Délimitation des volumes cibles en radiothérapie

Abstract

Le cancer du pancréas est l’un des cancers les plus agressifs, caractérisé par un diagnostic souvent tardif et une complexité anatomique qui rend difficile la délimitation tumorale pour la radiothérapie. Ce mémoire vise à étudier l’apport de la tomodensitométrie (TDM) à la planification des traitements et à explorer les méthodes de segmentation automatique, en particulier les modèles d’apprentissage profond comme l’Attention U-Net. Après une revue des concepts anatomiques, radiophysiques et des méthodes de segmentation, une étude expérimentale a été menée afin d’évaluer les performances de modèles U-Net et Attention U-Net sur des images TDM. Les résultats montrent une amélioration significative en termes de précision et de robustesse pour la délimitation tumorale. Cette recherche confirme la pertinence de l’intelligence artificielle pour améliorer la qualité et la reproductibilité des traitements en radiothérapie