Performance d'une technique de tomodensitométrie synthétique par IRM pour le calcul de dose en radiothérapie
Thesis or Dissertation
Abstract(s)
Depuis une dizaine d’années, l’imagerie par résonance magnétique (IRM) est d’un intérêt
grandissant pour la radiothérapie, notamment grâce à la radiothérapie guidée par IRM mais
surtout par le développement de l’IRM-linac qui est sur le point d’arriver en clinique. L’avantage
de l’IRM est de fournir un excellent contraste pour les tissus mous tout en ne donnant
aucune dose de radiation au patient. Cependant, l’information nucléaire contenue dans les
images IRM n’a que peu de lien avec l’information électronique nécessaire à la planification
de traitement et qui est donnée par la tomodensitométrie (CT). Différents groupes de recherche
ont développé plusieurs méthodes pour simuler des images CT à partir des données
IRM, aussi appelées CT synthétiques.
L’objectif de ce travail est d’évaluer une nouvelle approche bayésienne de production de CT
synthétique utilisant un modèle de régression gaussienne (GMR). La méthode est également
comparée à une méthode GMR existante. Les images IRM de trois têtes de cochon ont été
acquises avec des séquences T1, T2, DP et PETRA, fournissant un total de 13 contrastes.
Des images CT à 120 kVp ont également été obtenues pour les trois têtes. Les intensités
des CT synthétiques sont ensuite comparées aux images CT et les erreurs sur les intensités
sont analysées. Finalement, pour évaluer l’impact sur la dosimétrie, trois plans de traitement
fictifs ont été calculés en utilisant le système de planification de traitement Eclipse. Les plans
ont été réalisés sur les images CT et ensuite transférés sur les CT synthétiques. Les erreurs
de dose sont évaluées à l’aide des histogrammes dose-volume (DVH) et des statistiques de
dose ainsi qu’avec une analyse par indice gamma.
Les résultats montrent que l’erreur moyenne sur les HU est de -7 ± 20 HU pour la méthode
Bayes-GMR et de -4 ± 29 HU pour la méthode GMR. L’erreur la plus importante est observée
pour les os avec une erreur maximale de 150 HU. Cependant, ces erreurs produisent une
erreur moyenne sur la dose de moins de 0.5 % pour la plupart des plans de traitement. Bien
que la méthode Bayes-GMR ait de meilleurs résultats que la méthode GMR dans 7 plans de
traitement sur les 9 étudiés, une amélioration clinique apportée par la méthode bayésienne
reste à démontrer. Magnetic resonance imaging (MRI)-guided radiotherapy has become a topic of great interest
in the last decade, especially with MRI-linac prototypes being currently commissioned for
clinical use. MRI has the benefit of providing high contrast in soft tissues while assuring zero
imaging dose to the patient. However, the nuclear information contained in MRI data can
have little link to electronic data, which is required by treatment planning systems and is
obtained with computed tomography (CT). A lot of groups have developed several methods
to produce simulated HU maps, called synthetic CT, from MRI images.
The purpose of this work is to present and evaluate a new bayesian approach to produce synthetic
CT using a gaussian mixture regression model (GMR). The method is also compared
to an existing GMR method. The data consist of MRI images of three pig heads acquired
following T1, T2, PD and PETRA sequences, resulting in 13 contrasts. CT images of each
heads were also acquired at 120 kVp. The synthetic CT are then compared to the CT images
and the errors on HU are analyzed. Finally, to evaluate the impact on the dosimetry, three
simulated treatment plans were calculated, using the treatment planning system Eclipse.
The plans were done on real CT and transferred to the synthetic CT. The errors on dose are
evaluated using the dose-volume histogram (DVH) curves and several dose statistics as well
as with analyses based on gamma index.
The results show that Bayes-GMR yields a mean error of -7 ± 20 HU and GMR -4 ± 29 HU
on synthetic CT. The mean errors are large for bone only (up to 150 HU). However, these
bias lead to mean dose errors of less than 0.5 % for most of the treatment plans. Although
the Bayes-GMR method performs better than the GMR method on 7 out of 9 treatment
plans, a clinical improvement by the Bayes-GMR method is still to be demonstrated.
This document disseminated on Papyrus is the exclusive property of the copyright holders and is protected by the Copyright Act (R.S.C. 1985, c. C-42). It may be used for fair dealing and non-commercial purposes, for private study or research, criticism and review as provided by law. For any other use, written authorization from the copyright holders is required.