TFE26-696

Détection des glioblastomes secondaires post-résection par IRM multiparamétrique : approche radiomique et modélisation avancée de la diffusion pour une meilleure distinction tumeur-inflammation

Max student :

1

Promoters:

Benoît Macq 

Other people :

Laurence Dricot et Nicolas Delinte

Description:

Contexte et motivation :

Après une résection chirurgicale d’un glioblastome, la surveillance par IRM est essentielle pour détecter une récidive tumorale. Cependant, l’interprétation des images est souvent compliquée par la présence de modifications post-opératoires non spécifiques, telles que les structures fibreuses, l’inflammation ou la nécrose, qui peuvent mimer une progression tumorale. Une décision clinique erronée à ce stade peut conduire soit à un retard de traitement, soit à une intervention inutile.

Objectif du mémoire :

Développer un outil d’aide à la décision permettant de distinguer, sur base d’imagerie IRM (T1, T2 et diffusion), les lésions correspondant à une récidive tumorale de celles liées à des processus post-opératoires non tumoraux (fibrose, inflammation, etc.). L’objectif final est de mieux guider la décision de réintervention ou d’adaptation thérapeutique.

Approche méthodologique :

1. Collecte de données IRM multiparamétriques :

• Sélection de patients ayant subi une résection de glioblastome avec suivi longitudinal par IRM.
• Inclusion des séquences pondérées en T1, T2, et des cartes de diffusion (ADC, et si possible données de diffusion multi-b valeurs).

1. Radiomique et apprentissage supervisé :

• Extraction de caractéristiques radiomiques (forme, texture, intensité) à partir des images T1 et T2.
• Entraînement de modèles de classification supervisés (ex. SVM, Random Forest, ou modèles plus récents type XGBoost ou réseaux de neurones) pour distinguer les récidives des structures non tumorales.

1. Analyse de la diffusion :

• Utilisation de cartes d’ADC et modélisation avancée (ex. modèles multi-compartimentaux ou IVIM) pour enrichir les descripteurs.
• Comparaison entre zones suspectes et tissus de référence (ex. substance blanche controlatérale) pour affiner les seuils diagnostiques.

1. Validation croisée avec données cliniques et histologiques :

• Comparaison des résultats du modèle avec les décisions cliniques finales ou les données histologiques (si une seconde chirurgie a eu lieu).

Résultats attendus :

• Amélioration de la spécificité du diagnostic de récidive tumorale après résection.
• Proposition d’un pipeline reproductible de traitement et d’analyse IRM intégrant radiomique et diffusion.
• Potentiel développement d’un outil clinique d’aide à la décision.

Compétences requises :

• Bases en IRM et traitement d’images médicales.
• Connaissances en apprentissage automatique (Python, scikit-learn, PyRadiomics ou équivalent).
• Intérêt pour l’oncologie et les outils d’aide au diagnostic.