Segmentation of thoracic organs in CT volumes and lung tumors segmentation in the dual modalities PET/CT - Archive ouverte HAL Access content directly
Theses Year : 2010

Segmentation of thoracic organs in CT volumes and lung tumors segmentation in the dual modalities PET/CT

Analyse d'images multi-modales TEP-TDM du thorax. Application à l'oncologie : segmentation de tumeurs, d'organes à risque et suivi longitudinal pour la radiothérapie

(1)
1

Abstract

In oncological thoracic imaging, computerized tomography (CT) and positron emission tomography (PET) are widely used jointly, for diagnosis or treatment planing. The development of combined scanners enables the acquisition of pairs of CT-PET volumes, allowing their joint exploitation in clinical routine, without the prerequisite for complex registration. One goal of this thesis work was to propose a segmentation method jointly exploiting PET and CT image information. The proposed methodology therefore focuses on a detailed segmentation of the CT images, using PET information to guide the tumor segmentation. The framework of variational segmentation methods is used to design our algorithms and the specific constraints based on PET information. In addition to target structures for radiotherapy (tumors, nodules), organs at risk which need to be preserved from radiations, must be segmented. An additional goal of this thesis is to provide segmentation methods for these organs. The methods rely on strong a priori knowledge on the non-parametric intensity distributions and on the shapes of the different organs. A final goal of the thesis is to propose a methodological framework for the segmentation of tumors in the context of longitudinal follow up of patients with registered images. The proposed segmentation methods were tested on multiple data sets. When manual tracing is available, quantitive comparisons of the segmentations are presented, demonstrating the performance and accuracy of the proposed segmentation framework.
En oncologie du thorax, les modalités d'imagerie de tomodensitométrie (TDM) et d'imagerie d'émission de positons (TEP) sont souvent utilisées conjointement, pour le diagnostic ou pour l'élaboration de plans de traitement. En effet, le développement d'appareils d'acquisition combinant ces deux modalités permet leur utilisation conjointe possible en routine clinique sans une difficulté préalable de recalage. Le premier objectif est de proposer des méthodes de segmentation automatiques de tumeurs ou ganglions à l'aide des deux modalités. La modalité TDM étant anatomiquement plus précise les segmentation sont réalisées dans cette modalité en utilisant l'imagerie TEP comme guide pour la localisation de la tumeur. Les organes à risque, devant être protégés des irradiations, nécessitent aussi d'être contourés. Un autre objectif est de proposer des algorithmes permettant leur segmentation. Ils s'appuient sur une connaissance a priori forte des distributions d'intensités des différents organes dans les images TDM et de connaissances a priori de formes des organes à segmenter. Un dernier objectif est de proposer une méthodologie pour la segmentation de tumeurs dans le cadre du suivi longitudinal des patients dans des images préalablement recalées. L'ensemble des méthodes de segmentation a été testé sur différents jeux de données, et lorsque des segmentations manuelles expertes sont disponibles, des résultats quantitatifs sont présentés, montrant l'intérêt des approches proposées et la précision des résultats obtenus.
Fichier principal
Vignette du fichier
these.pdf (4.59 Mo) Télécharger le fichier
Loading...

Dates and versions

pastel-00567100 , version 1 (18-02-2011)

Identifiers

  • HAL Id : pastel-00567100 , version 1

Cite

Julien Wojak. Analyse d'images multi-modales TEP-TDM du thorax. Application à l'oncologie : segmentation de tumeurs, d'organes à risque et suivi longitudinal pour la radiothérapie. Traitement du signal et de l'image [eess.SP]. Télécom ParisTech, 2010. Français. ⟨NNT : ⟩. ⟨pastel-00567100⟩
471 View
1612 Download

Share

Gmail Facebook Twitter LinkedIn More