝛥𝐴
𝐸

µ
Avec 𝜌 l’atténuation, Ѱ(𝑥, 𝑦)la fluence, 𝑁𝐸 le nombre de photons incidents ayant une énergie E et

𝛥𝐴 une surface

Dans un second temps l’énergie est déposée autour du point d’interaction dans un milieu infini.
Elle est appelée dose élémentaire ou Kernel. Cette dernière se calcule par opération de
déconvolution de mesure dans l’eau [129] ou, est pré-calculée par Monte-Carlo pour des photons
mono énergétiques et combinés pour tenir compte du spectre en énergie.

𝐾𝑒𝑟𝑛𝑒𝑙 = 𝐾(𝑟 − 𝑟′) (A-3)

146
 Algorithmes de calcul de dose

Où 𝑟 est la position du calcul de dose

Les kernels sont représentés sous forme de point, de pinceau ou de plan [19], [20].

Finalement, la dose est l’intégrale sur le volume du TERMA multiplié par le Kernel ou convoluée
dans l’espace de Fourrier (calculs plus rapides) :

µ
𝐷(𝑟⃗) = ∫ Ѱ(𝑟⃗ ′) 𝐾(𝑟⃗ − 𝑟⃗ ′)𝑑𝑉 (A-4)
𝑉 𝜌
Pour résoudre cette intégrale, les doses élémentaires sont « superposées » ou sommées :

𝑁
µ µ
𝐷(𝑟⃗) = ∫ Ѱ(𝑟⃗ ′) 𝐾(𝑟⃗ − 𝑟⃗ ′) = ∑ Ѱ(𝑟⃗𝑛′ ) 𝐾(𝑟⃗ − 𝑟⃗𝑛′ ) (A-5)
𝑉 𝜌 𝜌
𝑛

Les algorithmes de convolution / superposition ont l’avantage de prendre en compte le transport

des électrons et d’avoir un temps de calcul raisonnable (dépendant de la forme du kernel).

147

147
 Annexes

3. LE PLATEAU TECHNIQUE DU GROUPE ORION-PASTEUR

Le Novalis STX® (Varian Medical Systems, Palo Alto):

Le Novalis est un accélérateur de particules linéaire

capable de générer des faisceaux d’électrons ou de
photons allant de 6 MV à 25 MV grâce à sa section
accélératrice et son Klystron. Il est conçu pour des
traitements de haute précision (stéréotaxie) et
possède un MLC HD120 comportant 120 paires
lames, dont 60 (les centrales) ont une largeur de 2.5
mm tandis que les lames plus excentrées sont larges
de 5 mm. En outre, il est équipé du système

Figure A-3-1 - Novalis Tx (Varian Medical Systems, Palo ExaTrac® (CA-Brainlab AG, Munchen, Germany)
Alto, CA-Brainlab AG, Munchen, Germany)
pour le repositionnement des patients.

L’Halcyon® (Varian Medical Systems, Palo Alto):

L’Halcyon est un accélérateur de particules

linéaire créé pour délivrer les traitements
rapidement. Il est équipé d’un magnétron et
d’une section accélératrice perpendiculaire à la
table de traitement capable de fournir des
faisceaux de photons de 6MV. Il est doté de deux
MLC (l’un remplace la seconde collimation)
Figure A-3-2 - Halycon (Medical Systems, Palo Alto)
ayant des lames de 1 cm de large. Les MLC sont
décalés de 5 mm sur l’axe des lames, limitant
ainsi les fuites inter-lames.

148
 Le plateau technique du groupe ORION-Pasteur

Le VERO™ (Brainlab, AG, Munchen, Germany) ;

Le VERO est un accélérateur linéaire de

particules dédié aux traitements
stéréotaxiques (SBRT). Il délivre des photons
d’énergies de 6MV. Le VERO possède une
tête d’irradiation montée sur un anneau et
pouvant bouger pendant l’irradiation suivant
deux axes, permettant de réaliser des
traitements en Dynamic Tracking en temps

Figure A-3-3 – VERO (CA-Brainlab AG, Munchen, Germany) réel afin de suivre la tumeur au cours du
traitement.

Le VERO permet également de réaliser des traitements en combinant la rotation de l’anneau et du

bras : dynamic wave arc. La table de traitement permet de réaliser des mouvements en 5D sur le
roulis (l’axe classique de l’arcthérapie) et le lacet (grâce à une plateforme sous l’accélérateur).

149

149
 Annexes

4. RESEAU DE NEURONES CONVOLUTIF

Un réseau de neurones convolutif est composé d’un étage de convolution pour extraire les
informations importantes de l’image et d’un étage de classification pour attribuer une classe à
l’image étudiée : ces étages sont détaillés ci-dessous :

ETAGE DE CONVOLUTION

L’étage de convolution est propre aux réseaux de neurones convolutifs. Il met en évidence les
zones d’intérêt d’une image. Dans ce but, l’image subit plusieurs transformations : la convolution,
la correction, le pooling, et la concaténation.

CONVOLUTION ET CORRECTION

La convolution filtre l’image afin de faire ressortir les

zones d’intérêt. Chaque filtre correspond à une
caractéristique (couleurs, contours, formes, etc.). Une
carte d’activation est alors donnée pour chaque couple
image/filtre.

L’exemple dans la Figure A-4-1 illustre l’opération d’une

seule convolution entre un filtre de 3x3 et une image voxelisée en 4x4. Généralement, plusieurs
Figure A-4-1 - Schéma d'une opération de opérations de convolution sont exécutées les unes à la
convolution sur une image voxelisée
suite des autres.

Par exemple, la valeur du voxel en vert sur la Figure A-4-1 est située sur la deuxième ligne et la
deuxième colonne (coordonnées 2,2) de la carte d’activation. Il est la somme de chaque voxel du
filtre (par exemple 𝑎11 ) multipliée par la valeur du voxel de l’image correspondant (𝑥11 ). Ainsi, la
valeur du voxel de la carte d’activation est donnée par la formule (A-6) :

𝑡𝑎𝑖𝑙𝑙𝑒 𝑑𝑢 𝑓𝑖𝑙𝑡𝑟𝑒 𝑒𝑛 ℎ𝑎𝑢𝑡𝑒𝑢𝑟 𝑡𝑎𝑖𝑙𝑙𝑒 𝑑𝑢 𝑓𝑖𝑙𝑡𝑟𝑒 𝑒𝑛 𝑙𝑎𝑟𝑔𝑒𝑢𝑟

𝑗 𝑗
∑ ∑ 𝑎𝑖 ∗ 𝑥𝑖 (A-6)
𝑖=1 𝑗=1

150
 Réseau de neurones convolutif

Une correction des valeurs est appliquée après chaque opération de convolution. Le plus souvent,
cette opération est une Rectified Linear Unit (ReLU) qui attribue 0 à toutes les valeurs négatives
de la convolution. Dans le cas des réseaux de neurones convolutifs, les filtres ne sont pas choisis
par l’utilisateur, mais par le réseau lui-même grâce à son apprentissage.

POOLING ET CONCATENATION

Le pooling réduit le nombre de voxels pour ne garder que les

informations importantes de l’image, afin de simplifier les calculs
et d’augmenter la rapidité du réseau.

Les opérations de pooling sont réalisées après une ou plusieurs

opérations de convolutions et corrections. L’image est découpée
en plusieurs zones de tailles égales, zones de 4x4 voxels appelés
a, b, c et d dans la Figure A-4-2 et chacune de ces zones est réduite
à un voxel. Dans l’objectif de ne garder qu’une valeur, le pooling
moyenne ses valeurs d’entrée ou ne garde que la valeur la plus
élevée. Les opérations de pooling sont calculées autant de fois
qu’il y a de cartes d’activations. Figure A-4-2 - Schéma de la fonction
Pooling d'un réseau de neurones
convolutif
La concaténation est la dernière étape de l’étage de convolution,
celle-ci a pour but de réunir toutes les valeurs de la dernière couche de pooling en un vecteur, qui
sera le vecteur d’entrée de l’étage de classification.

ETAGE DE CLASSIFICATION

151

151
 Annexes

LE NEURONE FORMEL

Un neurone formel est une fonction

mathématique reproduisant le fonctionnement
du neurone biologique. Le cas du neurone de
McCulloch et Pitts [5] est illustré dans la Figure
A-4-3 ci-contre. Le neurone est relié aux
entrées (e sur la Figure A-4-3) par des poids
synaptiques (w sur la Figure A-4-3) qui
traduisent l’importance d’une valeur d’entrée
pour le neurone : plus le poids est élevé, plus
Figure A-4-3- Schéma du neurone formel de McCulloch et Pitts
l’information est importante. Le neurone de
McCulloch et Pitts fait une somme pondérée sur ces entrées, à laquelle, il applique une fonction
d’activation (fonction échelon) pour activer le neurone lorsque la somme pondérée est supérieure
ou égale à un seuil. D’autres fonctions d’activations existent : Sigmoïde, Identité, Rectifier, etc.

Un biais peut être ajouté en entrée du neurone dans le but de décaler la valeur du seuil de la fonction
d’activation. Par exemple, si le biais est égal à -3 et le seuil vaut 0, alors la somme pondérée des
entrées devra être supérieure ou égale à 4 pour activer le neurone.

Plusieurs types de neurones formels existent, leurs différences résident dans les opérations entre
valeurs d’entrées :

• Neurone de McCulloch et Pitts : Somme pondérée des entrées.

• Neurone à base radiale : Somme des différences entre les entrées et des valeurs de références.
• Neurone ∑-∏ : Somme pondérée du produit des entrées.

Un réseau de neurones est une suite de neurones formels, reliés entre eux sous forme d’étage ou
de couche. Ceux-ci sont décrits dans le paragraphe suivant.

152
 Réseau de neurones convolutif

RESEAU DE NEURONES

Le perceptron est un système avec une couche

unique ou un seul neurone dans le cas des
classifications binaires. Cependant, son architecture
n’est pas assez profonde pour être nommée Deep
Learning. Un perceptron multicouche (réseau de
neurones) schématisé dans la Figure A-4-4, est Figure A-4-4 - Schéma du perceptron multicouche
construit en ajoutant des couches de neurones (notés
n) supplémentaires entre la couche d’entrée et la couche de sortie. Chaque neurone d’une couche
possède en entrée tous les neurones de la couche précédente pondérés par leurs poids synaptiques.

Finalement, l’étage de classification dispose en sortie d’autant de neurones que de classes pour
lesquels le réseau est entraîné. Si le réseau est entraîné pour classifier des chats, des chiens et des
lapins, il aura trois neurones sur sa couche de sortie chacun étant associé à l’une de ces classes.
Enfin, les résultats des derniers neurones correspondent à la probabilité que l’image appartienne à
sa classe associée (Figure A-4-4).

APPRENTISSAGE DE L’ETAGE DE CLASSIFICATION

Un réseau de neurones dit « supervisé » apprend à partir d’une base de données où chacune porte
une étiquette (ou label) de sa valeur attendue. Un réseau de neurones est dit « entraîné » quand ses
poids synaptiques sont ajustés afin que celui-ci retourne un résultat proche de l’étiquette de la
donnée d’entrée.

Pour son apprentissage, le réseau de neurones est, dans un premier temps, initialisé avec des
valeurs aléatoires ou nulles de poids synaptiques. Ensuite, le réseau modifie ces poids pour chaque
nouvelle image qu’il reçoit : c’est la propagation. Une fois que le réseau propose une réponse,
celle-ci est comparée la réponse attendue (L’étiquette de l’image). S’il y a une différence entre la
réponse et la réponse attendue, alors, une correction est réalisée, le réseau ajuste ses poids
synaptiques en commençant par ceux de la couche sortie et en allant vers ceux de la couche
d’entrée : c’est la rétropropagation.

153

153
 Annexes

5. MODELES DE SEGMENTATION D’ORGANES

ORGANES SEGMENTES PAR LE DL DE RAYSTATION

Tableau A-5-1 - Liste des organes segmentés automatiquement dans RayStation v11B avec le DL et en fonction du site
anatomique

Tête et cou Thorax Abdomen Pelvis

Cerveau Poumons Reins Vessie
Yeux Moelle épinière Foie Têtes fémorales
Tronc cérébral Seins Rate Rectum
Mandibule Ganglions lymphatiques Estomac Prostate
Parotides Trachée Queue de chevale
Oreilles internes Sternum
Œsophage Thyroïde
Canal médullaire Têtes humérales
Moelle épinière Artère interventriculaire
Cristallins antérieure gauche
Nerfs optiques
Chiasma optique
Fosse postérieure
Larynx
Cochlées
Glandes lacrymales
Poumons
Cavité buccale
Pituitary
Base linguale
Trachée
Lèvres
Glandes sous maxillaires
Glandes nasolacrymales

154
 Modèles de segmentation d’organes

ORGANES SEGMENTES PAR MBS

Tableau A-5-2 - Liste des organes segmentés automatiquement dans RayStation v9B avec le MBS et en fonction du site
anatomique

Tête et cou Thorax Abdomen Pelvis

Cerveau Poumons Reins Vessie
Yeux Moelle épinière Foie Têtes fémorales
Tronc cérébral Rate Utérus
Mandibule Col de l’utérus
Parotides Prostate

155

155
 Annexes

6. ARBRES DE DECISION ET FORETS ALEATOIRES

Les arbres de décision représentent des séries de

choix. Chaque décision que l’arbre prend (les
branches) entraîne de nouveaux choix (les
nœuds), jusqu’aux résultats (les feuilles) [130].
Un arbre a un apprentissage supervisé : il est
entraîné avec des données labélisées, c’est-à-dire
que chaque donnée a une étiquette indiquant son
résultat. Les feuilles sont les résultats que peut Figure A-6-1 - Schéma d'un arbre de décision

donner l’arbre et les nœuds représentant des

paramètres qui différencient les branches entre elles : ce qui distingue un choix d’un autre est une
variable séparatrice.

Faire « pousser » ou entraîner un arbre, revient à créer un

espace de partitionnement où chaque feuille correspond à
une région délimitée par une variable séparatrice. Toute
observation se trouvant dans la même région aura alors le
même résultat.

Cet algorithme est appelé Classification And Regression

Tree (CART) car il sert à classifier (Classificiation) et à
Figure A-6-2 - Schéma du partitionnement de
l’arbre de décision prédire une quantité réelle (Regression). Seul, un arbre de
décision ne donne pas un résultat fiable ; ils sont alors regroupés en forêts aléatoires. Breiman et
son équipe détaille cet algorithme dans [131]:

Les forêts aléatoires sont des techniques utilisant l’échantillonnage Bootstrap et l’agrégation. Le
Bootstrap réduit la variance des prédictions en entraînant les arbres sur des sous-échantillons
(définis aléatoirement) d’une même base de données. L’agrégation utilise les estimations des
arbres pour un vote ; la prédiction donnée majoritairement est la valeur retenue par la forêt
aléatoire.

156
 Distribution de dose a priori avec des Atlas de forêts aléatoires

7. DISTRIBUTION DE DOSE A PRIORI AVEC DES ATLAS DE FORETS

ALEATOIRES

ATLAS REGRESSION FOREST (ARF) POUR L’ESTIMATION DE LA DOSE

Notations Significations

𝐏𝐣 Le plan j de l’ensemble des plans P

𝐱 de Ω Le voxel x de l’ensemble des voxels Ω

𝐯 de Ω Sous-ensemble de voxels v appartenant à l’ensemble des voxels Ω

𝐝𝐣,𝐱 La distribution de dose d sur un voxel x d’un plan Pj

𝐅𝐡,𝐣,𝐱 Le paramètre image h sur le voxel x dans le plan Pj

𝐧 Sous-ensembles n de paramètres image choisi aléatoirement

𝐅∗,𝐣,𝐱 Les paramètres image F sur le voxel x dans le plan Pj

𝐓𝐭,𝐣 L’arbre t de l’Atlas T du plan Pj
* Ensemble des données (ex : tous les paramètres, tous les voxels, tous les arbres …)

L’Atlas Tj est l’ensemble des forêts entraînées sur le même plan Pj, où l’on connait la distribution
de dose dj,* sur tous les voxels (la distribution de dose pour un voxel x étant notée dj,x), induite par
tous les paramètres image de chaque voxels F*,j,* (Le paramètre image h d’un voxel 𝑥étant noté
Fh,j,x ).

Un arbre de l’Atlas Tj noté Tt,j est entraîné pour un sous-ensemble aléatoire de voxels v. Les
variables séparatrices de l’espace sont les paramètres Fn,j,v ou n est un nombre de paramètres
aléatoires par voxel.

L’arbre a donc des échantillons de paramètres images particuliers notés fj = F*,j,x qui permettent de
le traverser depuis la racine jusqu’aux feuilles. Ces échantillons sont utilisés pour estimer la
probabilité d’un arbre de l’Atlas Tt,j de distribution de dose dj,x, dans un voxel x pour le plan Pj ,
connaissant les échantillons de paramètres particuliers fj.
157

157
 Annexes

𝑃𝑡,𝑗 (𝑑𝑗,𝑥 |𝑓) (A-7)

Cette opération est répétée sur tous les arbres de l’Atlas. Ainsi la probabilité de distribution de
dose dj,x, pour tout l’Atlas T, connaissant les paramètres particuliers fj est la somme des probabilités
(pour tous les arbres T*,j) de distribution de dose dj,x, dans un voxel x pour le plan Pj, connaissant

𝑃∗,𝑗 (𝑑𝑗,𝑥 |𝑓𝑗 ) = ∑ 𝑃𝑡,𝑗 (𝑑𝑗,𝑥 |𝑓𝑗 ) (A-8)

𝑡

les échantillons de paramètres particuliers fj

L’Atlas est ensuite testé avec une nouvelle image Ia , pour laquelle, les paramètres fa = F*,a,x
traversent tous les arbres de l’Atlas Tj. La probabilité de distribution de dose relative à l’Atlas Tj
et aux paramètres image fa ∶ 𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝑓𝑎 , 𝑇𝑗 ) est alors calculée. La prédiction dose sur le voxel x

𝑑𝑎,𝑥 = max (𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝑓𝑎 )) (A-9)

𝑑̃𝑎,𝑥 = max (𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝑓𝑎 )) (A-10)

𝑑̃𝑎,𝑥 de l’image Ia et la prédiction de dose totale 𝑑̃𝑎 sont estimées comme des Maximum a
posteriori (MAP) :

CONDITIONAL RANDOM FIELD POUR L’ESTIMATION DE LA DOSE EN FONCTION

DE LA ROI

L’estimation donnée par l’Atlas est optimisée par Conditional Random Field (CRF). Les
développeurs ont choisi dans [102] d’introduire une probabilité de distribution de dose a priori,
dépendante de l’appartenance du voxel x à une région d’intérêt : ROI. Son appartenance est donnée
par le vecteur binaire R(x). Ainsi la dose totale estimée de l’image Ia est le produit sur les voxels,
des probabilités de distribution de dose 𝑃∗,𝑗 (𝑑𝑎,𝑥 ) connaissant les paramètres image fa multiplié
par la probabilité distribution de dose 𝑃(𝑑𝑎,𝑥 ) sachant dans quel ROI le voxel se trouve.

𝑑̃𝑎 = max (∏ 𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝑓𝑎 ) 𝑃 (𝑑𝑎,𝑥 |𝑅(𝑥))) (A-11)

𝑥

158
 Distribution de dose a priori avec des Atlas de forêts aléatoires

Notons que les prédictions ne considèrent les paramètres que d’un voxel x, mais, la dose dans un
voxel dépend du contexte (positions et apparences des structures voisines). Il faut alors pouvoir
calculer 𝑃(𝑑𝑎,𝑥 |𝐹∗,𝑎,∗ ) : la probabilité de distribution de dose dans un voxel x sur une image Ia
connaissant tous les paramètres de chaque voxels de Ia. Pour réaliser un tel calcul l’algorithme
somme les 𝑃∗,𝑎 (𝑑𝑎,𝑥 |𝑓𝑎 ) sur plusieurs atlas. La probabilité de distribution de dose de l’image Ia
tenant compte du contexte devient alors :

Où 𝑃(𝑇𝑗 |𝐹∗,𝑎,∗ ) représente la vraisemblance (fonction des paramètres d'un modèle statistique
calculée à partir de données observées) de l’Atlas Tj par rapport aux paramètres image de Ia (joue
le rôle d’un poids). En effet, plus l’Atlas Tj est pertinent pour cette image, plus 𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝐹∗,𝑎,𝑥 , 𝑇𝑗 )
sera pris en compte dans la somme.
𝑀

𝑃(𝑑𝑎,𝑥 |𝐹∗,𝑎,∗ ) = ∑ 𝑃∗,𝑗 (𝑑𝑎,𝑥 |𝐹∗,𝑎,𝑥 , 𝑇𝑗 )𝑃(𝑇𝑗 |𝐹∗,𝑎,∗) (A-12)

𝑗=1

SELECTION D’ATLAS

La sélection d’Atlas sert à sélectionner les ARF les plus pertinentes, en mesurant les différences
entre la distribution de dose apprise par un arbre et la distribution de dose réelle. Cette mesure se
fait grâce à la distance de Bhattacharyya. La distance est calculée avec la valeur de la feuille
correspondante à la dose prédite pour un arbre Tt,j. Pour calculer la distance de Bhattacharyya
finale sur un Atlas Tj : une nouvelle forêt aléatoire est créée (pRF) prenant en entrée les distances
de Bhattacharrya de chaque arbre. Ce calcul permet d’ignorer les feuilles avec des valeurs
aberrantes. Finalement, la précision d’un Atlas se calcule comme la somme des pRF sur ces
feuilles.

159

159
 Annexes

8. INDICES DE COMPLEXITE

Les acronymes servant à la compréhension des indices de complexités sont listés dans le Tableau
3-8-1 ci-dessous,

Tableau 3-8-1 : Listes des acronymes utilisés pour le calcul des indices de complexité

Acronymes Définition de l’acronyme

P Le plan concerné
MU Unités moniteurs délivrées par le plan P
B Le nombre de faisceaux dans le plan P
b Le faisceau concerné dans le plan P
MUb Unités moniteurs délivrées par le faisceau b
Wb Le poids du faisceau b dans le plan P (rapport des unités moniteur b/P)
Sb Le nombre de segments dans le faisceau b
sb Le segment concerné dans le faisceau b
MUb,s Unités moniteurs délivrées par le segment s dans le faisceau b
Wb,s Le poids du segment s dans le faisceau b (rapport des unités moniteur s/b)
Nb,s Le nombre de lames du collimateur (pour un seul banc) dans le segment s et le
faisceau b
nb,s Le numéro de la lame concernée (pour un banc donné droit ou gauche), dans le
segment s du faisceau b
AAb,s Aire de l’ouverture des lames dans le segment s du faisceau b
APb,s Périmètre de l’ouverture des lames dans le segment s du faisceau b
p n,left,b,s Position de la lame n du banc gauche pour le segment s et du faisceau b
p n,right,b,s Position de la lame n du banc droit pour le segment s et du faisceau b

160
 Indices de complexité

LE PARCOURS DE LAMES : LEAFS TRAVEL (LT)

Le parcours d’une lame (LTn,right,b) représente la

distance parcourue par cette lame (right ou left) dans
un segment [113]:

𝑠=𝑆𝑏

𝐿𝑇𝑛,𝑟𝑖𝑔ℎ𝑡,𝑏= ∑ ||𝑝𝑛,𝑟𝑖𝑔ℎ𝑡,𝑏,𝑠−1 − 𝑝𝑛,𝑟𝑖𝑔ℎ𝑡,𝑏,𝑠 || (A-13)

𝑠=2

LTmean est la moyenne de tous les parcours de lames

tout au long du faisceau « b » (équation (A-14)) :

∑𝑛=𝑁 𝑏
𝑛=1 𝐿𝑇𝑛,𝑟𝑖𝑔ℎ𝑡,𝑏+ 𝐿𝑇𝑛,𝑙𝑒𝑓𝑡,𝑏
𝐿𝑇𝑚𝑒𝑎𝑛,𝑏 = (A-14)
2𝑁
L’indice de parcours de lame LTb est la différence du
parcours moyen des lames (en mm) d’un faisceau
« b » par rapport à 1000 mm (équation (A-15)) et le
parcours de lame du plan LTplan est le parcours des
lames d’un faisceau pondéré par le rapport des UM
dans l’équation (A-16).

Figure A-8-1 - Parcours de la lame 5 gauche sur deux

segments s=1 et s=2 d'un même faisceau « b »

1000 − 𝐿𝑇𝑚𝑒𝑎𝑛,𝑏
𝐿𝑇𝑏 = (A-15)
1000
𝐵 𝑀𝑈𝑏
𝐿𝑇𝑝𝑙𝑎𝑛 = ∑ 𝐿𝑇𝑏 × 𝑊𝑏 𝑎𝑣𝑒𝑐 𝑊𝑏 = (A-16)
𝑏=1 𝑀𝑈

Un parcours de lame proche de 0 signifie que le plan est peu complexe, à l’inverse, un parcours de
lame égal à 1 ou plus signifie que le plan est très complexe.

161

161
 Annexes

L’ECART MOYEN PAR PAIRE DE LAMES : AVERAGE LEAFS GAP (ALG)

L’écart entre une paire de lames est la distance entre deux

lames face à face (sur des bancs différents). L’écart moyen
est la somme des écarts entre chaque paire de lames, pour
tous les segments et divisée par le nombre de paires de
lames et le nombre de segments. Plus l’écart moyen est
petit, plus le plan est complexe [112].

∑𝑛=𝑁 𝑠=𝑆
𝑛=1 ∑𝑠=1 ||𝑝𝑛,𝑟𝑖𝑔ℎ𝑡,𝑏,𝑠 − 𝑝𝑛,𝑙𝑒𝑓𝑡,𝑏,𝑠 || (A-17)
ALG =
𝑁×𝑆
Figure A-8-2 - Leaf Gap pour une paire de lames
positionnées en n=5, d'un segment « s », pour un
faisceau « b »
EDGE METRIC (EM)

L’EM décrit la complexité de l’ouverture du MLC. Il

est directement lié à l’effet « Tongue and Groove »
[132]. Cet indice se calcule avec le rapport des écarts
(gaps) entre chaque paire de lames et le périmètre
d’ouverture du MLC : les éléments x (composante
longitudinale de l’ouverture des lames) et y
(composante latérale de l’ouverture des lames) sont
illustrés par Figure A-8-3. Ces éléments sont ensuite
pondérés par les facteurs C1 et C2. L’équipe de Younge
et al définit C1=0 et C2 =1 car cela correspond à la plus
Figure A-8-3 - Eléments "x" en bleu et "y" en rouge de
l'ouverture d'un MLC pour un segment "s" donné grande corrélation entre l’indice et l’erreur de mesure
pré-traitement [133]. Cet indice varie entre 0 (peu complexe) et 10 (très complexe).

𝑆
𝐶1 𝑥𝑠 + 𝐶2 𝑦𝑠 𝑀𝑈𝑏,𝑠
𝐸𝑀𝑏 = ∑ 𝑊𝑏,𝑠 × 𝑎𝑣𝑒𝑐 𝑊𝑏,𝑠 = (A-18)
𝐴𝐴𝑏,𝑠 𝑀𝑈𝑏
𝑠=1

162
 Indices de complexité

IRRÉGULARITÉ DE PLAN: PLAN IRREGULARITY (PI)

L’irrégularité de plan quantifie la différence entre les formes d’ouverture du MLC de chaque point
de contrôle et chaque faisceau par rapport à un cercle [109]. Il tient compte de :

• L’aire du segment AAbs équation (A-19) : La somme des aires entre chaque paire de lames d’un
segment « s » du faisceau « b ».
𝑁
𝐴𝐴𝑏,𝑠 = ∑ 𝑡𝑛 × ||𝑝𝑛,𝑙𝑒𝑓𝑡,𝑠,𝑏 − 𝑥𝑛,𝑟𝑖𝑔ℎ𝑡 , 𝑠, 𝑏|| (A-19)
𝑛

• Le périmètre du segment APb,s : La somme des éléments « x » et « y » d’un segment « s » du

faisceau « b ».

• L’irrégularité du champ AIb,s équation (A-20) : Le rapport du périmètre du champ (APbs) au

carré sur, l’aire du champ (AAb,s) multiplié par 4 𝜋.
2
𝐴𝑃𝑏,𝑠
𝐴𝐼𝑏,𝑠 = (A-20)
4𝜋 × 𝐴𝐴𝑏,𝑠

• L’irrégularité du faisceau : BIb équation (A-21) : Somme des irrégularités de champ de chaque
segment « s » pondérés par le ratio des UM.
𝑆 (A-21)
𝐵𝐼𝑏 = ∑ 𝑊𝑏,𝑠 × 𝐴𝐼𝑏,𝑠
𝑠=1

Où tn, est la largeur de la nième lame et (𝑥𝑛,𝑙𝑒𝑓𝑡 −

𝑥𝑛,𝑟𝑖𝑔ℎ𝑡 ) l’écart (gap) entre la paire de lames situé à la
nième position.

Finalement, l’irrégularité du plan est la somme des

irrégularités des faisceaux pondérés par le ratio des
UM. L’indice d’irrégularité de plan vaut 1 quand les
Figure A-8-4 - Aire (jaune) et périmètre (vert)
ouvertures de segments forment un cercle parfait. d'ouverture de lame du MLC pour un segment « s » et
un faisceau « b » donnés

𝐵 (A-22)
𝑃𝐼 = ∑ 𝑊𝑏 × 𝐵𝐼𝑏
𝑏=1

163

163
 Annexes

SCORE DE COMPLEXITE DE MODULATION (MSC)

L’indice de complexité de modulation est la

combinaison, sur chaque segment, de la variation
géométrique des lames Leaf Sequence Variability (LSV)
et de la variabilité d’ouverture du faisceau appelée
Aperture Aera Variability (AAV) [111], [113]. Cet
indice varie de 0 (très complexe) à 1 (peu complexe).
𝑆

𝑀𝑆𝐶 = ∑ 𝐴𝐴𝑉𝑠 × 𝐿𝑆𝑉𝑠 × 𝑊𝑏,𝑠 (A-23)

𝑠=1

La variation d’ouverture du faisceau (AAV) quantifie

l’écart entre chaque paire de lames (flèches violettes sur
la Figure A-8-5), par rapport à l’écart maximal de cette
même paire de lames sur tous les segments du faisceau.

∑𝑁−1
𝑛=1 𝑝𝑛 𝑙𝑒𝑓𝑡,𝑠,𝑏 − 𝑝𝑛 𝑟𝑖𝑔ℎ𝑡,𝑠,𝑏
𝐴𝐴𝑉𝑠 = (A-24)
𝑁×(max (𝑝𝑛 𝑙𝑒𝑓𝑡,𝑏 ) − max (𝑝𝑛 𝑟𝑖𝑔ℎ𝑡,𝑏 ))

La variation géométrique de lame (LSV) calcule les

Figure A-8-5 - Variation géométrique de lames et
variabilité de l'ouverture de lame pour un segment « s » différences de positions entre une lame et les lames qui
donné d'un faisceau « b »
l’entourent (lames au-dessus et en dessous sur le même
banc sont schématisées en jaune sur la Figure A-8-5) par rapport à la différence de position
maximale entre toutes les lames ouvertes sur ce segment et sur un même banc (flèches rouges et
roses).

∑𝑁−1
𝑛=1 𝑝𝑚𝑎𝑥 − (𝑝𝑛,𝑠,𝑏 − 𝑝𝑛+1,𝑠,𝑏 ) ∑𝑁−1
𝑛=1 𝑝𝑚𝑎𝑥 − (𝑝𝑛,𝑠,𝑏 − 𝑝𝑛+1,𝑠,𝑏 )
𝐿𝑆𝑉𝑠 = [ ] × [ ] (A-25)
(𝑁 − 1)×𝑝𝑚𝑎𝑥 (𝑁 − 1)×𝑝 𝑚𝑎𝑥
𝑙𝑒𝑓𝑡 𝑏 𝑟𝑖𝑔ℎ𝑡 𝑏

164
 Bases de données et attendus dosimétriques de l’entraînement des IA

9. BASES DE DONNEES ET ATTENDUS DOSIMETRIQUES DE

L’ENTRAINEMENT DES IA

TRAITEMENT DU PELVIS

Le traitement d’un pelvis ne requiert qu’un scanner de planification pour le contourage des régions
d’intérêt mais une IRM peut être associée pour mieux distinguer les volumes cibles.

Le CTV est la prostate ou loge prostatique (en cas de prostatectomie), éventuellement les vésicules
séminales et les aires ganglionnaires. Les contours sont réalisés suivant des règles du GETUG
Groupe d’étude des tumeurs urogénitales (GETUG) [134]. Le PTV autour de la prostate et des
vésicules séminales ajoute des marges isotopiques de 1 cm sauf en postérieur où elles sont de 0.5
cm. Autour des ganglions lymphatiques pelviens, les marges sont isotopiques de 1 ou 0.7 cm.
Enfin, les OAR sont : le rectum (limité à 2 cm au-dessus et en dessous de la prostate et,
éventuellement des vésicules séminales), la vessie, les têtes fémorales et la cavité abdominale si
les ganglions sont irradiés. Ils sont délinéés suivant les guidelines du RTOG [135].

L’irradiation est séquentielle suivant plusieurs schémas

d’irradiation en fonction des zones d’intérêt, de la dose
totale et de la dose par fraction (les volumes cibles ne
sont pas traités avec les mêmes valeurs de dose). Pour
cela, plusieurs plans de traitements sont réalisés pour
différentes zones d’irradiations dénommées High, Med
(optionnel), Low (optionnel) :

• High : 74 à 80 Gy pour la prostate et éventuellement

les vésicules séminales.
• Low : 46 à 50 Gy pour les vésicules séminales et les
ganglions (en prophylactique).
Figure A-9-1 - Distribution de dose d’un traitement
de prostate avec atteintes des aires ganglionnaires, • Med : 60 à 70 Gy pour des « boosts » si les vésicules
traité en deux temps (46+32 Gy = 78 Gy) en 39
fractions de 2 Gy séminales ou les aires ganglionnaires sont atteintes.

165

165
 Annexes

Le fractionnement standard est de 2 Gy par séance. Pour le groupe ORION : la prescription est
généralement de 78 Gy délivrée en 39 séances. Une découverture du PTV jusqu’à l’isodose 90%
est autorisée en regard du rectum.

D’autres centres envisagent également un hypofractionnement de 2.5 à 4 Gy par fraction pour la

prostate seulement. Si le patient a d’abord subi une chirurgie, c’est la loge prostatique qui est
traitée. Dans ce cas elle peut être traitée seule entre 66 et 74 Gy avec ou sans les aires
ganglionnaires (traitées à 46 Gy).

Actuellement, les prostates sont traitées en VMAT avec 2 ou 3 arcs de photons 10 MV sur Novalis
ou 4 arcs de photons 6 MV sur Halcyons. Les objectifs cliniques à respecter sont donnés dans le
Tableau A-9-1.

Tableau A-9-1 - Objectifs cliniques pour l’irradiation d’une prostate ou loge prostatique

ROIs Limit Volume Dose (Gy)

Corps Max 0% 105% de la prescription
PTV Min 95% 95% de la prescription
PTVs Min 90% 90% de la prescription
PTVs Equal 50% Prescription
CTVs Min 99.90% 74.10
Cavité abdominale Max 1% 60
Cavité abdominale Max 150 cm3 45
Tête fémorales Max 5% 54
Tête fémorales Max 10% 49
Vessie Max 1% 80
Vessie Max 25% 70
Vessie Max 50% 60
Rectum Max 1% 75Gy
Rectum Max 5% 74Gy
Rectum Max 20% 70Gy
Rectum Max 25% 65Gy
Rectum Max 35% 60Gy
Rectum Max 50% 50Gy

166
 Bases de données et attendus dosimétriques de l’entraînement des IA

Bases de données :

La première base de données (proVS), créée en mars 2020, contient 100 patients traités pour des
cancers de la prostate avec atteintes aux vésicules séminales. La prescription était de 46 Gy pour
tous les patients, délivrée par 2 arcs VMAT, sur Clinac (photons de 6 MV) ou Novalis (photons
de 10 MV). Ces plans sont générés par optimisation manuelle classique à l’aide du TPS Eclipse.

Figure A-9-2 - Exemple d'un plan de traitement classique dans la base de données proVS

La seconde base de données (PelvPro), créée en mars 2021, est également constituée de 100
patients. Ils sont traités pour des cancers de la prostate avec atteintes des vésicules séminales et
des aires ganglionnaires. La prescription était de 46 Gy pour tous les plans de traitement et
délivrées par 2 ou 3 arcs VMAT sur Novalis (photons 10 MV) ou par 4 arcs VMAT sur Halcyon
(photons 6 MV). Ces plans sont générés par optimisation manuelle classique sur le TPS
RayStation.

Figure A-9-3 - Exemple d'un plan de traitement classique de la base de données pelvPro

Les modèles de ML sont adaptables dans le but de respecter les attentes cliniques ou correspondre
à différentes prescriptions ou localisations de traitement. Nous avons modifié nos modèles pour

167

167
 Annexes

qu’ils correspondent à un panel de traitements des prostates. Ces modifications sont disponibles
dans le Tableau A-9-2.

Tableau A-9-2 - Ajustement des modèles d’IA initiaux pour correspondre aux protocoles de traitement ; prescription et volumes
cibles traités

Nom du Modèle Temps de

Modèle initial Prescription Volume cible
final traitement
proVS ProstateVS 46 Gy Prostate+ vésicules séminales Low
proVS Prostate78 78 Gy Prostate High
proVS Prostate32 32 Gy Prostate High
proVS Prostate8 8 Gy Prostate High
proVS Prostate12 12 Gy Prostate High
proVS Progg20 20 Gy Prostate + boost Med
proVS Progg24 24 Gy Prostate + boost Med
proVS Loge20 20 Gy Loge prostatique High/Med
proVS Loge66 66 Gy Loge prostatique High
proVS BoostLoge8 8Gy Loge prostatique + boost
pelvPro PelvPro46 46 Gy Prostate+ vésicules séminales+ ganglions Low
pelvPro PelvLoge46 46 Gy Loge prostatique + ganglions Low

Les traitements des pelvis sont séquentiels, plusieurs modèles peuvent être utilisés pour un même
plan de traitement de manière à ce que la somme des prescriptions de chaque plan soit égale à la
prescription totale fixée par le radiothérapeute. Par exemple, le plan Prostate78 fonctionne seul, le
plan Prostate32 peut être associé au plan ProVS46 pour atteindre 78 Gy ou les plans PelvPro46,
Progg24 et Prostate8 sont utilisés ensemble pour le traitement à 78 Gy.

Les modèles de Prostate, ProVS et PelvPro ont plusieurs stratégies : une stratégie standard, qui est
le meilleur compromis entre tous les objectifs cliniques pour une majorité de patients et une
seconde stratégie qui protègent davantage le rectum.

TRAITEMENT D’UN ENCEPHALE IN TOTO

Pour le traitement des encéphales in toto, les régions d’intérêt sont contourées, respectant le
protocole de l’American Association of Physicists in Medicine (AAPM) TG263 [136]. Elles sont
délinéées sur le scanner de planification pouvant être associé à une IRM. Le CTV est l’encéphale
dans son ensemble et le PTV est le CTV avec des marges isotopiques de 3 mm. Les organes à

168
 Bases de données et attendus dosimétriques de l’entraînement des IA

risques de cette localisation sont les yeux, les cristallins, la mandibule, les parotides, la moelle
épinière et les cavités buccale et nasale. Les objectifs cliniques à respecter sont donnés dans le
Tableau A-9-3 ci-dessous.

Tableau A-9-3 - Objectifs cliniques pour l’irradiation d’un encéphale in toto

ROIs Limites Volume (%) Dose (Gy)

Corps Max 0% 107% de la prescription
PTV Min 95% 95% de la prescription
PTV Min 90% 90% de la prescription
PTV Equal 50% Prescription
CTVs Min 99.90% 74.10
Parotides Max 65% 15
Parotides Max 45% 30
Parotides Max 50% 26
Cavité buccale Max 0 cm3 50
Cavité buccale Max 24% 45
Cavité buccale Max 50% 30
Mandibule Max 0 cm3 65
Cristallin Max 0% 15
Yeux Max 50% 50Gy

Les encéphales sont traités avec un unique plan de traitement où 50

% du CTV doit recevoir 30Gy délivré en 10 séances VMAT, avec
4 arcs de photons 6MV sur Novalis ou Halcyon.

Base de données :

La dernière base de données WB, créée en avril 2023, se compose

de 65 patients traités pour des encéphales in toto sans boosts
intégrés avec une prescription de 30 Gy. Les plans sont délivrés par
4 arcs VMAT soit sur Novalis ou sur Halcyon (photons 6 MV). Les
plans sont générés par MCOPOSTERIOR sur le TPS RayStation et Figure A-9-4 - Distribution de dose d’un
traitement d’encéphale in toto, traité en
améliorés par optimisation classique. 10 séances de 3 Gy

169

169
 Annexes

10. PARAMETRES DE POST TRAITEMENT DE LA DISTRIBUTION DE DOSE A

PRIORI D’UN DL

Traitement de prostate :

Traitement d’encéphale in toto

170
 Paramétrage de l’algorithme de dose mimicking

11. PARAMETRAGE DE L’ALGORITHME DE DOSE MIMICKING

Traitement de prostate :

Traitement d’encéphale in toto :

171

171
 Annexes

12. EXEMPLE DE SCRIPTS POUR L’AUTOMATISATION DE LA RADIOTHERAPIE

EXTERNE

Exemple de script pour la création de structures

Figure A-12-1 Exemple de script pour la génération des PTV et des structures d'optimisation

La Figure A-12-1 est un exemple de script pour la création de structures dédiées aux localisations
pelviennes. Ce script repère automatiquement les volumes cibles délinéés par le radiothérapeute.
L’utilisateur renseigne le nombre de plans séquentiels utilisés pour ce traitement. En fonction de
cela et des volumes cibles, le script propose par défaut, les plans séquentiels sur lesquels la
structure est traitée et les marges à appliquer pour la création des PTV. L’utilisateur peut changer
ces paramètres par défaut s’il le souhaite et créer les structures en cliquant sur « valider ». Le script
génère alors les PTV en fonction des temps de traitements, mais également les structures
d’optimisation telles que des couronnes autour des PTV servant à augmenter le gradient de dose
ou l’intersection entre le rectum et le PTV. Ce script crée également la structure Rectum +2 -2
s’assurant que la règle de contourage par rapport au CTV est bien respectée. Enfin, le script place
des points d’intérêts aux isocentres des traitements pour faciliter l’automatisation de la génération
de plan de traitement. En parallèle, toutes les actions du script sont notées dans la fenêtre suivie
du script. Ces actions sont également annulables dans RayStation si un problème survient.

172
 Exemple de scripts pour l’automatisation de la radiothérapie externe

Exemple de script pour la création de plans de traitements

Figure A-12-2 - Exemple de script pour l’initialisation automatique d’un plan de traitement

La Figure A-12-2 est un exemple de script initialisant les plans de traitement pour plusieurs
protocoles. Dans un premier temps, l’utilisateur renseigne l’image de traitement, la machine
utilisée, l’énergie (proposés par défaut quand la machine est choisie), le nom du plan de
traitements, ses initiales et le nombre de plans en séquentiel. En fonction de ce dernier, s’il y en a
deux, le script propose de traiter en co-optimisation et demande de nouveaux renseignements sur
chaque plan séquentiel : le PTV, la prescription et le nombre de Grays par fraction. Lorsque
l’utilisateur valide, tous les points cités ci-dessus sont réalisés et notés dans la fenêtre de suivi
noire.

Exemple de script pour la création et la gestion de bases de données

Lecture de la base de données : Le script parcourt la base de données RayStation et enregistre au

format SQL toutes les informations validées cliniquement et jugées utiles sur les patients, images,
structures, plans, faisceaux et dose :

∟ Patient : ID, nom, date de naissance, diagnostic, date de dernière modification

∟ Image : Nom, modalité, protocole, position du patient, système d’imagerie, taille des pixels,
taille d’une coupe, et les dates d’enregistrement
∟ Structure : Nom, volume, type, matériel, et date d’approbation

173

173
 Annexes

∟ Plans : Nom, prescription, nombre de fractions, méthode (DMPO, co-optimisation, MCO, IA),
technique (VMAT, IMRT…), modalité (photons, électrons), volumes d’isodoses (50%, 90%,
95% et 100%), indice de gradient de dose, nom du radiothérapeute et date d’approbation
∟ Faisceaux : Nom, rotation du bras (pour VMAT), énergie, orientation du MLC, position, points
de contrôles, position de l’isocentre, UMs délivrés, score de complexité, parcours de lame,
indice d’ouverture, indice d’irrégularité, indice de modulation, union des ouvertures, Edge
métrique, ouverture moyenne (cf Chapitre 3-8.5).
∟ Dose : Indice de conformité, indice d’homogénéité, DVH (précision de 1%)

Ce script doit être lancé régulièrement par un utilisateur pour mettre la base de données à jour.

Analyse de base de données : Interface graphique permettant l’analyse sur des données
sélectionnées et enregistrées avec le script précédent.

∟ Sélection des données : L’utilisateur peut filtrer sur tous les champs de la base de données,
avec les requêtes : « contient », « ne contient pas », « est égal », « est inférieur », « est
supérieur ».

Figure A-12-3 Interface graphique pour la sélection des données de la base de données

∟ Analyse des valeurs numériques que l’utilisateur a sélectionnées (grâce aux filtres). Cette
analyse est faite selon 3 méthodes :
o Sous forme des boîtes de Tukey afin d’analyser statistiquement la base de données et
de comparer des méthodes (Figure A-12-4).

174
 Exemple de scripts pour l’automatisation de la radiothérapie externe

Figure A-12-4 - Interface graphique pour l'analyse et la comparaison de deux méthodes

o Sous forme de comparaison de DVH où il est possible de comparer les DVH de la base
de données au DVH du plan de traitement sur lequel l’utilisateur travaille (Figure A-
12-5).

Figure A-12-5 - Interface graphique pour la comparaison de DVH

o Sous forme de de graphique en fonction du temps, pour observer l’évolution temporelle

d’une méthode (Figure A-12-6).
175

175
 Annexes

Figure A-12-6 - Interface graphique pour l’évolution temporelle d’un paramètre dans le temps.

∟ Export des structures et/ou des plans sélectionnés au format DICOM : les données sont
exportées et anonymes dans le but de créer simplement et rapidement des bases de données
pour des évaluations statistiques ou pour les envoyer à RaySearch afin d’entraîner une IA et
de créer un nouveau modèle d’intelligence artificielle de segmentation ou de planification de
traitement (Figure A-12-7)

Figure A-12-7- Interface graphique pour l’export au format DICOM

- Export des données sélectionnées au format xlsx : Cela permet à l’utilisateur de travailler avec
les données sélectionnées sur Excel.

176
 Exemple de scripts pour l’automatisation de la radiothérapie externe

PRODUCTION SCIENTIFIQUE

Revues internationales :

C. Robert, A. Munoz, D. Moreau, J. Mazurier, G. Sidorski, A. Gasnier, G. Beldjoudi, V. Grégoire, E.

Deutsch, P. Meyer, L. Simon. (2021). Clinical implementation of deep-learning based auto-contouring
tools–Experience of three French radiotherapy centers. Cancer/Radiothérapie, 25(6-7), 607-616.

P. Meyer, M.-C. Biston, C. Khamphan, T. Marghani, J. Mazurier, V. Bodez, L. Fezzani, P.A. Rigaud, G.
Sidorski, L. Simon, C. Robert. (2021). Automation in radiotherapy treatment planning: Examples of use in
clinical practice and future trends for a complete automated workflow. Cancer/Radiothérapie, 25(6-7),
617-622.

Conférences internationales :

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, E. Villain, B. Pichon, B. Pinel, G. Jimenez, O. Gallocher,

C. Chevelle, D. Marre, J. Camilleri, V. Connord, Y. Marty, N. Mathy, D. Zarate, I. Latorzeff, (2022). PD-
0734 Artificial Intelligence and Multi-Criteria Optimization for automatic treatment plan
generation. Radiotherapy and Oncology, 170, S647 – ESTRO 2022

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, E. Villain, B. Pichon, B. Pinel, G. Jimenez, O. Gallocher,

C. Chevelle, D. Marre, J. Camilleri, V. Connord, Y. Marty, N. Mathy, D. Zarate, I. Latorzeff (2021)
Artificial Intelligence-based contouring and planning algorithms for prostate cancer radiotherapy.
Gwenaelle Sidorski – EFOMP 2021

Conférences nationales :

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, O. Gallocher, G. Janoray, G. Jimenez, B. Pichon, B. Pinel,

S. Adera, J. Betend, J. Camilleri, V. Connord, [Link], N. Mathy, F. Solinhac, I. Latorzeff, (2023)
Utilisation clinique d'une Intelligence Artificielle pour la génération automatique de plans de traitement -
Gwenaelle Sidorski, Clinique Pasteur, Toulouse – SFPM 2023

[Link], J. Mazurier, G. Sidorski, X. Franceries, O. Gallocher, G. Janoray, G. Jimenez, B. Pichon, B.

Pinel, S. Adera, J. Betend, J. Camilleri, V. Connord, N. Mathy, F. Solinhac, I. Latorzeff, (2023) Validation

177

177
 Annexes

par Monte-Carlo de plans de traitement générés automatiquement pas une Intelligence Artificielle délivés
en VMAT sur TrueBeam– SFPM 2023

J. Mazurier , G. Sidorski, O. Gallocher, G. Janoray, G. Jimenez, B. Pichon, B. Pinel, S. Adera, J. Betend,

J. Camilleri, V. Connord, [Link], N. Mathy, F. Solinhac, I. Latorzeff, (2023) Apport des méthodes de
contourage et de planification automatisée en 2023 - Jocelyne Mazurier, Service de radiothérapie, Clinique
Pasteur – SFPM 2023

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, O. Gallocher, G. Janoray, G. Jimenez, B. Pichon, B. Pinel,

S. Adera, J. Betend, J. Camilleri, V. Connord, N. Mathy, F. Solinhac, I. Latorzeff, (2023) Dosimétrie
automatique : Quel gain de temps en 2023 ?– Les Journées de la radiothérapie de Lille 2023

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, O. Gallocher, G. Janoray, G. Jimenez, B. Pichon, B. Pinel,

D. Marre, J. Betend, J. Camilleri, V. Connord, [Link], N. Mathy, F. Solinhac, I. Latorzeff, (2022)
Génération automatique de plans de traitement en radiothérapie externe : Apport de l’Intelligence
Artificielle pour les cancers de la prostate– SFPM 2022

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, E. Villain, B. Pichon, B. Pinel, G. Jimenez, O. Gallocher,

C. Chevelle, D. Marre, J. Camilleri, V. Connord, Y. Marty, N. Mathy, D. Zarate, I. Latorzeff, (2021).
Génération automatique de plans de traitements en radiothérapie externe : apport de l’intelligence
artificielle pour la prise en charge des cancers de la prostate. Cancer/Radiothérapie, 25(6-7), 735-736. –
SFRO 2021

G. Sidorski, J. Mazurier, I. Berry, X. Franceries, E. Villain, B. Pichon, B. Pinel, G. Jimenez, O. Gallocher,

C. Chevelle, D. Marre, J. Camilleri, V. Connord, Y. Marty, N. Mathy, D. Zarate, I. Latorzeff, (2021)
Intelligence artificielle pour la segmentatiotn automatique du Pelvis et Thorax et pour la génération de plans
de traitement de cancers pelviens en radiothérapie externe. -SFPM 2021

J. Mazurier, G. Sidorski, I. Berry, X. Franceries, E. Villain, B. Pichon, B. Pinel, G. Jimenez, O. Gallocher,

C. Chevelle, D. Marre, J. Camilleri, V. Connord, Y. Marty, N. Mathy, D. Zarate, I. Latorzeff. (2020).
Apport d’algorithmes de délination et de planification basée sur l’intelligence artificielle pour la
radiothérapie du cancer de la prostate. Cancer/Radiothérapie, 24(6-7), 781. -SFRO 2020

178
Exemple de scripts pour l’automatisation de la radiothérapie externe

179

179
Titre : Évaluation d’algorithmes de délinéation et de planification de traitement basés sur l’Intelligence Artificielle pour la radiothérapie externe
Mots clés : radiothérapie, Intelligence Artificielle, planification de traitement, délinéation
Résumé : La radiothérapie externe vise à traiter les cellules cancéreuses en utilisant des rayonnements ionisants. L'enjeu est d'irradier de manière
précise les volumes cibles tout en préservant les organes sains avoisinants. Ces traitements reposent, entre autres, sur la délinéation des régions
d'intérêt et la planification des traitements, réalisés à laide de systèmes de planification de traitement (TPS). Ces processus sont répétitifs, exigeant à
la fois de la précision et du temps. Ils sont réalisés manuellement, leur qualité et leur durée d'exécution dépendant, en partie de l'opérateur. Dans ce
contexte, des solutions d'automatisation voient le jour, promettant un gain de temps et une uniformisation des pratiques tout en préservant ou
améliorant la qualité de ces traitements. L'objectif de cette thèse est dévaluer et de mettre cliniquement en œuvre 2 algorithmes, basés sur
l'intelligence artificielle (IA), l'un pour la segmentation automatique et l'autre pour la planification de traitement automatique. Ces algorithmes sont
disponibles dans le TPS RayStation (RS ; RaySearch Medical Laboratories AB, Stockholm, Sweden). Dans un premier chapitre, nous présentons
lenvironnement clinique dans lequel les techniques d'automatisation sont mises en œuvre. Le deuxième chapitre concerne l'algorithme de
segmentation automatique. Celui-ci est évalué quantitativement et qualitativement par rapport à des structures de référence validées par des
radiothérapeutes. D'abord, l'IA est comparée à 2 autres algorithmes présents dans RS: l'un basé sur des atlas multiples et l'autre sur des modèles
statistiques. Ensuite une validation de l'IA est réalisée pour 24 organes différents appartenant au thorax, à l'abdomen, à la tête et au cou. Enfin, cette
IA est comparée à une seconde IA disponible dans autre logiciel de segmentation automatique appelé Limbus (Limbus AI Inc., Regina, SK, Canada). Le
troisième chapitre est consacré aux techniques d'automatisation de plans de traitements à laide d'IA. D'abord, nous décrivons la construction de 3
bases de données (BdD) fournies à RaySearch. Elles permettent de créer des modèles d'IA, adaptés à nos pratiques cliniques pour les traitements de
pelvis et encéphale in toto. Cette IA est évaluée par comparaison aux plans réalisés manuellement et par un algorithme d'optimisation multicritère
(MCO), démontrant l'intérêt de l'IA en routine clinique. Les modèles sont ajustés à laide dune cohorte de 100 patients, permettant également, de
valider l'acceptabilité et la délivrabilité des plans générés automatiquement pour les localisations pelviennes. Néanmoins, ces plans sont perfectibles
et peuvent être améliorés manuellement par les opérateurs. Nous présentons, dans la suite ce chapitre, un retour d'expérience sur l'utilisation
clinique de l'IA pour les 79 premiers plans de traitement générés automatiquement et améliorés manuellement. La fin de ce chapitre se focalise sur
l'intérêt d'entrainer l'IA avec une base de données construite à partir de plans générés par MCO. L'évaluation de l'IA, par comparaison aux plans
réalisés manuellement et aux plans MCO, révèle que les plans générés par IA n'égalent pas les qualités des plans issus du MCO mais améliorent ceux
des plans manuels. Dans un dernier chapitre, nous proposons un mode d'emploi de la mise en œuvre clinique des méthodes automatiques. Allant de
la définition des attendus à l'éthique d'utilisation des IA, en passant par l'utilisation de scripts python développés sur site et du développement, des
méthode de validation et des limites rencontrées de chaque type d'automatisation. En définitive, les algorithmes évalués dans cette thèse et
notamment les IA, permettent de gagner du temps, d'uniformiser les pratiques et aident à améliorer la qualité de la planification de traitement.
Cependant, leurs mises en place nécessitent un travail préliminaire conséquent et leurs utilisations doivent être combinées à l'expertise humaine
pour assurer la qualité des traitements.
Title: Evaluation of artificial intelligence-based treatment planning and delineation algorithms for external radiotherapy
Key words: radiotherapy, artificial intelligence, treatment planning, delineation
Abstract: External radiotherapy aims to treat cancer cells using ionizing radiation. The challenge is to irradiate target volumes while sparing healthy
organs. These treatments rely on delineating regions of interest and treatment planning, carried out through Treatment Planning Systems (TPS).
These processes are manually realized, demand precision and time. Their quality and execution time depend on the operator. In this context,
automation solutions emerge, promising time efficiency, practices uniformization, and maintaining or enhancing treatment quality. This thesis aims
to evaluate and clinically implement 2 artificial intelligence (AI) algorithms, one for automatic segmentation and the other for treatment planning.
These algorithms are available in RayStation TPS (RaySearch Medical Laboratories AB, Stockholm, Sweden). The first chapter introduces the clinical
environment for implementing automation techniques. The second chapter concerns the automatic segmentation algorithm. It is quantitatively and
qualitatively evaluated against reference structures validated by physician. Initially, the AI is compared to 2 other algorithms within RS: one based on
multi-atlases, and another on statistical models. Subsequently, AI validation is performed for 24 different organs within the thorax, abdomen, head,
and neck. Lastly, this AI is compared to a second AI available in another automatic segmentation software called Limbus (Limbus AI Inc., Regina, SK,
Canada). The third chapter focuses on treatment planning automation using AI. First, we describe the construction of three databases (DBs)
provided to RaySearch, enabling the creation of AI models tailored to our clinical practices for pelvic and whole-brain treatments. This AI is compared
to manually generated plans and a multi-criteria optimization (MCO) algorithm, demonstrating AI's clinical utility. Models are adjusted using a cohort
of 100 patients, validating acceptability and deliverability of automatically generated plans for pelvic locations. However, these plans are improvable
and can be enhanced manually by operators. We present, later in this chapter, a user experience with clinical use of AI for the first 79 automatically
generated and manually improved treatment plans. The chapter's end focuses on the value of training AI with a database generated by MCO plans.
AI evaluation, compared to manually generated and MCO plans, reveals that AI-generated plans do not match MCO plan quality but enhance
manual plans. In the final chapter, we propose a guide for implementing automatic methods clinically. This ranges from defining expectations to
ethical AI use, utilizing on-site developed Python scripts, development, validation methods, and limitations encountered for each automation type.
In summary, the algorithms assessed in this thesis, notably the AIs, save time, standardize practices, and aid treatment planning quality
enhancement. However, their implementation demands substantial preliminary effort, and their utilization should be combined with human
expertise to ensure treatment quality