Show item record

dc.contributor.advisorBouchard, Hugo
dc.contributor.authorPirenne, Angélique
dc.date.accessioned2018-06-04T16:49:44Z
dc.date.availableNO_RESTRICTIONfr
dc.date.available2018-06-04T16:49:44Z
dc.date.issued2018-05-10
dc.date.submitted2017-08
dc.identifier.urihttp://hdl.handle.net/1866/20315
dc.subjectCT synthétiquefr
dc.subjectIRM en radiothérapiefr
dc.subjectModèle GMRfr
dc.subjectSynthetic CTfr
dc.subjectMRI in radiotherapyfr
dc.subjectGMR modelfr
dc.subject.otherPhysics - Radiation / Physique - Radiation (UMI : 0756)fr
dc.titlePerformance d'une technique de tomodensitométrie synthétique par IRM pour le calcul de dose en radiothérapiefr
dc.typeThèse ou mémoire / Thesis or Dissertation
etd.degree.disciplinePhysiquefr
etd.degree.grantorUniversité de Montréal (Faculté des arts et des sciences)fr
etd.degree.levelMaîtrise / Master'sfr
etd.degree.nameM. Sc.fr
dcterms.abstractDepuis 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.fr
dcterms.abstractMagnetic 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.fr
dcterms.languagefrafr


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show item record