Mathematical Models for Personalized Interventional Radiology : Application to Cancer Treatment - École polytechnique
Thèse Année : 2024

Mathematical Models for Personalized Interventional Radiology : Application to Cancer Treatment

Modèles mathématiques pour la radiologie interventionnelle personnalisée : Application au traitement du cancer

Résumé

The integration of computer vision into Image-Guided interventions has the potential to change our medical practice. This work lays some bricks for the future of autonomous interventions in our specific field regarding cancer patients, addressing key components necessary for its realization.We first explore the transformative impact of AI on the physical abilities of interventional radiologists. We emphasize the need to navigate technical and ethical challenges. Interdisciplinary collaboration and robust evaluation processes are highlighted as essential for the safe integration of AI into clinical practiceWe then propose an organ agnostic method for detecting focal anomalies on volumetric cross-sectional imaging. Leveraging the Large Diffeomorphic Deformation Metric Mapping (LDDMM) framework, this approach showcases enhanced object reconstruction and precise lesion localization. In the same framework, we propose a classifier, where patient selection presents unique challenges due to the complex benefice/risk ratios.To go beyond images, clinical data from tumor DNA analysis is integrated into a prospective study specifically conducted for this work. Generative Adversarial Networks (GAN) and Modelling Atlases Using the Markov Chain Monte Carlo - Stochastic Approximation Expectation-Maximization (MCMC-SAEM) Algorithms are used to predict patient trajectories. This approach enables the exploration of new trajectories, enhancing our understanding of disease progression and treatment response in relationship of circulating tumor DNA.Lastly, we explore advanced visualization techniques for in vivo and ex vivo 3D vasculature. We propose a planar representation of undescribed anatomy, offering a promising avenue for further exploration and understanding.Together, these sections offer solutions to parts of the realization of autonomous interventions in our field.
Les méthodes statistiques contemporaines ont le potentiel de changer la pratique médicale au sein même de nos blocs de radiologie interventionnelle. Ce travail pose quelques jalons pour l'avenir des interventions autonomes dans notre domaine spécifique avec pour fil conducteur la prise en charge des patients atteints de cancer.Nous explorons d'abord l'impact transformateur de l'IA sur les capacités physiques des radiologues interventionnels. A terme, l’autonomie au bloc passera par la robotisation et l’analyse d’images produites en direct. L’intégration de la vision au geste permettra d’avancer vers ce bloc autonome.Nous proposons ensuite une méthode de détection d’anomalies ne dépendant pas de l’organe exploré à partir d’une imagerie en coupe. En exploitant le cadre du Large Diffeomorphic Deformation Metric Mapping (LDDMM), cette approche met en valeur une reconstruction d'objet améliorée et une segmentation de la lésion. Dans le même cadre, nous proposons un classificateur, permettant d’établir une nouvelle lecture de la sélection des patients avant l’intervention.Afin d’aller au-delà des images, des données cliniques issues de l'analyse de l'ADN tumoral circulant sont intégrées dans une étude prospective spécifiquement menée pour ce travail. Des réseaux antagonistes génératifs (GAN) et des algorithmes d'approximation stochastique (MCMC-SAEM) sont utilisés pour prédire les trajectoires des patients. Cette approche permet d'explorer de nouvelles trajectoires, améliorant notre compréhension de la progression de la maladie et de la réponse au traitement en relation avec l'ADN tumoral circulant.Enfin, nous explorons des techniques de visualisation avancée pour l’anatomie vasculaire 3D in vivo et ex vivo. Nous proposons une représentation planaire de l'anatomie, offrant des possibilités en termes de navigation et de classification de l’arbre vasculaire.Ensemble, ces sections offrent des solutions à certains défis menant vers la réalisation d'interventions autonomes guidées par l’image.
Fichier principal
Vignette du fichier
122729_BOEKEN_2024_archivage-1.pdf (6.21 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04735430 , version 1 (14-10-2024)

Identifiants

  • HAL Id : tel-04735430 , version 1

Citer

Tom Boeken. Mathematical Models for Personalized Interventional Radiology : Application to Cancer Treatment. Statistics [math.ST]. Institut Polytechnique de Paris, 2024. English. ⟨NNT : 2024IPPAX036⟩. ⟨tel-04735430⟩
0 Consultations
0 Téléchargements

Partager

More