Get started
Work

Data science and modeling for image quality assessment of thoracic computed tomography examinations

Year: 2025
Type: dissertation
Abstract: L'optimisation de la qualité d'image (QI) et la dose de rayonnement est essentielle lors des examens thoraciques de tomodensitométrie (TDM) dans le cadre du dépistage du cancer du poumon. Cependant, les métriques actuelles de quantification de la QI en TDM reposent sur des milieux homogènes, peu représentatifs de la réalité clinique thoracique. Le but de ce doctorat est de développer une méthode innovante de quantification de la QI lors d'examen de TDM pulmonaire. La première partie de ce projet présente le développement d'un logiciel, validé par la Société Française de Physique Médicale (SFPM), pour calculer diverses métriques de quantification de la QI afin de mieux comprendre leurs facteurs d'influence. La seconde partie expose une étude reposant sur un modèle prédictif utilisant des caractéristiques radiomiques pour l'évaluation de la toxicité d'un traitement des cancers pulmonaires sans petites cellules localement avancés. Cette étude a mis notamment en évidence les facteurs d'influence des radiomiques comme la QI des acquisitions de TDM. La dernière partie, incluant la contribution majeure de ce doctorat, est consacré dans un premier temps à l'étude de la corrélation entre les caractéristiques radiomiques et les métriques standards de QI à l'aide de modèles de prédiction basés sur l'Intelligence Artificielle (IA) montrant que les radiomiques pourraient être des substituts auxdites métriques. Enfin, dans un second temps, une méthodologie a été créée pour évaluer la QI subjective concernant l'acceptation diagnostique par les radiologues des images de dépistage du cancer du poumon en TDM. Cette méthode, basée sur l'IA, emploie les caractéristiques radiomiques, extraites à l'aide d'images tomodensitométriques d'un fantôme thoracique anthropomorphe, afin de classifier la QI. L'ensemble de ces travaux apportent des outils d'aide à la décision pour optimiser les protocoles d'imagerie, améliorer le diagnostic et promouvoir une imagerie médicale plus personnalisée et performante.
Language: English
Field: Medicine
Open Access status: green
OpenAlex ID: W7125567417
Cites:
Cited by:
Related to: