Université de Rennes Applications of artificial intelligence for toxicity prediction in radiotherapy Application des techniques d’intelligence artificielle à la prédiction de la toxicité en radiothérapie radiothérapiecancer de la tête et du coutoxicitéintelligence artificielleapprentissage profond radiotherapyhead and neck cancertoxicityartificial intelligencedeep learning Cancer cervicofacial Radiothérapie Intelligence artificielle en médecine Apprentissage profond Un défi majeur de la radiothérapie des cancers de la tête et du cou réside dans l’évaluation et la prédiction précises des toxicités liées au traitement, en particulier la dysphagie et la xérostomie. Cette thèse répond à ce défi en améliorant la segmentation des organes à risque (OAR), en développant des méthodes objectives d’évaluation de la toxicité et en affinant les modèles dose-réponse. Un cadre basé sur l’apprentissage profond a été développé pour la segmentation automatique de 25 organes à risque sur des images CT et CBCT, démontrant de bonnes performances et une acceptabilité clinique. En s’appuyant sur cette base de segmentation, la thèse introduit de nouveaux outils pour l’évaluation des toxicités. Nous présentons tout d’abord une chaîne d’analyse entièrement automatisée des études vidéofluoroscopiques de la déglutition, permettant une évaluation quantitative et objective de la dysphagie. Pour la xérostomie, nous proposons une approche de modélisation dose-réponse à l’échelle voxel, afin de dépasser les métriques globales traditionnelles et d’identifier des sous-régions associées aux symptômes. Ensemble, ces contributions méthodologiques posent les bases de stratégies de radiothérapie plus personnalisées et attentives aux toxicités pour les patients atteints de cancers de la tête et du cou. A critical challenge in head and neck cancer (HNC) radiotherapy is the accurate assessment and prediction of treatment-related toxicities, particularly dysphagia and xerostomia. This thesis addresses this challenge by advancing organ-at-risk (OAR) segmentation, developing objective toxicity assessment methods, and refining dose-response modeling. A deep learning framework was developed for the automatic segmentation of 25 OARs in CT and CBCT images, demonstrating strong performance and clinical acceptability. Building on this segmentation foundation, the thesis introduces novel tools for toxicity evaluation. We first present a fully automated pipeline for analyzing videofluoroscopic swallowing studies, enabling quantitative and objective dysphagia assessment. For xerostomia, we propose a voxel-based doseresponse modeling approach to move beyond traditional global metrics, enabling the identification of symptom-related subregions. Together, these methodological contributions lay the groundwork for more personalized and toxicity-aware radiotherapy strategies in HNC. Electronic Thesis or DissertationText en application/pdf1 : 9419 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/b5870c2a-e06f-4282-bc51-2f9e7d134109 Cubero Gutiérrez Lucía 1998-11-11 ES 289492467 lucia_cubero@hotmail.com 2025URENS015 http://www.theses.fr/2025URENS015 2025-05-30 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Universidad Carlos III, Madrid thesis.degree.grantor_2 050293583 Doctorat non ouiAcostaOscarintervenant_1082022119PascauJavierintervenant_218601984XCalvo ManuelFelipeintervenant_3289493293AcostaOscarintervenant_1082022119PascauJavierintervenant_218601984XCrevoisierRenaud deintervenant_411639143XCastelliJoëlintervenant_7142955310SpadeaMaria Francescaintervenant_528949429XVásquez OsorioElianaintervenant_6289494559 MATISSEecoleDoctorale_1 267602553 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:620 ddc:610 AcostaOscarPascauJavierCalvo ManuelFelipeCrevoisierRenaud deSpadeaMaria FrancescaVásquez OsorioElianaCastelliJoëlUniversité de RennesUniversidad Carlos III, Madrid MATISSE Laboratoire de Traitement du Signal et de l'Image ASCII PDF 9645538