Reconstruction de dose en 3D basée sur l'apprentissage automatique à partir de projections de scintillation limitées pour la dosimétrie en protonthérapie // Machine Learning-Based 3D Dose Reconstruction from Limited Scintillation Projections for Proton Th

La radiothérapie est une modalité importante dans le traitement du cancer. Dans ce domaine, les faisceaux de protons présentent une supériorité balistique par rapport aux faisceaux de photons. Parmi les techniques d’administration existantes, le balayage par faisceaux pinceaux (Pencil Beam Scanning) est l’une des plus modernes et offre de nombreux avantages en termes de flexibilité et de conformation de la dose. Néanmoins, l’utilisation des faisceaux pinceaux (PB) nécessite encore des outils de dosimétrie bien adaptés pour l’assurance qualité des petits champs d’irradiation. Pour répondre à ce problème, un système de dosimétrie innovant a été développé. Il repose sur un bloc scintillateur de 10 × 10 × 10 cm³ , un miroir et une caméra ultra-rapide enregistrant la scintillation depuis deux points de vue orthogonaux afin de reconstruire des cartes de dose tridimensionnelles [1]. Les images enregistrées nécessitent un prétraitement approfondi pour corriger les pixels chauds causés par le rayonnement diffusé frappant directement le capteur de la caméra, les artefacts optiques [2] et l’extinction de la scintillation [3].

La reconstruction 3D repose généralement sur de nombreuses projections, ce qui n’est pas réalisable en dosimétrie en radiothérapie ; de nombreux algorithmes de reconstruction ont donc été développés à des fins d’imagerie.
Une méthode de reconstruction reposant sur seulement deux projections et s’appuyant sur la symétrie radiale des
PB a été développée et a démontré de bonnes performances. Néanmoins, certaines étapes du prétraitement et de l’algorithme de reconstruction sont gourmandes en temps de calcul, et la symétrie radiale limite son application aux PB.

Différents montages expérimentaux et méthodes d’apprentissage automatique (ML) seront étudiés dans cette thèse de doctorat. Dans un premier temps, deux configurations différentes (la configuration précédente et une autre incluant une feuille de scintillateur supplémentaire) générant des projections de scintillation différentes seront simulées afin d’étudier différentes stratégies de reconstruction. Ces configurations numériques seront intégrées à un système de planification de traitement (TPS) afin de générer des distributions de dose en 3D et en 2D pour les deux configurations. En parallèle, des cartes de correction du TEL (Transfert d’Energie Linéaire) et de l’extinction seront calculées afin de convertir les distributions de dose en distributions de scintillation.
Une matrice de projection correspondant aux configurations étudiées permettra de convertir les distributions de scintillation 3D et 2D en images de projection ; des artefacts optiques et du bruit (caractérisés lors d’un stage M2 préliminaire) seront ajoutés afin de créer une base de données d’images réalistes.

L’ensemble des distributions de dose en 3D et des images calculées correspondantes constituera la base de données utilisée pour étudier et évaluer différentes stratégies d’apprentissage (ML) pour la reconstruction de dose en 3D. Les méthodes de reconstruction mises en œuvre seront évaluées à l’aide de mesures expérimentales réalisées au centre de protonthérapie Cyclhad, comparées aux méthodes de reconstruction conventionnelles et confrontées à d’autres faisceaux tels que les faisceaux non circulaires de photons.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Radiotherapy is an important modality in treatment cancer. In this domain, proton beams have ballistic superiority against photon beams. Among the existing delivery techniques, pencilbeam scanning is one of the most modern ones and presents many advantages in terms of flexibility and dose conformation. Nevertheless, the use of pencil beams (PBs) still requires well adapted dosimetry tools for small irradiation fields quality assurance. To answer this issue, an innovative dosimetry system has been developed. It is based on a scintillating block of 10 × 10 × 10 cm3, a mirror and an ultra-fast camera recording the scintillation from two orthogonal points of view to reconstruct 3-dimensional dose maps [1].
The recorded images require some extensive preprocessing to correct hot pixels caused by scattered radiation directly hitting the camera sensor, optical artifacts[2] and the scintillation quenching [3].
3D reconstruction usually relies on numerous projections, not achievable in dosimetry in radiotherapy and many reconstruction algorithms have been developed for imaging purpose.
A reconstruction method based on only two projections and relying on the radial symmetry of PBs has been developed and showed good performances. Nevertheless, some steps of the preprocessing and the reconstruction algorithm are computing time consuming and the radial symmetry limits its application to PBs.
Different experimental setups and machine Learning (ML) methods will be studied in this PhD thesis to address these limitations.
In a first step, two different setups (the previous setup and one including an additional scintillator sheet) generating different scintillation projections will be simulated to study different reconstruction strategies.
These digital setups will be fed to a treatment planning system (TPS) to generate 3D and 2D dose distributions for the two different setups. In parallel, LET and quenching correction maps will be computed to convert the dose distributions into scintillation distributions.
A projection matrix corresponding to the studied setups will allow to convert the 3D and 2D scintillation distributions into projection images and optical artifacts and noise (characterized in a preliminary M2 internship) will be added create a realistic images database.
The collection of 3D dose distribution and corresponding computed images will constitute the database used to study and evaluate different ML strategies for 3D dose reconstruction. The implemented reconstruction methods will be evaluated with experimental measurements performed at the Cyclhad proton therapy center, compared to conventional reconstruction methods and confronted to other beams such as not circular photon beams.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département Grand Accélérateur National d’Ions Lourds
Laboratoire : Grand Accélérateur National d’Ions Lourds
Date de début souhaitée : 01-10-2026
Ecole doctorale : Physique, Sciences de l’Ingénieur, Matériaux, Énergie (PSIME)
Directeur de thèse : FRELIN-LABALME Anne-Marie
Organisme : CEA
Laboratoire : DRF/IRFU//GANIL
URL : https://www.ganil-spiral2.eu/wp-content/uploads/2026/10/TwinRISE-thesis2027.pdf

Public/private mixed funding

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département Grand Accélérateur National d’Ions Lourds

Master 2