| Summary: | Ces travaux de thèse s'inscrivent dans le contexte de la prédiction de la récidive en radiothérapie du cancer de l'utérus. L'objectif était d'analyser les images de tomographie par émission de positons (TEP) au 18F-fluorodésoxyglucose (18F-FDG) en vue d'en extraire des paramètres quantitatifs statistiquement corrélés aux événements de récidive. Six études ont été réalisées afin de répondre aux différentes problématiques soulevées par l'analyse des images 18F-FDG TEP telles que la présence d'artefact, l'isolation du métabolisme tumoral ou l'évaluation du signal en cours de traitement. Les études statistiques ont porté sur l'analyse de paramètres reflétant l'intensité, la forme et la texture du métabolisme tumoral avant, et en cours de traitement. À l'issue de ces travaux, le volume métabolique tumoral pré-thérapeutique ainsi que la glycolyse totale de la lésion per-thérapeutique apparaissent comme les paramètres les plus prometteurs pour la prédiction de récidive de cancers du col de l'utérus. De plus, il apparaît que la combinaison de ces paramètres avec d'autres caractéristiques de texture ou de forme, à l'aide de modèles statistiques d'apprentissage supervisé ou de modèles de régression plus classiques, ont permis d'augmenter la prédiction des événements de récidive. === This thesis deals with the issue of predicting the recurrence within the context of cervical cancer radiotherapy. The objective was to analyze positron emission tomography (PET) with 18F-fluorodeoxyglucose (18F-FDG) to extract quantitative parameters that could show statistical correlation with tumor recurrence. Six study were performed to address 18F-FDG PET imaging issues such as the presence of bladder uptake artifacts, tumor segmentation impact, as well as the analysis of tumor evolution along the treatment. Statistical analyses were performed among parameters reflecting intensity, shape and texture of the tumor metabolism before, and during treatment. Results show that the pre-treatment metabolic tumor volume and the per-treatment total lesion glycolysis are the most promising parameters for cervical cancer recurrence prediction. In addition, combinations of these parameters with shape descriptors and texture features, using machine-learning methods or regression models, are able to increase the prediction capability.
|
|---|
