Université de Rennes 1 Extraction and analysis of image features within a radiomics workflow applied to prediction in radiotherapy Extraction et analyse des caractéristiques de l’image dans le cadre de la méthode radiomique appliqué à la prédiction de la radiothérapie RadiomiqueImage médicaleRadiothérapieApprentissages automatisésCaractéristiques d'images RadiomicsImage processingRadiotherapyMachine learningImages features Radiomique Apprentissage automatique Cancer -- Radiothérapie Traitement d'images -- Techniques numériques L’imagerie médicale multimodale est utilisée aux différentes étapes de la prise en charge du cancer. Ces images volumiques contiennent une quantité d'information importante. Ainsi la méthode radiomique vise à exploiter ces informations afin de répondre à une problématique clinique comme la classification du cancer ou la survie globale du patient. Cependant, l’approche radiomique souffre de limitations telles que les variabilités présentent dans les méthodes de segmentation, d’acquisition, et d’extraction des caractéristiques de l’image. L'objectif de cette thèse est donc de proposer des méthodes permettant de contribuer à réduire l’impact de ces limitations existantes. À cette fin, dans un premier temps, ces travaux se sont intéressés à l'impact de l'utilisation de différentes segmentations de la tumeur dans le pronostic de survie sans maladie du patient. Un modèle d'apprentissage profond est aussi développé pour permettre la segmentation et le prognostique de survie du patient simultanément. Dans un second temps, ces travaux de thèse proposent une approche innovante pour transformer les cartes de réponse des filtres en scalaire tout en prenant en compte l'hétérogénéité de la tumeur, dans le but de permettre leur exploitation au sein de modèles d’apprentissage automatique. De plus un modèle radiomique est proposé pour prédire la récidive biochimique des patients atteints du cancer de la prostate. La performance de ce modèle a servi de référence pour l'évaluation d'un modèle de prédiction intégrant des mécanismes radiobiologiques. Dans un troisième temps, l'utilisation de différentes méthodes (supervisées et non supervisées) de sélection des caractéristiques d'images est évaluée. De plus, un modèle radiomique basé sur l'apprentissage à noyaux multiples est proposé pour prédire la récidive biochimique des patients atteints du cancer de la prostate. En perspective, de tels modèles, validés sur des cohortes externes, pourraient être déployés au sein de protocoles cliniques pour permettre un traitement personnalisé du patient. Multimodal medical imaging is used at different stages of cancer management. These volumetric images contain a significant amount of information. Thus, the radiomic method aims at exploiting this information in order to answer a clinical problem such as cancer classification or overall patient survival. However, the radiomic approach suffers from limitations such as the variabilities present in the methods of segmentation, acquisition, and extraction of image features. The objective of this thesis is therefore to propose methods to help reduce the impact of existing limitations. To this end, in a first step, this work is interested in the impact of the use of different tumor segmentation on the prognosis of disease-free survival of the patient. A deep learning model is also developed to allow segmentation and prognosis of patient survival simultaneously. In a second step, this thesis proposes an innovative approach to transform the filter response maps into scalar while taking into account the heterogeneity of the tumor, to allow their exploitation within machine learning models. Moreover, a radiomic model is proposed to predict the biochemical recurrence of prostate cancer patients. The performance of this model was used as a reference for the evaluation of a prediction model integrating radiobiological mechanisms. In a third step, the use of different methods (supervised and unsupervised) for image feature selection is evaluated. Furthermore, a radiomic model based on multiple kernel learning is proposed to predict the biochemical recurrence of prostate cancer patients. In perspective, such models, validated on external cohorts, could be deployed within clinical protocols to allow personalized treatment. Electronic Thesis or DissertationText en application/pdf1 : 7722 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/c3c28b0d-442d-44fe-9186-a9012ded83d0 Fontaine Pierre 1992-05-19 FR 283175966 pierre.fontaine.pf@gmail.com 2022REN1S140 http://www.theses.fr/2022REN1S140 2022-11-18 Signal, image, vision Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiCrevoisierRenaud deintervenant_111639143XDepeursingeAdrienintervenant_2277545137ShickUlrikeintervenant_6283176369CrevoisierRenaud deintervenant_111639143XDepeursingeAdrienintervenant_2277545137AcostaOscarintervenant_4082022119Zuluaga Valencia‎Maria Alejandraintervenant_3171363035Tanadini-LangStephanieintervenant_5283176237 MATHSTICecoleDoctorale_1 204770424 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:620 CrevoisierRenaud deDepeursingeAdrienZuluaga Valencia‎Maria AlejandraAcostaOscarTanadini-LangStephanieShickUlrikeUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) Laboratoire de Traitement du Signal et de l'Image ASCII PDF 7907781