
Sébastien Quetin
Étudiant au doctorat
Université McGill
Sébastien est né et a grandi en France. Il a étudié à l’INSA Toulouse, une prestigieuse « Grande école » française, où il a obtenu un master en mathématiques appliquées. Passionné par l’apprentissage profond et ses applications en imagerie, il est aujourd’hui doctorant au sein du laboratoire Engerlab de l’Université McGill, où il développe des solutions d’intelligence artificielle pour automatiser différentes tâches du traitement par curiethérapie.
Publication
Deep learning for high-resolution dose prediction in high dose rate brachytherapy for
breast cancer treatment
Phys. Med. Biol. 69, 2024, 105011
Résumé:
Les simulations de Monte Carlo (MC) sont la référence pour le calcul précis de dose en radiothérapie, notamment en curiethérapie à haut débit de dose, où la prise en compte des hétérogénéités tissulaires est cruciale. Cependant, la durée du temps de calcul limite l’application pratique des simulations de MC. Des recherches antérieures ont utilisé l’apprentissage profond (DL) pour la prédiction de dose comme alternative aux simulations de MC. Bien que des prédictions de dose précises proches de MC aient été obtenues, les limites des cartes graphiques ont limité ces prédictions à de grands voxels de 3 mm × 3 mm × 3 mm. Cette étude visait à permettre des prédictions de dose aussi précises que les simulations de MC dans des voxels de 1 mm × 1 mm × 1 mm dans un délai acceptable en clinique. Des tomographies de 98 patients atteints d’un cancer du sein et traités par curiethérapie à haute intensité de dose avec une source d’iridium-192 ont été utilisées: 70 patients pour l’apprentissage, 14 pour la validation et 14 pour le test. Une nouvelle stratégie de recadrage basée sur la distance à la source radioactive a été conçue pour réduire la taille du volume, permettant un apprentissage efficace des modèles 3D de DL en utilisant des grilles de dose de 1 mm × 1 mm × 1 mm. En outre, une nouvelle architecture de DL combinant les différentes entrées du modèles aux niveaux des différentes couches de l’encodeur a été proposée pour prédire la dose transportée et déposée dans un milieu simulée par MC (Dm,m). Cette architecture fusionne les informations de la dose TG-43 transportée et déposée dans l’eau (Dw,w) avec la composition des tissus du patient à différentes couches. Différentes entrées décrivant la composition corporelle du patient ont été étudiées. L’approche proposée a démontré des performances de pointe, comparables à celles des simulations de MC Dm,m, mais 300 fois plus rapides. Le pourcentage moyen d’erreur absolue pour les indices dosimétriques entre les plans de traitement complets prédits par MC et DL était 0,17 % ± 0,15 % pour le V100 du volume cible du traitement, 0,30 % ± 0,32 % pour le D2cc de la peau, 0,82 % ± 0,79 % pour le D2cc du poumon, 0,34 % ± 0,29 % pour le D2cc de la paroi thoracique et 1,08 % ± 0,98 % pour le D2cc du cœur. Contrairement aux simulations de MC qui prennent du temps, la nouvelle stratégie proposée convertit efficacement les doses TG-43 Dw,w en doses Dm,m précises à haute résolution, permettant une intégration clinique.














