Search

Beyond the conventional techniques of diagnosis and follow-up of cancer, radiomic analysis allows to personalize radiotherapy treatments, by proposing a non-invasive characterization of tumor heterogeneity. Based on the extraction of advanced quantitative parameters (histograms of intensities, texture, shape) from multimodal imaging, this technique has notably proved its interest in determining predictive signatures of treatment response. During this thesis, signatures of cervical cancer recurrence have been developed, based on radiomic analysis alone or in combination with conventional biomarkers, providing major perspectives in the stratification of patients that can lead to dosimetric treatment plan adaptation.However, various methodological barriers were raised, notably related to the great variability of the protocols and technologies of image acquisition, which leads to major biases in multicentric radiomic studies. These biases were assessed using phantom acquisitions and multicenter patient images for PET imaging, and two methods enabling a correction of the stratification effect were proposed. In MRI, a method of standardization of images by harmonization of histograms has been evaluated in brain tumors.To go further in the characterization of intra-tumor heterogeneity and to allow the implementation of a personalized radiotherapy, a method for local texture analysis has been developed. Specifically adapted to brain MRI, its ability to differentiate sub-regions of radionecrosis or tumor recurrence was evaluated. For this purpose, parametric heterogeneity maps have been proposed to experts as additional MRI sequences.In the future, validation of the predictive models in external centers, as well as the establishment of clinical trials integrating these methods to personalize radiotherapy treatments, will be mandatory steps for the integration of radiomic in the clinical routine.; Au-delà des techniques conventionnelles de diagnostic et de suivi du cancer, l’analyse radiomique a pour objectif de permettre une médecine plus personnalisée dans le domaine de la radiothérapie, en proposant une caractérisation non invasive de l’hétérogénéité tumorale. Basée sur l’extraction de paramètres quantitatifs avancés (histogrammes des intensités, texture, forme) issus de l’imagerie multimodale, cette technique a notamment prouvé son intérêt pour définir des signatures prédictives de la réponse aux traitements. Dans le cadre de cette thèse, des signatures de la récidive des cancers du col utérin ont notamment été développées, à partir de l’analyse radiomique seule ou en combinaison avec des biomarqueurs conventionnels, apportant des perspectives majeures dans la stratification des patients pouvant aboutir à une adaptation spécifique de la dosimétrie.En parallèle de ces études cliniques, différentes barrières méthodologiques ont été soulevées, notamment liées à la grande variabilité des protocoles et technologies d’acquisition des images, qui entraîne un biais majeur dans les études radiomiques multicentriques. Ces biais ont été évalués grâce à des images de fantômes et des images multicentriques de patients pour l’imagerie TEP, et deux méthodes de correction de l’effet de stratification ont été proposées. En IRM, une méthode de standardisation des images par harmonisation des histogrammes a été évaluée dans les tumeurs cérébrales.Pour aller plus loin dans la caractérisation de l’hétérogénéité intra-tumorale et permettre la mise en œuvre d’une radiothérapie personnalisée, une méthode d’analyse locale de la texture a été développée. Adaptée particulièrement aux images IRM de tumeurs cérébrales, ses capacités à différencier des sous-régions de radionécrose ou de récidive tumorale ont été évaluées. Dans ce but, les cartes paramétriques d’hétérogénéité ont été proposées à des experts comme des séquences IRM additionnelles.À l’issue de ce travail, une validation dans des centres extérieurs des modèles développés, ainsi que la mise en place d’essais cliniques intégrant ces méthodes pour personnaliser les traitements seront des étapes majeures dans l’intégration de l’analyse radiomique en routine clinique.

International audience; The arrival of immunotherapy has profoundly changed the management of multiple cancers, obtainingunexpected tumour responses. However, until now, the majority of patients do not respond to thesenew treatments. The identification of biomarkers to determine precociously responding patients is amajor challenge. Computational medical imaging (also known as radiomics) is a promising and rapidlygrowing discipline. This new approach consists in the analysis of high-dimensional data extracted frommedical imaging, to further describe tumour phenotypes. This approach has the advantages of being noninvasive, capable of evaluating the tumour and its microenvironment in their entirety, thus characterisingspatial heterogeneity, and being easily repeatable over time. The end goal of radiomics is to determineimaging biomarkers as decision support tools for clinical practice and to facilitate better understandingof cancer biology, allowing the assessment of the changes throughout the evolution of the disease andthe therapeutic sequence. This review will develop the process of computational imaging analysis andpresent its potential in immuno-oncology.; L'arrivée de l'immunothérapie a profondément modifié la prise en charge de multiples cancers, permettant des réponses tumorales jusqu'alors inespérées, même si une majorité des patients ne répondent pas à ces nouveaux traitements. L'identification de biomarqueurs permettant de cibler les patients répondeurs est un enjeu majeur. L'imagerie médicale computationnelle (ou radiomique) est une discipline récente et extrêmement prometteuse. Elle consiste en l'analyse informatique d'images médicales et les traduit en données quantitatives complexes. Ces données de haute-dimension permettent une caractérisation et une analyse plus en profondeur du phénotype tumoral. L'imagerie médicale computationnelle présente l'avantage d'être non-invasive, de pouvoir évaluer la maladie tumorale dans sa globalité, et de pouvoir être répétée dans le temps pour suivre l'évolution tumorale au cours du temps. L'imagerie médicale computationnelle a pour objectif final de déterminer des biomarqueurs d'imagerie apportant une aide à la décision médicale et permettant aussi de mieux comprendre la biologie du cancer. Cette revue développera le processus de l'analyse en imagerie computationnelle, et présentera le potentiel de son utilisation en immuno-oncologie.