En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR5220-DAVSAR-004 - CBCT image simulation for deep learning in prostate radiation therapy (H/F)

CBCT image simulation for deep learning in prostate radiation therapy (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR5220-DAVSAR-004
Lieu de travail : VILLEURBANNE
Date de publication : lundi 29 juin 2020
Type de contrat : CDD Technique/Administratif
Durée du contrat : 12 mois
Date d'embauche prévue : 1 septembre 2020
Quotité de travail : Temps complet
Rémunération : environ 2109 à 2228€ brut mensuel selon experience
Niveau d'études souhaité : Bac+5
Expérience souhaitée : Indifférent

Missions

Projet:

La radiothérapie par faisceau externe (EBRT) est une étape clé du traitement de référence des cancers pelviens, les cancers les plus courants dans la population masculine, notamment avec le cancer de la prostate mais aussi les cancers du rectum et de la vessie. Cependant, son efficacité est entravée par les grandes déformations qui se produisent entre les fractions de traitement, tandis que le plan de traitement est précisément optimisé selon une anatomie fixe. L'objectif du projet DELPEL est de développer un flux de travail complet pour surveiller la dose pendant l'EBRT.

Ce projet exploitera les images CT à faisceau conique (CBCT) acquises par Image-Guided RT (IGRT) et tirera parti des approches d'apprentissage en profondeur (DL) récemment développées. Le principal défi consistera à identifier un flux de travail optimal combinant les données disponibles en routine clinique et les étapes de traitement impliquées, en particulier la simulation, la segmentation et l'enregistrement d'images. La première tâche (WP1) de ce projet sera de composer une grande base de données d'images, y compris la planification d'images CT avec les délimitations et les distributions de doses associées, et des images CBCT. Étant donné que la délimitation des images CBCT n'est pas réalisée en routine clinique, prend beaucoup de temps et est difficile, notre idée est de simuler des images CBCT réalistes à partir d'images CT qui seront ainsi associées à des délimitations de référence. A l'aide de cette base de données, la deuxième tâche sera consacrée à la segmentation des images. Les approches d'apprentissage en profondeur seront étudiées et validées à l'aide d'images délimitées réelles et simulées. La troisième tâche consistera à développer le processus de suivi des doses, grâce à deux étapes principales: (i) l'enregistrement d'images déformables (DIR) entre les images CBCT et l'image de planification; (ii) calcul de la dose quotidienne à partir d'images IGRT. Pour ces deux étapes, des approches d'apprentissage en profondeur devraient permettre d'améliorer les méthodes de pointe.

Activités

La personne recrutée participera au WP1.

Afin de créer une base de données de formation significative, des contours à la fois sur CT et CBCT sont nécessaires. Cependant, en routine clinique, les contours CBCT ne sont généralement pas disponibles. Ici, nous utiliserons des images CBCT qui ont été délimitées par un expert, mais seulement sur 23 patients, avec plus de 150 CBCT délimités. De plus, l'incertitude associée aux contours CBCT est relativement élevée car la qualité d'image dans la région pelvienne est généralement relativement mauvaise. La gestion de la base de données complète sera effectuée au CLB, sur la base d'une expertise antérieure en gestion de base de données d'images.
Pour augmenter le nombre de cas de la base de données ainsi que pour disposer d'une vérité terrain fiable, les images CBCT seront simulées à partir d'images CT. En effet, notre groupe est expérimenté dans la simulation CBCT du dispositif Elekta Synergy et nous avons développé des techniques hybrides permettant de simuler efficacement des projections de rayons X correspondant à la géométrie et aux caractéristiques physiques du dispositif CBCT détecteur de faisceau. La méthode de simulation sera composée d'une première partie analytique simulant la partie primaire des projections radiographiques, comme une DRR (Digitally Reconstructed Radiograph) conventionnelle; ceci est généralement relativement rapide, grâce à une implémentation GPU dans la boîte à outils RTK [Rit2014]. Cependant, pour permettre des simulations plus réalistes qui incluent un bruit d'image similaire, tous les photons diffusés doivent être pris en compte. Pour cette partie, nous prévoyons d'utiliser la méthode avancée Monte-Carlo et de détection forcée fixe (FFD) que nous avons récemment développée pour les images SPECT [Cajgfinger2018, Sarrut2014] et qui s'est avérée efficace pour les rayons X également [Arbor2015]. Une difficulté sera de bien prendre en compte l'influence du filtre noeud papillon qui ajoute une certaine quantité de dispersion, pas vraiment connue pour le moment. Les méthodes développées dans [Zöllner2017] peuvent aider. Par conséquent, nous espérons être en mesure de générer une image CBCT très réaliste à partir du CT de planification. Parce que les images seront simulées, les contours CT pourraient être projetés sur les images CBCT et être utilisés comme référence. Nous prévoyons de générer des images CBCT simulées pour plus de 100 cas de patients traités au CLB.

Compétences

Traitement et simulation d'images médicales, C ++, python

Contexte de travail

Laboratoire CREATIS. L'équipe est située au centre de lutte contre le cancer Léon Bérard

Contraintes et risques

Aucune

Informations complémentaires

Projet DELPEL

On en parle sur Twitter !