Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

L’objectif de ce mémoire est de faire une évaluation de la qualité des plans de traitement
VMAT optimisés avec l’intelligence artificielle notamment le Machine Learning/Deep Learning
par rapport aux plans classiques dans RayStation pour une intégration en routine clinique.
La qualité des plans a été évaluée en terme de conformation au PTV et de la protection de
tissus sains grâce aux indices de conformité et d’homogénéité. La complexité des plans pour les
deux modalités de planification est examinée à partir de la précision du calcul de dose à l’aide
de la métrique LOIC et de la délivrabilité du traitement par la machine grâce à la métrique
MCSv. Les plans sont répartis en trois groupes selon la prescription. L’analyse statistique des
plans est effectué avec le test signé de Wilcoxon.
La conformation au PTV est presque équivalente pour les deux modalités de planification
du groupe 1 (20 x 300 cGy) avec pour valeur moyenne 0,84 et non significative. Par contre,
la planification automatisée est plus conforme que la planification manuelle pour le groupe 2
(25 x 263 cGy). Les valeurs obtenues sont respectivement 0,839 +/- 0,066 et 0,826 +/- 0,033. Le plan automatisé est aussi plus conforme dans le groupe 3 (25 x 275 cGy). Par ailleurs, ces
plans sont plus homogènes que les plans classiques pour les trois groupes. La valeur du MCSv
est en moyenne plus faible pour les plans automatisés et le LOIC est en moyenne plus élevé
par rapport à la valeur du plan original. Ceci montre que les plans optimisés avec Machine
Learning sont plus modulés, induisant une augmentation des unités moniteurs. Les mesures
réalisées avec l’ArcCHECK ont permis de déterminer l’indice. Les résultats du groupe 1 ont
revélé que les différences n’étaient pas statistiquement significatives pour le critère 3%/3mm
mais significatives pour le critère 3%/2mm. Par contre, pour le groupe 2, le test de Wilcoxon a
démontré que la différence de valeur moyenne était statistiquement significative pour le critère
3%/3mm et non significative pour le critère 3%/2mm.
L’introduction de la planification automatisée en routine clinique est favorable puisqu’on
obtient une meilleure conformation et une meilleure homogénéité de la dose au PTV bien que les
métriques donnent des valeurs moins bonnes mais restent acceptables. Néanmoins, les mesures avec l’ArcCHECK montrent que la machine n’aura aucune difficulté à délivrer le traitement. De plus, la durée pour réaliser un plan de traitement acceptable avec ML reste très inférieure à la durée pour un plan optimisé manuellement.

Planification de traitement --- Machine Learning --- RayStation --- Radiothérapie --- Indice de conformité --- Indice d'homogénéité --- Métriques --- Indice gamma --- Physique, chimie, mathématiques & sciences de la terre > Physique

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Le présent travail concerne le traitement des Cancers Pulmonaires Non à Petites Cellules
(CPNPC) par Radiothérapie Corporelle Stéréotaxique (RCS), appelée communément par sa version anglophone Stereotactic Body Radiation Therapy (SBRT). Il s’agit d’une technique de traitement destinée à des lésions extracraniennes au cours de laquelle de fortes doses de rayonnements ionisants (entre 6 et 30 Gy) sont administrées en un nombre réduit de fractions
(maximum 5). Elle s’oppose aux traitements conventionnels dont le principe est d’administrer la dose totale par petites doses de 2 Gy en un nombre élevé de séances. Au CHU de Liège, les SBRT pulmonaires sont actuellement réalisées sur le CyberKnife, une machine dédiée à la stéréotaxie qui permet d’effectuer du tracking respiratoire (technique qui consiste à suivre la tumeur durant l’irradiation malgré les mouvements induits par la respiration). Pour certains patients, ce tracking n’est cependant pas réalisable. L’idée serait alors de les traiter sur un
accélérateur linéaire (ou LINear ACcelerator (LINAC)) de la firme Elekta utilisé pour les traitements traditionnels. Pour traiter des lésions pulmonaires en radiothérapie conventionnelle, des plans de traitement en VMAT (pour Volumetric Modulated Arc Therapy) sont réalisés en utilisant le concept de PTV (pour Planning Target Volume) et optimisés avec
une méthode standard. Le projet ici est de planifier les traitements stéréotaxiques des lésions pulmonaires en utilisant la méthode VMAT basée sur le concept de GTV (pour Gross Target Volume) et de les optimiser avec une méthode robuste. L’objectif est d’analyser les intérêts potentiels qu’offre cette méthode d’optimisation robuste couplée au concept de GTV par rapport à la méthode de planification conventionnelle utilisée en routine pour les traitements des lésions pulmonaires non stéréotaxiques.

Le travail essentiel de ce mémoire consiste à créer deux plans de traitement pour chacun des 24 patients sélectionnés : un plan réalisé en VMAT en utilisant le concept de PTV et optimisé de manière classique et un plan réalisé en VMAT en utilisant le concept de GTV et optimisé de manière robuste. Les deux types de plans sont comparés à trois niveaux : leur complexité (via la métrique MCSv), leur robustesse et le résultat de différentes grandeurs dosimétriques (le nombre total d’UM délivré par fraction, le volume irradié, la dose reçue par le poumon qui contient la lésion). Ces comparaisons sont évaluées statistiquement grâce au test de Wilcoxon.

Sur base des résultats obtenus, même si son élaboration demande plus de temps, il est possible d’affirmer que la planification robuste sur le GTV apporte des avantages par rapport à la planification classique sur le PTV : pour une robustesse équivalente et une toxicité similaire, elle permet d’obtenir des plans significativement moins complexes, moins modulés, nécessitant moins d’UM et permettant un temps de traitement plus rapide.

Physique, chimie, mathématiques & sciences de la terre > Physique