Mémoire Master Recherche Physique Médicale :

Développement d’atlas dynamique thoracique.

Unité Rayonnements – Imagerie – Oncologie

Département de Radiothérapie –
Centre de Lutte Contre le Cancer Léon Bérard. Lyon
Laboratoire CREATIS LRMN.

Bertrand Fleury
Master Recherche Physique Médicale
Université Claude Bernard Lyon 1
Année universitaire 2007-08

-1-
 Résumé :
RATIONNEL : le traitement d’images a pris une place fondamentale dans la radiothérapie
moderne, tant pour le ciblage que pour la dosimétrie prévisionnelle. Le travail de ces images a
sensiblement alourdi la tâche des cliniciens, et de nouveaux outils informatiques voient le jour pour
accélerer le traitement des tâches répétitives. Notre objectif est de développer d’une part un outil de
segmentation automatique des structures anatomiques thoraciques, d’autre part un outil de recalage
d’images thoraciques incorporant la dimension temporelle afin de pouvoir développer des calculs
dosimétriques 4D.
MATERIEL ET METHODE : lors de la réalisation de ce stage, il m’a été demandé de définir
les structures anatomiques dont la segmentation automatique serait pertinente dans le cadre de la
radiothérapie thoracique, de parvenir à établir un consensus pour leur contourage et de fournir un
ensemble d’images scanner entièrement contourées afin d’établir un atlas de référence qui sera
secondairement couplé à un algorithme informatique de recalage déformable, l’ensemble devant
constituer un outil de segmentation automatique (aspect inter patient). Les 4 ensembles de structures
les plus sujettes au problème de reproductibilité inter observateur ont été recontourées par d’autres
experts afin d’obtenir un ensemble de 3 contourages pour chacune d’entre elles ; des comparaisons
quantitatives ont été effectuées. Par ailleurs, nous avons alimenté une base de données de points et de
structures de références sur des acquisitions successives du thorax, représentant un cycle respiratoire,
afin de tester et de valider un autre algorithme de recalage déformable, dont la vocation est de
modéliser les déformations pulmonaires au cours du cycle respiratoire (aspect intra patient).
RESULTATS :
- pour l’aspect inter patient : un groupe d’experts a été réuni pour définir 63 structures
anatomiques d’intérêt, qui peuvent être réparties en 3 groupes : 1> Organes à risque,
2> Volumes Cibles, 3> Volumes de constructions. Peu de références bibliographiques
sont disponibles pour le contourage, aussi celui-ci fait il souvent appel au « bon sens
anatomique ». Six scanners acquis selon diverses modalités (4D, 3D bloqués, avec ou
sans injection, reconstructions de 1 à 5 mm) ont été entièrement contourés pour
l’ensemble des structures. La comparaison montre des taux de reproductibilité
médiocres : taux de recouvrement moyen de 0,27, index kappa moyen de 0,38, volume
commun contouré moyen de 56,6 %, rapport de volume moyen de 1,90.
- Pour l’aspect intra patient, 60 points de référence ont été ajoutés à la base de données
déjà disponible. Par ailleurs, un jeu de 43 structures ont été contourées sur 6 phases
différentes du cycle respiratoire de trois scanners 4D et serviront à la validation de
l’algorithme 4D.
DISCUSSION : l’outil en cours d’élaboration constitue le plus ambitieux en termes du nombre
de structures (en particulier, c’est le seul outil ambitionnant le contourage automatique des aires
ganglionnaires). Des problèmes de variations physiologiques laissent craindre un besoin d’inclure de
nouveaux contourages sur de nouvelles acquisitions pour des performances optimales de notre
algorithme. Les problèmes de reproductibilité inter observateur restent du même ordre de grandeur
que eux retrouvés dans la littérature. Une réflexion épistémologique sur le « raisonnement » des outils
de segmentation automatique par rapport au raisonnement humain a été menée, de même qu’une
analyse des performances globales de ces outils par rapport aux performances humaines et une critique
sur l’utilisation en routine clinique.
CONCLUSION : nous avons construit ici une base de données constituées de contourages de
structures thoraciques, établies selon un consensus d’experts, qui servira d’une part à établir un atlas
de référence à coupler à une solution informatique en vue de faire de la segmentation automatique, et
d’autre part à valider un algorithme de recalage déformable 4D. L’avancement actuel du projet global
interdit toute estimation des performances pour l’application clinique et toute comparaison aux autres
solutions actuellement en cours de développement.

-2-
 Remerciements.

Je tiens à remercier Messieurs E. Perrin, C. Ray et J. Balosso pour m’avoir ouvert l’accès à ce
master recherche : l’accès au savoir est une chance qu’il faut apprécier.
Je tiens à remercier Messieurs D. Sarrut et C. Carrie, pour leur accueil dans leur département
respectif, sans qui la réalisation de ce master n’aurait pas été possible.
Je tiens à remercier toute l’équipe du département de radiothérapie et de l’unité R.I.O, en
particulier les Drs Montbarbon, Claude et Pommier, Myriam, Marie-Claude, Jean-Noël, Claude,
Chantale, Fréderic, Frédéric, Peggy, Nabil, Loïc, Louise, Jef, Vlad, Pierre et Thibault et tous ceux que
je n’ai pas la place de citer, pour leur bonne humeur, leur professionnalisme, leur écoute et leur aide
tant scientifique que humaine tout au long de mon parcours.
Je tiens à remercier la promotion 2007-2008 du master recherche de physique médicale pour
son accueil et sa bonne humeur.
Je tiens enfin à remercier à titre personnel mes parents, Laurianne, les drs Talon, Canat et
Rocher pour la confiance qu’ils ont placé en moi et leur soutien indéfectible quelles que fussent les
circonstances.

-3-
Liste des abréviations et acronymes :
Abréviations scientifiques :
cc : centimètre cube
cm : centimètre
CT : Computed Tomography, terme équivalent de scanner X.
CTV : Clinical Target Volume, ou volume cible microscopique
DICOM : Digital Imaging and COmmunications in Medicine, ou imagerie et
communication numériques en médecine, format standard des images en
imagerie médicale
DICOM RT Digital Imaging and COmmunications in Medicine Radiotherapy, format
standard des images en radiothérapie
GTV : Growth Target Volume, ou volume cible macroscopique
IRM : imagerie par résonance magnétique
IGRT : Image Guided Radiotherapy ou radiothérapie guidée par l’image
IV : intra veineux.
mm : millimètre
PET-CT : machine combinant une caméra TEP et un scanner X
PTV : Planning Target Volume, ou volume cible prévisionnel
RMN : résonnance magnétique nucléaire.
TPS : Treatment Planning System
TDM : tomodensitométrie, terme équivalent de scanner X.
TEP FDG : tomographie par émission de positons au fluoro-deoxy-glucose.
UH : unité Hounsfield, unité standard des densité électronique sur
tomodensitométrie

Abréviations latines :
i.e. : du latin « id est » : c’est–à-dire
et al : du latin « et alli » : et d’autres, sous entendu : « et collaborateurs »
vs : versus

-4-
 I. OBJECTIFS DE NOTRE PROJET : UN ATLAS DE REFERENCE
SCANNOGRAPHIQUE DU THORAX................................................................................................... 7
I.1. PROBLEMATIQUE GENERALE :.............................................................................................. 7
I.2. AVANCEMENT ACTUEL DES TRAVAUX DU LABORATOIRE.................................................. 7
I.3. CONTRIBUTION PERSONNELLE. ............................................................................................ 8
I.4. LE SITE DE STAGE.................................................................................................................. 8
II. CONCEPTS : LA SEGMENTATION AUTOMATIQUE................................................ 9
II.1. PRINCIPES DE SEGMENTATION AUTOMATIQUE ET SEMI-AUTOMATIQUE. ........................ 9
II.2. ETAT DE L’ART EN SEGMENTATION AUTOMATIQUE ET SEMI AUTOMATIQUE ................ 10
II.2.a. Cerveau : ..................................................................................................................... 10
II.2.b. ORL : ........................................................................................................................... 11
II.2.c. Prostate : ..................................................................................................................... 12
II.2.d. Poumons ...................................................................................................................... 14
III. MATERIEL ET METHODE. ............................................................................................ 16
III.1. REUNION D’UN PANEL D’EXPERTS. ................................................................................. 16
III.2. DEFINITION DES STRUCTURES D’INTERET EN RADIOTHERAPIE THORACIQUE .............. 16
III.2.a. Choix des structures.................................................................................................. 16
III.2.b. Recherche de références pour le contourage. ......................................................... 17
III.3. OBTENTION DES IMAGES ET CONTOURAGE. ................................................................... 17
III.3.a. Acquisition des images.............................................................................................. 17
III.3.b. Patients contourés. .................................................................................................... 18
III.3.c. Le logiciel de contourage : Isogray® ...................................................................... 18
III.3.d. Méthode de contourage............................................................................................. 18
III.4. EXPERTISE......................................................................................................................... 20
III.5. DEFINITION D’UN ENSEMBLE DE REFERENCE 4D. .......................................................... 21
IV. RESULTATS......................................................................................................................... 22
IV.1. TRAVAIL DE REFERENCE ET DE CONSENSUS. ................................................................. 22
IV.2. TRAVAIL DE CONTOURAGE . ........................................................................................... 22
IV.2.a. Contourage pour la dimension inter patient (atlas de segmentation) ................... 23
IV.2.b. Contourage pour la dimension intra patient (validation de l’algorithme de
recalage) 25
IV.3. TRAVAIL D’EXPERTISE ..................................................................................................... 25
V. DISCUSSION.......................................................................................................................... 30
V.1. IMAGES ACQUISES ............................................................................................................. 30
V.2. LE CONTOURAGE DES STRUCTURES : ............................................................................... 30
V.2.a. Consensus de contourage........................................................................................... 30
V.2.b. Variabilité inter patient. ............................................................................................. 32
V.2.c. Variabilité inter observateur ...................................................................................... 32
V.3. EPISTEMOLOGIE DE LA SEGMENTATION AUTOMATIQUE : .............................................. 34
V.3.a. Ce que voit l’Homme et ce que voit la machine........................................................ 34
V.3.b. La segmentation automatique en 2008...................................................................... 35
V.3.c. Pertinence en routine clinique. .................................................................................. 37
VI. CONCLUSION. .................................................................................................................... 39
VII. REFERENCES BIBLIOGRAPHIQUES :...................................................................... 40
VIII. ANNEXES .......................................................................................................................... 45
VIII.1.
DEPARTEMENT DU SERVICE DE RADIOTHERAPIE DU CENTRE LEON BERARD .......... 45
VIII.2.
ANNEXE 2 : DESCRIPTION DES AIRES GANGLIONNAIRES MEDIASTINALES D’APRES
MOUNTAIN ET DRESLER (57) .................................................................................................................. 45

-5-
 VIII.3. ANNEXE 3 : LES STRUCTURES CONTOUREES POUR LA RECONNAISSANCE INTER
PATIENT. 47
VIII.4. ANNEXE 4 : LES STRUCTURES CONTOUREES POUR LA VALIDATION DU RECALAGE
4D. 48

-6-
 I. Objectifs de notre projet : un atlas de référence
scannographique du thorax.

I.1. Problématique générale :

Le traitement d’images a pris une place centrale dans la radiothérapie moderne : pour le ciblage,
la définition d’une balistique, les calculs dosimétriques, le contrôle de repositionnement du patient et
bientôt l’adaptation du plan de traitement en fonction de l’évolution de la tumeur au cours de
l’irradiation.
L’utilisation de ces images a profondément modifié les charges de travail, mais aussi alourdi
certaines (nécessité de contourage des structures, recalage d’images multi modalité, gestion de
paramètres plus nombreux (notamment dans le cas d’une radiothérapie avec modulation d’intensité
par exemple)). De nouveaux outils adaptés sont nécessaires.
Le groupe Rayonnements Imagerie Oncologie (R.I.O) de CREATIS travaille à l’élaboration
d’algorithmes de recalage déformables qui doivent être utilisés sous deux aspects :
- Un outil de segmentation automatique : il s’agit d’une dimension « inter patient ». Ce
travail s’inscrit dans le cadre d’un projet européen intitulé MINIARA, qui consiste à
développer des solutions logicielles de traitement d’images adaptées aux besoins actuels
de l’oncologie : amélioration de la quantification tumorale, recalage d’images
multimodalités, reconnaissance automatisée de structures (segmentation automatisée),
optimisation de logiciels de dosimétrie… Dans le cadre de ce projet, un partenariat entre
l’industriel Dosisoft®, le Centre de Lutte contre le Cancer Léon Bérard et le laboratoire
de traitement d’images CREATIS LRMN a été développé pour élaborer cet outil de
segmentation automatique du thorax basé sur un atlas.
- Un outil de segmentation 4D : dans le cas de scanners 4D, il s’agit de remodeler les
contourages obtenus sur une phase du cycle respiratoire sur chacune des autres phases
reconstruites. Il s’agit d’une dimension intra patient. Cet aspect doit répondre aux
besoins dans le cadre de planification de traitement en radiothérapie 4D, notamment
pour la dosimétrie.

I.2. Avancement actuel des travaux du laboratoire.

Pour la dimension inter patient, des solutions parallèles ont atteint la phase de validation
clinique pour la segmentation des structures cérébrales, ORL, thoracique et pelvienne (1-4). Il est
important de souligner qu’il existe plusieurs « philosophies » pour la segmentation automatique, que
nous discuterons plus loin. Celle retenue par l’équipe repose sur la combinaison d’un atlas
anatomique à un algorithme informatique dit de recalage déformable. L’atlas consiste en l’élaboration
d’une série de contourages de structures d’intérêt, sur les scanners dosimétriques de différents patients.
Ensuite, deux options sont possibles avant la combinaison à l’algorithme : soit l’ensemble de
contourages est moyenné, et c’est cette moyenne des contourages qui sera traitée pour être recalée sur
de nouvelles images ; soit l’ensemble des contourage est conservé, et l’algorithme, lorsqu’il est utilisé
pour de nouvelles images, cherche dans son atlas les images les plus proches correspondantes, en
retire les contourages qu’il traite alors pour faire correspondre aux nouvelles images. Le choix
technologique n’a, pour l’instant, pas encore été fait. Secondairement, l’algorithme compare 2 images
(une issue de son set de référence, l’autre issue d’une nouvelle acquisition) et cherche une déformation
pour les mettre en correspondance. Une fois la déformation trouvée, celle-ci est appliquée aux
contourages issus du set de référence afin de pouvoir les reporter sur les nouvelles images.
Pour la dimension intra patient, l’unité a déjà beaucoup travaillé sur l’utilisation du recalage
déformable dans le traitement d’image scanner en 4D, c’est-à-dire une image scanner capable de
rendre la dimension temporelle (5-8). En pratique, il s’agit d’un mode d’acquisition
tomodensitométrique couplé à un système « d’indexation » de la respiration. L’imageur est capable de

-7-
reconstruire une série de coupes représentant, pour chaque série, un moment précis du cycle
respiratoire bien précis (de la fin d’inspiration à la fin d’expiration). Un total de 10 phases du cycles
sont ainsi reconstruites (voir détails plus bas). Un algorithme informatique de déformation d’images,
élaboré dans l’unité (5), déforme une image représentant une phase du cycle pour lui faire représenter
une autre phase. Cette image déformée est ensuite comparée à la phase correspondante, acquise et
reconstruite sur le scanner 4D. La comparaison s’effectue ainsi : un expert (radiologue,
radiothérapeute), clique sur différentes phases des voxels dont l’identification est reproductible
(bifurcation vasculaire ou bronchique). L’algorithme est appliqué sur une première phase, disons la
phase 0 ; on crée alors une phase 1’, qui est l’estimation par l’algorithme de ce que doit être l’image au
temps 1, avec une évaluation de la position des voxels identifiés sur la phase 0. On mesure alors les
distances entre les voxels projetés sur la phase 1’ et ceux identifiés sur la phase 1 (« ground truth ») :
si ces mesures sont minimes voire insignifiantes, on peut alors valider l’algorithme. L’ensemble de
cette première phase de validation a été mis à disposition de la communauté scientifique pour
permettre la validation d’autres algorithmes de recalage élaborés par d’autres équipes de recherche (9).
La deuxième étape de validation consiste à appliquer l’algorithme non plus uniquement sur des voxels
isolés, mais sur des volumes de voxels, c’est-à-dire des contourages. Le principe de validation est le
même. A terme, l’objectif est de pouvoir projeter un contourage obtenu sur une phase sur l’ensemble
des autres phases en appliquant l’ensemble de décalages et déformations nécessaires. On obtiendra
alors autant de contourages qu’il y a de reconstructions pour imager le cycle respiratoire, ce qui
permettra, entre autres, l’élaboration d’une dosimétrie 4D.

I.3. Contribution personnelle.

Le groupe R.I.O est constitué de chercheur ayant une orientation plutôt informatique (traitement
d’images) développant des algorithmes de recalage. Le travail qui m’a été confié requérait des
compétences plus médicales a consisté en l’élaboration d’un atlas anatomique de référence, sur coupes
scanners devant servir :
- de modèle à déformer dans le cadre de la segmentation automatique (dimension inter
patient)
- de modèle de validation des algorithmes de déformation pour la dimension intra
patient.
L’atteinte de ces objectifs a nécessité :
- pour la dimension inter patient :
o la définition des structures d’intérêt pour la radiothérapie thoracique
o la constitution d’un panel d’experts en imagerie médicale thoracique pour
l’élaboration d’un consensus sur la définition des scanners des structures.
o le contourage sur 6 scanners des structures choisies qui serviront à établir un
atlas de référence (technologie exacte encore à choisir, cf. supra).
- pour la dimension intra patient :
o l’optimisation de la validation par points (un volume de 40 points sur 2 phases
était disponible lors de ma prise de fonction dans le stage, mais certaines zones
étaient trop pauvres en points de référence pour valider de manière optimale
l’algorithme).
o Le contourage de structures choisies pour leur mobilité relative sur 6 phases du
cycle respiratoire différentes, sur 3 patients distincts.

I.4. Le site de stage.

Le stage s’est déroulé dans un laboratoire détaché auprès du département de radiothérapie du

Centre de Lutte contre le cancer Léon Bérard, à Lyon. Voir l’annexe en VIII.1 pour plus de détails.

-8-
 II. Concepts : la segmentation automatique.
L’idée de faire reconnaître par un logiciel informatique l’anatomie normale et pathologique est à
peu près aussi ancienne que l’imagerie en coupes ; les premières publications datent du milieu des
années 80.
Ce concept revêt une importance particulière dans la nouvelle ère de la radiothérapie.
- lors de la planification : le contourage sert au ciblage, la définition de la balistique et à
la dosimétrie prévisionnelle.
- en cours de traitement : le contourage sert au repositionnement (IGRT). Il faut en effet
disposer d’un imageur embarqué capable de générer des acquisitions scanner ainsi
qu’un traitement des images (nouveaux contourages). La plus grande précision pour le
repositionnement peut faire envisager une diminution des marges de repositionnement
(10; 11) et potentiellement une escalade de dose pour des tumeurs sensibles à cet effet.
Par ailleurs, ces nouvelles images peuvent faire envisager une adaptation du traitement
en fonction de l’évolution de la tumeur (« radiothérapie adaptative ») (12).
Le travail de contourage est laborieux, souvent répétitif (organes à risque), et surtout très
chronophage pour le radiothérapeute ; ses compétences peuvent être plus utiles sur d’autres aspects de
l’organisation d’un plateau technique (surveillance des patients, participation aux réunions de
concertation pluridisciplinaires…).
Un objectif de recherche est d’automatiser une partie de la procédure : celle de la
reconnaissance des structures anatomiques et la réalisation de leur contourage.
Les deux objectifs finaux majeurs à l’élaboration de tels logiciels sont :
- Une homogénéisation des contourages (diminution de la variabilité inter observateur) :
le logiciel doit assurer un contourage précis, fiable et reproductible de structures
anatomiques pertinentes pour la radiothérapie. Beaucoup d’auteurs ont mis en évidence un
défaut manifeste de reproductibilité à la fois inter et intra observateur sur pratiquement
toutes les localisations tumorales : cerveau (13), ORL (14-16), col utérin (17), poumons
(18-23), œsophage (24), prostate (14; 25-27)… Les arguments avancés pour expliquer de
telles variations sont : des connaissances anatomiques et anatomo-pathologiques
différentes, des interprétations individuelles des rapports ICRU, des difficultés à identifier
le volume cible macroscopique (GTV), une tendance à contourer l’extension infra clinique
dans le volume macroscopique, une expérience variable entre les observateurs (14; 28; 1).
Les publications concernant les outils d’aide au contourage plaident pour une meilleure
reproductibilité intra observateur et une variabilité inter observateur du même ordre de
grandeur entre outil informatique humain que humain / humain (29; 30).
- un gain de temps dans la planification des traitements en radiothérapie : le temps passé à
valider +/- corriger le travail de l’algorithme doit être (nettement) inférieur à celui passé à
faire un contourage manuel. Les auteurs travaillant sur la segmentation automatique
estiment avoir un gain de temps plus (2; 3; 31) ou moins sensible (32).

II.1. Principes de segmentation automatique et semi-

automatique.

La segmentation automatique consiste, quelle qu’en soit l’utilisation ultérieure, à faire

reconnaître à un logiciel des structures anatomiques. On entend par segmentation automatique un
processus sans aucune intervention humain, ou du moins une intervention minimaliste, autre que le
lancement du processus. Une procédure semi automatique nécessite une participation humaine
« active » (cliquer sur une structure pour initier l’algorithme, par exemple). Néanmoins, toute
procédure nécessite, qu’elle soit automatique ou semi-automatique, le contrôle humain du rendu final,
ainsi que les corrections nécessaires. En pratique, l’appellation « segmentation automatisée » est
quelque peu abusive ; on devrait plutôt parler d’ « aide au contourage », dans l’optique d’optimiser la
procédure de planification (gain de temps, optimisation de la définition des structures). Ces réserves
étant faites, on utilisera malgré tout l’appelation conventionnelle de segmentation automatique.

-9-
 D’une manière TRES schématique, on peut catégoriser les principales « philosophies » de
« segmentation automatique » en 5 classes :
- Les algorithmes de reconnaissance de forme : ils cherchent la position des contours, en
recherchant dans l’image les zones de rapide changement d’intensité (qui se traduisent
en niveau de gris). L’algorithme type est le « snake » (33; 34). On cherche à « imiter »
de raisonnement de l’opérateur humain. Certains algorithmes sont en deux dimensions,
d’autres en trois.
- Les algorithmes de croissance de région, ou « region growing » (30; 32; 35).
L’opérateur insère une « graine » (ou « seed ») sur la structure qu’il veut individualiser,
puis l’algorithme crée une extension progressive autour de cette graine et s’arrête en
fonction de contraintes qui lui sont imposées (reconnaissance de gradient d’intensité par
exemple).
- Les algorithmes basés sur des modèles, ou « model fitting » (36; 37), consistent en
l’utilisation de modèles paramétriques adaptatifs. On pourrait décrire cette solution
comme des modèles prédéfinis d’organe qui vont trouver leur position sur le nouveau
set d’images acquises. McInerney (36) les compare à des vers avec leur « cerveau »
(ensemble de système d’analyse de forme, de contraintes…), leurs « organes senseurs »
et leurs « muscles » (systèmes de déformations des contours pour adapter leur forme à
l’organe à contourer).
- Les algorithmes de transformation d’images basés sur un atlas, ou ABAS (Atlas Based
Automatic Segmentation) (38-40). Cette solution consiste en la mise en correspondance
d’images en opérant des transformations plus ou moins complexes (translations,
rotation, homothétie…) de manière globale sur toute l’image (recalage rigide) ou locale
(recalage déformable) en prenant en considération des champs de déformation
régionaux assortis à des contraintes géométriques. La matrice de déformation trouvée
pour mettre en correspondance les images est ensuite appliquée aux volume contourés
présents sur l’atlas afin de pouvoir être repositionnés sur les nouvelles images.
Cette classification est assez artificielle, et de nombreux algorithmes n’entrent pas dedans, soit
parce que la solution développée leur est propre et spécifique (11; 41), soit parce qu’il s’agit en fait
d’une combinaison de plusieurs algorithmes de classes différentes (3; 30).

II.2. Etat de l’art en segmentation automatique et semi

automatique

Il est illusoire de prétendre faire une revue de la littérature exhaustive sur ce sujet. Il existe
autant de solutions informatiques que d’équipes travaillant sur le traitement d’images. Des solutions
différentes sont adoptées selon l’objectif recherché (imagerie diagnostique, imagerie de planification
et de repositionnement en thérapie).
La synthèse bibliographique qui suit a été axée sur le traitement d’images médicales dans le
contexte de la radiothérapie.

II.2.a. Cerveau :

C’est pour cette topographie que les travaux sont les plus avancés, puisqu’on est passé à l’étape
de la validation en routine clinique (2). Un atlas de référence a été construit sur une IRM artificielle,
nommée Brainweb et disponible en ligne (42-44). Bondiau et al. (1) ont ainsi développé un outil
capable de reconnaître les yeux, les nerfs optiques, le chiasma, les voies optiques, la glande pituitaire,
le tronc cérébral, les noyaux gris centraux, le thalamus, le noyau caudé, le putamen, le pallidum, le
crâne, les ventricules, le cervelet, le cerveau dans son ensemble, la graisse sous cutanée et la peau. Un
premier recalage « plaque » l’IRM artificielle sur l’IRM du patient (transformation rigide), puis
l’algorithme génère un champ de déformation (comparaison des intensités de signal puis optimisation
par minimisation de la somme des carrés des écarts à la moyenne d’intensité) qui sera appliqué à
l’atlas. Sept experts ont participé à l’élaboration des contourages de référence, générant 42 jeux de
contourages. Les auteurs ont évalué les performances de leur outil par les paramètres de sensibilité et

- 10 -
de spécificité appliqués au tronc cérébral : le premier est décrit comme le ratio de probabilité pour un
voxel d’être correctement analysé par l’algorithme (appartenant au tronc cérébral ou non) sur la
probabilité que ce voxel appartienne au tronc cérébral, le deuxième comme la probabilité pour un
voxel d’avoir été incorrectement désigné comme appartenant au tronc cérébral par l’algorithme sur la
probabilité du voxel de ne pas appartenir au tronc cérébral. La référence (« ground truth ») était
élaborée à partir de l’ensemble des contourages de tous les experts pour tous les patients. Au final, la
sensibilité et la spécificité de l’algorithme étaient superposables à celles des experts (sensibilité : 0,77
pour l’algorithme vs 0,75-0,98 pour les experts, spécificité : 0,97 pour l’algorithme vs 0,85 – 0,99
pour les experts. Soulignons que les paramètres de cet outil ont été évalués en pratique de routine
clinique. Les résultats sont jugés acceptables pour les « grosses » structures (cervelet, yeux, tronc
cérébral) mais l’algorithme requiert encore une optimisation pour les plus petites structures (2).
D’autres algorithmes, non basés sur un atlas, ont été élaborés. Mazzara et al ont ainsi comparé
99 volumes cibles de radiothérapie (GTV) sur 11 patients différents (3 contourages par patient fait à 1
mois d’intervalle chacun par 3 radiothérapeutes) à ceux générés par 2 algorithmes (fully automated
knowledge Method (KG Method) et k nearest neighbor de type 2 (29). Ces algorithmes établissent une
analyse multispectrale de l’image IRM. Les performances étaient évaluées par un calcul de précision
défini comme suit : précision = nombre de pixels identifiés par l’algorithme comme appartenant au
GTV rapporté à la probabilité que ces mêmes pixels fassent partie du GTV, cette probabilité
correspondant nombre moyen de fois que ces pixels ont été identifiés par les experts comme
appartenant au GTV. Les résultats étaient nettement meilleurs pour les opérateurs humains (85% +/-
7%) que pour les algorithmes (respectivement 52 +/- 7 % et 56 +/- 6 %). A noter que dans cette étude,
les variabilités inter et intra observateur humain étaient évaluées respectivement à 28 +/- 12 % et 20
+/- 16 %. Les auteurs argumentaient cependant que, par définition, les algorithmes ne pouvaient avoir
que des performances inférieures aux opérateurs humains, étant donné que ceux-ci étaient considérés
comme référence.
D’autres travaux ont encore été menés (36; 45; 46) mais sortent du cadre de l’utilisation en
radiothérapie.

II.2.b. ORL :

Commowick et al (4) ont élaboré une solution basé sur un atlas en exploitant les plans de
traitement de 45 patients irradiés sur la sphère ORL à l’université de Louvain, en Belgique. Les
contourages faits par cette équipe très expérimentée qui concernaient les aires ganglionnaires II, II et
IV, les parotides, les glandes sous maxillaires, la mandibule, la moelle et le tronc cérébral ont été
récupérés et symétrisés. L’atlas est construit par moyennage des contourages disponibles. L’analyse
quantitative des travaux de validation sur 12 patients, en appliquant la méthode du « leave one out » :
l’atlas moyen était reconstruit en utilisant tous les contourages et tous les scanners disponibles, sauf
celui pour lequel on veut appliquer la segmentation automatique. Les performances ont été évaluées
par la mesure de la sensibilité et de la spécificité (sans plus de précisions) : la sensibilité moyenne était
de 0,82 et la spécificité de 0,86. L’évaluation qualitative était jugée satisfaisante pour les auteurs.
Zhang et al (47) ont utilisé un algorithme de recalage déformable pour reporter les contourages
de planification de 7 patients irradiés sur la sphère ORL à des scanners faits sur ces mêmes patients de
façon hebdomadaire pendant l’irradiation. Les contourages du GTV tumoral, de la mandibule, du
tronc cérébral, des parotides et des aires ganglionnaires ont ainsi été reportés et comparés aux
contourages manuels refaits sur l’ensemble des acquisitions scanner. Les différences obtenues entre
contourages manuels et automatiques étaient de l’ordre de 1 à 3 mm, ± 2 mm. Le GTV n’a finalement
pas été comparé, du fait de son faible contraste, de l’absence d’imagerie de fusion (IRM, TEP FDG)
empêchant sa reconnaissance de manière fiable sur l’imagerie en cours de traitement.
Lee et al (41) ont développé un outil de segmentation automatique du cavum, basé
essentiellement sur un seuillage à partir du réhaussement par le produit de contraste sur la tumeur (la
technique est semi automatique, car un opérateur doit amorcer manuellement l’algorithme au niveau
de la tumeur). Les muscles ptérygoïdiens et les fosses nasales sont extraites (soustraction de signal et
expansion de pixels). Il résulte du premier traitement une cartographie de probabilité pour chaque
pixel d’appartenir à la tumeur, qui est ensuite lissée et à nouveau seuillée ; les groupes de pixels

- 11 -
étiquetés tumoraux mais isolés sont éliminés, et les pixels étiquetés non tumoraux mais entourés de
tumeur sont inclus dans le volume. Un radiologue expert en radioanatomie du cavum a établi un jeu de
7 contourages de référence sur 7 patients différents. Les performances étaient évalués par le
pourcentage de recouvrement des deux contourages (PM), ainsi qu’un ratio de correspondance (CR) :
Vrais Positifs
PM = x 100
Nombre de pixels inclus dans la tumeur par expert humain
Vrais Positifs - 0,5 x Faux Positifs
et CR = x 100
Nombre de pixels inclus dans la tumeur par expert humain
Le pourcentage de recouvrement était de 78,5 +/- 3,86 % et le ratio de correspondance était de
66,5 +/- 7%. Les auteurs soulignaient de grandes difficultés au niveau du toit du cavum, et une
amélioration nécessaire de leur outil pour le ciblage (manque de reproductibilité).
Notons que dans ces travaux, les auteurs n’ont pas précisé le temps nécessaire pour le
contourage manuel ni automatique…

II.2.c. Prostate :

Différents objectifs ont été recherchés par la reconnaissance automatisée : une aide au
repositionnement avant les séances d’irradiation et une aide au contourage de la prostate et des
organes à risque dans le cadre de la planification du traitement.

Aide au repositionnement.
Des algorithmes cherchent de manière automatisée ou semi automatisée la prostate et, en
confrontant à l’imagerie de référence, font une proposition de repositionnement.
Wang et al (48) ont développé un outil basé sur le recalage déformable dont l’optimisation de la
déformation était basée sur la comparaison de l’intensité des pixels aux mêmes coordonnées. Il
s’agissait d’optimiser les décalages linéaires opérés par un algorithme conventionnel, afin de prendre
en compte des déformations locales de l’image. La validation s’est faite en 3 étapes :
1> en comparant des images transformées par un algorithme mathématique connu, et en
comparant les valeurs de recalage opérées par l’algorithme par rapport à celles
générées par la transformation mathématique le cœfficient de corrélation (non défini
précisément par les auteurs) passait de 0,626 à 0,991 (une valeur de 1 étant une
correspondance parfaite) entre l’image transformée recalée linéairement et l’image
traitée par l’algorithme de recalage déformable ;
2> sur fantôme : les auteurs généraient des déformations d’un rectum artificiel en le
remplissant d’un volume variable de gaz (0 – 100 cc) ; le cœfficient de corrélation
entre l’image avec rectum plein et celle recalée par l’algorithme passait de 0,543 à
0,816 grâce à l’algorithme de recalage déformable.
3> sur scanners (imageur scanner en salle de traitement) : l’adjonction du recalage
déformable aux transformations linéaires de recalage fait passer le cœfficient de
corrélation de 0,610 à 0,944 entre deux scanners acquis lors de deux séances
différentes.
Les auteurs concluaient ainsi à l’amélioration de leur outil de repositionnement, notamment vis-
à-vis des déformations locales inter fraction que l’on peut observer, et ainsi améliorer les correctifs à
apporter pour le repositionnement inter fraction. Les auteurs n’ont en revanche mené aucune étude sur
le gain potentiel attendu pour la réduction des marges de repositionnement.
Fei et al (49) ont aussi élaboré un outil de repositionnement automatique, basé sur la
comparaison de l’intensité des niveaux de gris par voxel. L’algorithme filtre les densités extrêmes (os,
air), crée un masque autour du GTV contouré sur le scanner dosimétrique et le compare à un masque
de recalage replacé par reconnaissance des intensités de voxels, sur le scanner réalisé en salle de
traitement. Une comparaison entre le repositionnement moyen fait sur un même set de 120 images
obtenus à partir de deux patients différents par sept utilisateurs humains (quatre radiothérapeutes et
trois physiciens médicaux) et le repositionnement proposé par l’algorithme était effectuée. Un set
d’image était considéré comme facile (anatomie standard, peu de déformations) tandis que le set
obtenu à partir du deuxième patient était considéré comme difficile (antécédent de résection endo

- 12 -
urétrale de prostate, poches de gaz dans le rectum régulièrement présentes). Les comparaisons des
déviations standards des repositionnements de l’algorithme, de la moyenne des opérateurs humains, de
la variabilité intra observateur et inter observateur étaient exactement du même ordre de grandeur : 0,5
mm en droite/gauche, 0,5 mm en antéro-postérieur, 1 mm en cranio-caudal. Par ailleurs, l’utilisation
de l’algorithme diminuait sensiblement la durée de repositionnement (six minutes en moyenne en
automatique, confirmation humain comprise contre 8 - 9 minutes pour une validation entièrement
manuelle). Néanmoins, ce temps restait supérieur d’une minute et demie par rapport à un
repositionnement par échographie, pratiqué en routine dans l’hôpital des auteurs (MD Anderson,
Houston, USA). L’équipe du NKI (Amsterdam) a développé un algorithme un peu similaire, basé sur
la reconnaissance d’intensité Hounsfield dans des régions d’intérêt (« Chamfer algorithm ») (11). La
procédure est relativement identique : reprise du GTV avec marges et définition d’une région d’intérêt
(ROI), projection de cette région sur le nouveau scanner, effacement des densités Hounsfield
extrêmes, extraction des mesures de densités électroniques dans la région d’intérêt et optimisation par
minimisation des différences de densité entre les deux ROI (scanner dosimétrique et scanner de
traitement). Le temps requis pour un repositionnement automatisé était de 45 secondes sur un PC
standard. Le taux de succès par comparaison à un repositionnement basé sur un contourage manuel
fait par deux experts différents pour chacun des 19 patients de l’étude s’élevait à 91 %. Les auteurs
proposent de minimiser les marges de repositionnement dans la définition des volumes de traitement
(marges au PTV) dans le cadre de l’utilisation de leur algorithme. Cette valeur est critiquable car les
contourages manuels, avec toutes leurs incertitudes, sont considérés comme le « ground truth » et les
algorithmes, de fait, ne peuvent qu’être moins performants. Il faut souligner que ces deux derniers
algorithmes ne font pas de segmentation automatique à proprement parler : ils reconnaissent la « zone
prostatique » à partir du GTV du scanner dosimétrique, auquel est appliqué des marges variables. Puis
l’intensité des pixels dans cette zone et comparée et la différence minimisée. Au final, ce sont les
niveaux de gris dans une région d’intérêt qui sont analysés plutôt que la prostate elle même ; autant
cette différence est significative pour un opérateur humain, autant elle n’a pas de sens sur le plan
informatique.
Hua et al (50) utilisent un scanner TDM dans la salle de traitement. La table est montée sur rails
et peut faire passer le patient de l’accélérateur linéaire à l’imageur sans le faire descendre ni modifier
les contentions. Ces auteurs utilisent un algorithme dit d’ « extent fitting » qui analyse la forme de la
prostate dans le plan coronal à partir de l’acquisition du jour. De manière intéressante, Hua montre
qu’en basant le repositionnement sur une acquisition scanner, les marges utiles (« set up margins »)
peuvent être réduite des 5 à 8 mm actuels à environ 1 mm tout en assurant une meilleure couverture de
la prostate et une meilleure protection des organes à risque. L’algorithme arrive à un écart inférieur au
millimètre par rapport au contourage manuel.

Aide à la planification.
D’autres équipes ont élaboré des algorithmes plus centrés sur la segmentation automatique des
structures pelviennes, avec des écarts de positionnement entre les contourages huamin et
informatiques de l’ordre du millimètre.
Mazonakis et al (32) publiaient, dès le début des années 2000, une solution semi automatique
basé sur le Region Growing pour la prostate, la vessie et les têtes fémorales permettant, selon lui,
d’être déjà intégrée en routine. L’algorithme procédait à une expansion du volume, guidée par des
contraintes de densités Hounsfield des pixels. Le set d’évaluation comportait 10 scanners
dosimétriques pelviens, injectés, avec une épaisseur de coupe de 5 mm. Un premier radiothérapeute a
réalisé trois contourages manuels et trois contourages semi automatiques sur chacun des 10 scanners ;
un deuxième radiothérapeute et trois physiciens médicaux ont réalisé à eux quatre un contourage
supplémentaire pour chaque scanner. Le temps de contourage moyen pour un opérateur humain était
de 12,3 minutes (8,4 – 14,8) et pour l’algorithme de 8,4 minutes (7-10,9 minutes). Les performances
étaient évaluées par la mesure des écarts de contourage entre l’algorithme et un opérateur humain : ils
étaient de 0,98 ± 0,08 mm pour la prostate, 1,01 ± 0,03 mm pour la vessie et de 0,98 ± 0,05 mm pour
les têtes fémorales. Les corrections et autres inputs (aides manuelles apportées à l’algorithme) étaient
fréquemment nécessaires (20 à 30 % des coupes, selon la structure considérée), pour un résultat
sensiblement équivalent au travail entièrement manuel, que ce soit en temps ou en qualité…

- 13 -
 Pekar et al (31) ont élaboré une solution basée sur un atlas pour la vessie, le rectum
(uniquement sur la hauteur de la prostate) et les têtes fémorales. Un seul expert a réalisé les
contourages de référence (40 scanner dosimétriques) qui ont été moyennés. La minimisation d’une
fonction de coût (énergies internes – énergie externe, c’est-à-dire minimisation de la déformation de la
structure considérée par rapport à son modèle tout en attirant les limites de cette structure vers les
limites détectées dans l’image) permettait l’adaptation de l’atlas aux nouvelles images. La
segmentation automatique requérait 15 minutes sur un PC standard, contre une à deux heures pour un
opérateur humain pour les quatre volumes sur 60 coupes, temps qui paraît singulièrement abusif pour
un opérateur normalement entraîné…Les performances étaient évaluées par la mesure des écarts entre
les contourages manuel et automatique, l’atlas de référence étant à chaque fois moyenné en suivant la
technique du « leave-one-out », c’est-à-dire en moyennant sur toutes les images disponibles, sauf
celles sur lesquelles on veut appliquer l’atlas. Les déviations ont été ainsi évaluées à 0,94 mm en
moyenne (maximum de déviation : 5,05 mm), à 1,63 et 1, 32 mm (maximum de déviation : 8,34 et
7,59 mm) pour la vessie et 1,69 et 1,52 mm (maximum 8,20 et 6,98 mm) pour le rectum. La vessie et
le rectum disposent de 2 valeurs correspondant à deux séries d’évaluation obtenues sur deux séries de
scanner différents. Les auteurs soulignaient qu’un point faible de leur méthode était le manque
d’exhaustivité potentiel de leur atlas (l’algorithme ne peut reconnaître que ce qu’il a déjà « vu »), mais
qu’en revanche il avait la capacité de reconnaître des structures « invisibles », c’est-à-dire des
structures identifiées par soustraction d’autres organes. L’exemple type d’une structure « invisible »
est une aire ganglionnaire, identifiée comme un espace défini entre des structures anatomiques bien
définies (muscle, vaisseaux, os…).
Pasquier et al (30) ont élaboré une solution basée sur des images IRM. La prostate était
contourée en plaçant une moyenne de 200 points, repérés par leurs coordonnées. Un ensemble de 24
IRM provenant de 24 patients différents a permis d’élaborer 5 modèles de déformation pour la
prostate. L’optimisation de la déformation était basée, comme pour les travaux de Pekar et al, sur la
minimisation d’une fonction de coût (énergie interne – énergie externe). La vessie et le rectum étaient
contourés par une méthode de « region growing » classique, et la limite d’inclusion des voxels était
basée sur un gradient de niveau de gris. L’évaluation s’est faite entre les contourages manuels faits par
un seul expert humain et les contourages automatiques en mesurant les volumes de recouvrement (=
Vm∩Va Vm∩Va
avec Vm : volume manuel et Va : volume automatique) et les volumes corrects (= ,
Vm∪Va Vm
mêmes abréviations). Pour le CTV, le volume de recouvrement était de 0,784 ± 0,05 et le volume
correct était de 94,7 ± 3,3 %. Pour le rectum, le volume de recouvrement était de 0,78 ± 0,06 et le
volume correct de 86,5 ± 6,21 %. Pour la vessie, le volume de recouvrement était de 0,88 ± 0,03 et le
volume correct de 91,3 ± 3,08 %. Les volumes générés automatiquement étaient globalement plus
volumineux que les volumes manuels. La segmentation automatique prenait environ une heure par
patient pour l’ensemble des structures. La discussion des auteurs a surtout été axée sur les méthodes
d’évaluation des algorithmes concurrents, en soulignant la classique sous évaluation des performances
de l’algorithme par comparaison à un opérateur humain, « gold standard » critiquable.

II.2.d. Poumons

Des solutions très variées ont été apportées. Zhang et al (51) ont effectué des travaux de
délinéation des lobes basés sur la reconnaissance des scissures inter lobaires par combinaison d’un
atlas pulmonaires et d’un algorithme de rehaussement du contraste des scissures. Cet algorithme a
permis un gain de temps appréciable (8 minutes vs 75 minutes pour un contourage manuel) avec un
Vm∩Va
index de similitude (défini comme un volume de recouvrement : avec Vm : volume manuel
Vm∪Va
et Va : volume automatique) satisfaisant : 98,8 %. Notons que l’algorithme développé dans ces
travaux est limité à la segmentation des lobes, et que ses performances restent étroitement liées à la
qualité d’image (résolution spatiale).
Kuhnigk et ses collaborateurs (35) ont publié des travaux de reconnaissance de l’anatomie
thoracique basés sur le « Region Growing ». Leur algorithme permet la reconnaissance de l’arbre
bronchique, identifiant même ses différentes branches, ainsi que celle des lobes pulmonaires et de

- 14 -
leurs segments (encore que les auteurs estiment ne faire qu’une approximation de la reconnaissance
des segments). Pour les bronches, l’algorithme identifie automatiquement sur une coupe l’intensité
Hounsfield de l’air au niveau de la trachée (- 1024 unités Hounsfield), puis procède à l’expansion en
respectant des contraintes de densité Hounsfield. Secondairement, l’arbre est « squeletisé » ; ce
squelette est converti en graphique dont les sommets sont interprétés comme des points de
ramification de l’arbre. De là, l’algorithme est en mesure d’identifier les segments bronchiques. Pour
le parenchyme pulmonaire, le logiciel procède à une expansion de volume à partir des segments
bronchiques, toujours en respectant des contraintes de densité (-400 à -1024 UH). La segmentation des
lobes est opérée non pas par une reconnaissance des scissures, mais par en recherchant la distance
minimale entre chaque voxel et les bronches. Ainsi, caque voxel est rattaché à la bronche dont il est le
plus proche, et identifié en tant que tel. Pour optimiser cette procédure, une segmentation de la
vascularisation, dont le développement embryonnaire est jumelé à celui des bronches (les bronches et
les vaisseaux sont dont « mitoyens » (52). La disparition des gros vaisseaux dans certaines zones,
correspondant aux limites des segments pulmonaires, permet d’affiner la limitation de la
segmentation. L’utilisation de leur logiciel a permis d’obtenir une reproductibilité intra et inter
observateur de 99 ,5 % sur 150 scanners (test fait à une époque où l’algorithme requérait encore une
initialisation manuelle). Le contourage automatique a été comparé à une étude sur dissection ; la
précision décroît au niveau de la segmentation des petites bronches, et les auteurs évaluent la précision
globale de 80 %, en allant jusqu’au 5e niveau de ramification bronchique. Les auteurs prévoient des
applications avant tout diagnostic : estimation objective du degré d’emphysème, estimation de
l’amputation de la fonction pulmonaire après lobectomie.
Enfin, Haas et al (3) ont publié les travaux peut-être les plus avancés en matière de
segmentation automatique du pelvis et du thorax. Leur algorithme opère dans un premier temps une
reconnaissance des structures osseuses (contourant ainsi au passage les têtes fémorales) par un
seuillage approprié, dans les hautes valeurs de densités Hounsfield, et en déduit ainsi une orientation
du patient dans l’espace. Dans un 2e temps, le rectum, la vessie, la mœlle épinière, la trachée, du cœur,
et l’aorte thoracique sont délinéés grâce à une méthode dite de « flood filling » associée à des
contraintes (atlas correspondant à un ensemble de scanners moyennés) et des tests de plausibilité
(homogénéité des contours dans les 3 plans de l’espace). Le « flood filling » pourrait se traduire
comme un algorithme basé sur le « region growing » sur des structures de densité moyenne
(graisseuse ou liquidienne) couplé à une reconnaissance des contours des structures voisines. Un test
de validation interne a montré un taux de vrais positifs de 99 % et de vrais négatifs de 100%. Le
logiciel a ensuite été proposé dans des services cliniques, soumis à des dosimétristes et des
radiothérapeutes pour une application sur leurs propres acquisitions scanner. Il leur était demandé le
gain en temps estimé grâce au logiciel (en tenant compte du temps nécessaire pour les corrections
manuelles). On retient qu’aucun radiothérapeute n’a validé à 100 % les contourages proposés (i.e. tous
ont estimé nécessaire de faire des retouches) ; les auteurs estiment que dans environ 70 % et 90 % des
cas, respectivement pour les contourages du pelvis et du thorax, les cliniciens ont estimé avoir eu un
gain de temps grâce au logiciel, y compris quand des correction majeures étaient nécessaires. Une
lecture un peu plus critique de leurs résultats, en ne tenant compte que des cas où il n’y avait pas de
correction ou seulement des corrections mineures, ces taux chutent respectivement à 15 et 55 %
environ (moyenne faite entre les avis médecins et des dosimétristes). Notons que la reconnaissance
initiale des structures osseuse, lors de la phase de pré-segmentation (orientation du patient dans
l’espace) pourrait être utile dans le domaine du repositionnement du patient en salle de traitement.

- 15 -
 III. Matériel et méthode.
Notre objectif a été de sélectionner des structures pertinentes pour nos 2, et d’en faire un
nombre de contourages suffisants, sur plusieurs scanners différents et par plusieurs opérateurs
différents afin de réaliser une base de données que nous appelons atlas. Cet atlas permettra d’une part
de procéder à une segmentation automatique sur de nouveaux patients, et d’autre part de valider
l’algorithme de recalage 4D.
Nos principales étapes ont ainsi été :
- de constituer un groupe d’experts en radio-anatomie thoracique.
- de définir les structures d’intérêt : quelles structures ? quelles références pour le
contourage ?
- définir le type de patient dont il faut récupérer les images.
- obtenir des images scanners de qualité standard, sans modifier les protocoles cliniques
habituels ni faire réaliser de nouvelles acquisitions spécifiques (radioprotection du
patient).
- faire les contourages selon une technique la plus reproductible possible.
- Optimiser la base de données pour la validation de l’algorithme 4D.

III.1. Réunion d’un panel d’experts.

Un groupe d’experts dans l’anatomie du thorax a été réuni pour donner son avis concernant le
choix des structures pertinentes, la manière de les définir sur un scanner (consensus), de refaire
certains contourages pour les structures les plus sujettes à la variabilité inter observateur.
Les experts sont (par ordre alphabétique) :
- Dr Dominique Arpin, pneumologue.
- Dr Christian Carrie, radiothérapeute.
- Dr Line Claude, radiothérapeute.
- M Fleury Bertrand, interne radiothérapie 8e semestre.
- Pr Philippe Giraud, radiothérapeute.
- Mlle Lize Kiakouama, interne de pneumologie, 8e semestre.
- Dr Karim Mosbah, radiologue.
- Dr Sawina Provencher, radiothérapeute.

III.2. Définition des structures d’intérêt en radiothérapie

thoracique.
III.2.a. Choix des structures.

Deux jeux de contourages, comportant certaines structures communes, ont été élaborés : un set
pour l’aspect inter patient, un autre pour l’aspect intra patient.

Bibliothèque de contourages pour l’aspect inter patient.

Il s’agit de l’ensemble des structures reconnues pertinentes par les experts pour la segmentation
automatique de nouveaux scanners. Ces structures se répartissent selon différents intérêts :
o Des structures « dosimétriques » : c’est-à-dire des structures pour lesquelles il
est intéressant de disposer de manière systématique de la dose reçue : poumons,
cœur, moelle épinière, œsophage, plexus brachiaux.
o Des structures « cibles » : il s’agit des structures d’intérêt pour le ciblage
tumoral : les aires ganglionnaires médiastinales. Ce sont des volumes dont le
contourage n’est pas aisé (53), et peuvent avoir un intérêt dans le cadre de la
radiothérapie de cancer broncho-pulmonaires non à petites cellules (54) ou pour
les lymphomes malins thoraciques (55).

- 16 -
 o Des structures « de construction » : plus faciles à identifier, qui auront pour
objectif d’aider la construction des autres volumes. Il s’agit des vertèbres et du
rachis (aide pour la moelle), des vaisseaux sanguins (aorte, veines caves, artères
pulmonaires : aide pour les aires ganglionnaires), d’une ligne joigant le bord
externe de l’aorte ascendante à la moitié du corps vertébral et d’une autre
joignant le bord externe du tronc de l’artère pulmonaire au bord externe de
l’aorte descendante (aide pour les aires ganglionnaires 10/11 droite et gauche),
l’arbre bronchique (plutôt dans une optique d’aide en radiodiagnostic).
L’annexe 2 décrit de manière exhaustive les structures incluses dans cette bibliothèque.

Bibliothèque de contourages pour l’aspect intra patient.

Il s’agit de structures dont la mobilité au cours du cycle respiratoire rend leur segmentation
automatique intéressante pour valider l’algorithme :
- les lobes pulmonaires
- l’arbre bronchique
- les gros axes vasculaires
- le cœur
- les 8e, 9e et 10e paires de côtes (zones de mouvement relatif entraînant de fréquentes
erreurs de l’algorithme).
L’annexe 3 décrit de manière exhaustive les structures incluses dans cette bibliothèque.

III.2.b. Recherche de références pour le contourage.

La recherche de références a été basée sur une analyse de la littérature d’après la base de
données Pubmed, l’étude d’ouvrages anatomiques, l’étude de description de contourage dans des
protocoles thérapeutiques de radiothérapie.
Les références retenues sont présentées dans la partie IV : Résultats.

III.3. Obtention des images et contourage.

III.3.a. Acquisition des images.

Nous avons prévu d’intégrer 6 scanners pour élaborer notre référentiel inter patient : trois
scanners acquis sur un mode 4D, trois scanners acquis en inspiration bloquée.

Acquisition 4D :
Une acquisition scanner 4D consiste à obtenir une série de scanners 3D usuels, mais chaque
série correspond à une phase précise du cycle respiratoire.
Le cycle respiratoire est découpé artificiellement en 10 phases, identifiées de 0 %,
correspondant globalement au maximum inspiratoire sur un cycle normal, à 50 %, le maximum
expiratoire. Les séries reconstruites de 0 à 50 % constituent la phase expiratoire, et de 50 % à 100 %
(ou 0%) la phase inspiratoire. Le cycle imagé correspond à un cycle normal (pas d’inspiration ou
d’expiration profonde). Le volume d’air qui est mobilisé durant ce cycle correspond au volume
courant. Un système d’indexation permet de faire corréler un signal qui représente le cycle respiratoire
(spiromètre, ceinture de pression abdominale, caméra…) aux acquisitions.
Il existe 2 façons d’obtenir des séries de reconstructions 4D :
- une manière prospective : les images ne sont acquises que lorsque le scanner détecte,
sur le signal d’indexation, la phase du cycle respiratoire que l’on cherche à imager et
déclenche l’acquisition. Celle-ci est arrêtée dès que le signal ne correspond plus, puis
reprise au cycle suivant, et ainsi de suite. On répètera ce processus pour chaque phase
du cycle.
- Une manière rétrospective : une série d’acquisitions est effectuée, le signal respiratoire
étant enregistré en parallèle. Puis on trie dans l’ensemble des acquisitions celles qui
correspondent à la phase du cycle que l’on veut reconstruire. On obtient ainsi une phase.

- 17 -
 On répète l’opération pour reconstruire toutes les phases qui nous intéressent. Cette
procédure est bien entendu automatisée.
C’est cette dernière technique que nous avons utilisée pour nos acquisitions. Celles-ci ont été
effectuées sur le scanner de dosimétrie du département de radiothérapie du centre de Lutte Contre le
cancer Léon Bérard (scanner Brillance 16 BigBore de Philips®, Eindhoven, Pays Bas) Les patients
étaient placés en position de traitement, bras au-dessus de la tête, dans une contention personnalisée
(en mousse de polyuréthane Alpha Cradle® (Smithers Medical Product®, North Canton, Ohio, USA).
Les images ont été acquises sans injection de produit de contraste et reconstruite en coupes de 2 mm.

Acquisitions 3D bloquées :
Ces images ont été obtenues auprès du service de radiologie du Centre Léon Bérard. Il s’agissait
de patients en bilan de ré évaluation. Ces images ont été acquises sur un scanner MX 8000 (Philips,
Eindhoven, Pays Bas), patient en décubitus dorsal, bras au dessus de la tête, avec injection d’un bolus
de produit de contraste iodé IV. Les reconstructions ont été faites en coupes de 1 mm et de 5 mm.

III.3.b. Patients contourés.

Les images que nous avons récupérées sont celles qui ont été utilisées soit pour la planification
d’irradiation soit dans le cadre de bilan d’évaluation au centre de Lutte Contre le cancer Léon Bérard.
Aucune acquisition supplémentaire n’a été faite dans le cadre de notre étude (radioprotection des
patients).
Six patients ont été prévus pour cette étude. Il s’agissait d’adultes hommes ou femmes ne
présentant pas de déformation thoracique patente majeure (tel qu’un rachis scoliotique prononcé, un
emphysème pulmonaire important…). De même, la déformation induite par la tumeur lorsque celle-ci
était présente dans le champ d’acquisition des images ne devait pas entraîner de déformation
significative de l’anatomie thoracique.

III.3.c. Le logiciel de contourage : Isogray®

La firme Dosisoft® (Cachan, France) a participé au projet en nous prêtant une station de
planification de traitement, Isogray®. Seuls les modules de communication avec le serveur DICOM,
de visualisation DICOM, de recalage d’image multimodalité et de contourage étaient disponibles dans
la version fournie.
Notons que le logiciel offre des possibilités de contourage semi automatique (moelle épinière)
ou automatique (contours externes) qui n’ont pas été utilisées.

III.3.d. Méthode de contourage

Principes généraux.
Le contourage consiste à « dessiner », aux moyens d’outils dédiés, des structures d’intérêt.
Il peut être manuel, au moyen d’outils de type « crayon » (on « entoure » la structure d’intérêt
en suivant ses bords) ou « pinceau » (tous ce qui est à l’intérieur des limites du pinceau est intégré
dans le contourage). Des outils semi automatiques sont aussi disponibles, mais, comme ils n’ont pas
été utilisés dans le cadre de notre atlas, ils ne seront pas détaillés içi.
L’outil « pinceau » peut être « fenêtré » : on paramètre une fenêtre de densité Hounsfield pour
que seuls les pixels dont les intensité correspondent à cette fenêtre soient inclus dans le volume. Par
exemple, on peut déterminer une fenêtre [100 UH ; 2500 UH] pour n’inclure que des pixels
correspondant à des densités osseuses. Cette astuce permet d’accélérer le contourage, d’en augmenter
la fiabilité et la reproductibilité.

- 18 -
 Figure 1 : contourage au pinceau fenêtré. Notez que le pinceau déborde largement dans les
tissus sans que ceux ci ne soient inclus dans le contourage.
Les opérateurs booléens permettent des opérations « logiques » (au sens mathématique du
terme) sur des ensemble de voxels, autrement dit des structures. Ces opérateurs sont particulièrement
intéressants quand plusieurs structures sont intriquées les unes dans les autres. Par exemple, les aires
ganglionnaires médiastinales se définissent comme des espaces cellulo-graisseux entre les enveloppes
pleurales, les pièces osseuses (rachis, sternum), et les vaisseaux. Il peut être long et fastidieux de
chercher à éviter toutes ces structures. Un contourage peut être beaucoup plus performant en procédant
aux contourages « au pinceau fenêtré » des vaisseaux, puis des aires ganglionnaires selon les mêmes
modalités sans se soucier d’inclure ou non les vaisseaux - en somme, c’est comme si on se permettait
de « dépasser » en coloriant un dessin…. – puis d’utiliser un opérateur booléen de soustraction : aire
ganglionnaire – vaisseaux. Tous les pixels inclus « accidentellement » dans la structure aire
ganglionnaire alors qu’il s’agit d’axes vasculaires seront automatiquement exclus.

Application aux structures.

L’arbre bronchique et ses différents segments ont été contourés en utilisant un pinceau de taille
adaptée à la structure visée, avec un fenêtrage de -300 à – 1024 UH pour les petites bronches
(bronches lobaires et segmentaires) et de -500 à -1024 UH pour les grosses bronches (bronches
souches, carène, trachée).
Le contourage des vertèbres, côtes, moelle, œsophage, cœur et gros vaisseaux a été effectué
dans chaque cas, avec un pinceau fenêtré sur les densités correspondantes aux structures :
- pièces osseuses : [150 UH ; 2500 UH]
- moelle : [-180 UH ; 80 UH]. Le fenêtrage a été restreint dans les plus hautes densité
pour éviter d’inclure les bords osseux du canal médullaire.
- œsophage, cœur et gros vaisseaux : [-80 UH ; 220 UH]. Le fenêtrage a été restreint dans
les basses densités pour éviter d’inclure des structures de densité graisseuses,
correspondant aux aires ganglionnaires.
Les aires ganglionnaires médiastinales ont été contourées au moyen d’un pinceau de taille
ajustée avec un fenêtrage centré sur les densités tissulaires ([-180 ; 220 UH]). Dans un deuxième
temps, un opérateur booléen soustrayant les vaisseaux sanguins a été appliqué, pour ne récupérer que
les espaces non occupés par des structures ne pouvant correspondre à des ganglions.
Les lobes pulmonaires inférieurs et moyen ont été contourés de manière précise au moyen d’un
pinceau fenêtré sur les densités parenchymateuses ([-1024 ; - 400 UH]), en ajustant la taille du
pinceau. Les lobes supérieurs ont été contourés dans un premier temps de manière grossière avec un
pinceau fenêtré puis un opérateur de soustraction (soustraction des lobes inférieurs et moyen) a été

- 19 -
appliqué. Enfin, une deuxième opération soustrayant la trachée, les bronches souches et les bronches
lobaires a été effectuée. Le fenêtrage utilisé interdisait l’incorporation dans le contourage de structures
de densité tissulaire, tels que les axes vasculaires ou les aires ganglionnaires. Les intérêts de cette
méthode reposent d’une part en une meilleure reproductibilité qu’un contourage purement manuel au
crayon et d’autre part un travail plus aisé et plus rapide.

III.4. Expertise.

Une banque de références anatomiques a été constituée afin de fournir aux cliniciens expertisant
l’atlas les mêmes références pour leurs contourages. Ces références étaient constituées par deux atlas
papier : l’Atlas d’Anatomie Humaine de F. Netter (56) et le tome 2 des ouvrages « Diagnosis and
Surgical Imaging Anatomy », de M. Federle (52), les articles de Mountain et Dresler (57) et de
Chapet et al (58) concernant la définition des aires ganglionnaires médiastinales ainsi qu’un atlas
papier de coupes scanner contourées pour les aires ganglionnaires, les lobes et segments pulmonaires
ainsi que l’arbre bronchique (travail personnel, données non publiées).
Étant donné le temps nécessaire à un contourage de qualité et l’emploi du temps chargé des
cliniciens, il a été convenu de ne leur demander leur concours que pour le contourage des structures
les plus sujettes à des problèmes de reproductibilité inter observateur : les aires ganglionnaires
médiastinales, l’arbre bronchique, les lobes pulmonaires et le cœur. Un total de 3 contourages pour
chacune de ces structures critiques a ainsi été obtenu pour un seule acquisition, chaque contourage
ayant été fait par un expert différent
Une évaluation quantitative de la variabilité inter observateur a été effectuée pour les structures
ayant bénéficié de plusieurs contourages. Les images contourées ont été exportées sous format
DICOM RT puis importées sur une station Artiview® (société Aquilab®, Lille, France). Les volumes
de recouvrement (« overlap volume »), l’index kappa, le rapport des volumes, le volume commun
contouré et le volume supplémentaire contouré ont été évalués pour chaque structure individuelle (i.e.
pour chacune des aires ganglionnaires, chaque segment de l’arbre bronchique, chaque lobe
pulmonaire, et pour le cœur).
Le volume de recouvrement, ou « overlap volume », est ainsi défini :
C1∩C2∩…∩Cn
OVtot = (optimal = 1)
C1∪C2∪...∪Cn
Il évalue la proportion des volumes qui se recoupent. Idéalement, tous les volumes des
différents experts sont identiques, donc fusionnés, et ce taux est égal à 1. Certains auteurs traduisent ce
taux comme un index de concordance.
L’index kappa est ainsi défini :
C1∩C2∩…∩Cn
KIn = N x (optimal = 1)
C1 + C2 +...+ Cn
Cet index est souvent utilisé lorsque la référence est inconnue, lorsqu’il n’existe pas de Gold
Standard. L’index kappa évalue la probabilité que la concordance soit due au hasard : proche de zéro,
la concordance est plutôt due au hasard, proche de un, elle est due à autre chose.
Le rapport des volumes entre les opérateurs n et m est ainsi défini :
Cn
Rv = (optimal = 1)
Cm
Ce calcul évalue les différences de taille dans les volumes contourés. Idéalement, les
contourages étant identiques, leurs volumes le sont aussi et ce rapport est donc égal à un.
Le volume commun contouré entre les opérateurs n et m est ainsi défini :
Cn∩Cm
Vcc = (optimal = 100)
Cm
Il s’agit du pourcentage de volume commun entre les contours de deux opérateurs différents.
Le volume supplémentaire contouré entre les opérateurs n et m est ainsi défini :
Cn- Cm
Vsc = (optimal = 0)
Cn
Il s’agit de pourcentage de volume contouré en plus par chaque opérateur par rapport aux autres
opérateurs.

- 20 -
 Ces valeurs ont été calculées pour chaque élément de chacune des quatre grandes structures
ayant été contourées par plusieurs experts ; les lobes pulmonaires, les aires ganglionnaires
médiastinales et l’arbre bronchique regroupant respectivement cinq, 12 et 28 contourages différents,
des moyennes ont été générées, ainsi que des écarts types, pour ces trois ensembles de structures, à
l’aide d’un tableur Excel (Excel 2004®, Microsoft Inc®, Redmond, Washington, USA). Les
contourages de l’arbre bronchique ont été évalués dans leur globalité puis en distinguant les grosses
(trachée, carène, bronches souches) et les petites bronches (bronches lobaires, bronches segmentaires).
Enfin, une moyenne générale, évaluant globalement tous les contourages pour tous les opérateurs
différents, a été calculée pour chaque paramètre.

III.5. Définition d’un ensemble de référence 4D.

Dans le cadre de l’optimisation de l’algorithme de recalage 4D, de nouveaux points de référence

étaient nécessaires pour la base de données. En effet, des problèmes de fiabilité de l’algorithme
avaient été identifiés au travers d’une première évaluation faite sur cette base de données (40 voxels
identifiés par des experts entre les phases extrêmes du cycle respiratoire), notamment au niveau des
bases pulmonaires et de l’interface entre le poumon et la paroi thoracique. Nous avons donc complété
la base de données en l’alimentant avec de nouveaux voxels de référence dans ces zones.
Dans ce dessein, un logiciel développé dans l’unité R.I.O, VV (59) a été utilisé. Ce logiciel,
principalement axé sur le traitement d’images 4D, permet de lire en parallèle les différentes phases
reconstruites du cycle respiratoire. Les deux phases extrêmes sont ainsi mises côte à côte. Des voxels
identifiables de manière suffisamment fiable sur chacune des phases (situé le plus souvent à des points
de bifurcation vasculaire) sont répertoriés. Ces voxels doivent impérativement être identifiés dans le
même ordre pour chacune des phases, afin de pouvoir être secondairement mis en correspondance. Les
listes des voxels avec leurs coordonnées sont ensuite sauvegardées et seront utilisées pour être
comparées au travail de l’algorithme.
Rappelons que l’atlas 4D se compose non seulement de cette liste de voxels, mais aussi de
contourages faits sur six temps respiratoires sur trois patients disctints.

- 21 -
 IV. Résultats.
IV.1. Travail de référence et de consensus.

Il n’existe pas pour toutes les structures que nous avons voulu intégrer à notre atlas de
description précise dans la littérature. La plupart du temps, il faut se fier « au bon sens anatomique »,
c’est-à-dire en transposant des connaissances médicales anatomiques tridimensionnelles en anatomie
radiologique en coupes. Parfois, ce « bon sens anatomique » peut être pris en défaut et être la source
d’une grande variabilité inter et intra observateur (comme pour le cœur).

Arbre Bronchique :
Il existe 3 classifications officielles de l’arbre bronchique : celle de Boyden (60), celle de
Jackson et Huber (61), et celle d’Ikeda (62).. Ces classifications diffèrent essentiellement dans la
nomenclature des petites bronches, au-delà de la 5e ramification. Etant données les limites de
résolutions sur nos scanners, ces divergences importent en fait assez peu. En pratique, la nomenclature
de Jackson et Hubert décrite dans l’Atlas d’Anatomie Humaine de Frank Netter a été utilisée comme
référence.

Les lobes pulmonaires :

La subdivision des poumons est reconnue de manière consensuelle. Les atlas de référence
utilisés ont été :
- Netter, Atlas of Human Anatomy, 2nd edition (56)
- Diagnosis and Surgical Imaging Anatomy, tome II : Chest, Abdomen and Pelvis (52)

Les aires ganglionnaires médiastinales.

La définition historique faite par Rouvière (63) a été établie sur une description anatomique sur
cadavre, avec des abords de dissection post mortem. Elle se prêtait donc mal aux abords chirurgicaux
sur le vivant (incision oblique intercostale). De plus, elle ne répondait pas à une logique de curage
ganglionnaire carcinologique. De fait, Mountain (57) a proposé en 1998 une définition des aires
ganglionnaires médiastinales reconnue de manière internationale et qui porte son nom. Elles sont
identifiées de 1 à 14. Un seul article, écrit par Chapet et al. (58) en fait la traduction radiologique
(pour les aires 1 à 11, mais sans l’aire n°9). C’est sur cette description que le contourage a été effectué.

Vertèbres, côtes, moelle, œsophage, cœur et gros vaisseaux :

Ces structures ont été identifiées sans difficulté particulière à partir des atlas anatomiques
utilisés en référence pour ce travail (52; 56).
A noter néanmoins que les limites du cœur sont moins évidentes qu’il n’y paraît sur un scanner,
surtout dans les limites supérieures et inférieures. Dans un soucis de précision et de reproductibilité,
nous avons défini la limite supérieure comme le niveau de bifurcation du tronc de l’artère pulmonaire,
tel qu’il a été décrit dans un protocole thérapeutique du NSABP (protocole B19). Les limites
antérieure et postérieure ont suivi la ligne péricardique, les limites latérales étant soulignées par
l’interface air/poumon.

IV.2. Travail de contourage .

Soixante-trois et 43 structures ont été contourées sur différentes acquisitions

tomodensitométriques du thorax, respectivement dans l’objectif inter et intra patient. Des variations
physiologiques de l’anatomie ont été observées, et nos contourages ont dû s’y adapter.

- 22 -
 IV.2.a. Contourage pour la dimension inter patient (atlas de
segmentation)
Les acquisitions scanners.
Six scanners ont été contourés dans l’optique de réaliser un atlas de référence pour l’outil de
segmentation automatique.
Trois de ces scanners ont été acquis sur un mode 4D : deux hommes et une femme, identifiés
par les acronymes POPI, ESCO et SPLIT. Les acquisitions étaient non injectées. Les reconstructions
ont été effectuées à raison de 2 mm par coupe. La phase correspondant au maximum d’inspiration (0 à
20 %) a été choisie pour être contourée dans l’optique inter patient.
Le set d’images ESCO présentait une variation anatomique notable : la bronche lobaire
supérieure gauche était borgne. De fait, le lobe supérieur apparaissait atrophique, et la bronche de
ventilation du parenchyme n’a pas été retrouvée. En compensation, les bronches de la pyramide basale
avaient subi un développement excessif, en particulier pour la bronche segmentaire basale apicale
gauche. Le Fowler gauche, ou segment supérieur de la pyramide basale gauche, occupait ainsi l’espace
normalement comblé par le lobe supérieur.

Figure 2 : bronche lobaire supérieure gauche borgne

- 23 -
 Figure 3 : développement hypertrophique des bronches de la pyramide basale gauche

Figure 4 : développement hypertrophique du segment apical du lobe inférieur gauche

(marron) ; le lobe supérieur gauche est en rose (ligne rose).
Les trois autres scanners (deux hommes et une femme) ont été acquis à titre diagnostique (bilan
d’évaluation) ; la conclusion du radiologue concernant la partie thoracique était « examen normal ».
Ces acquisitions ont été identifiées par les acronymes GRATA, GELI et AKOP :
- GRATA et AKOP ont été reconstruites en coupes de 1 mm, GELI en coupes de 5 mm
- GRATA et GELI ont été acquises au temps veineux de l’injection de produit de
contraste, AKOP au temps artériel.
L’acquisition GRATA a montré elle aussi deux particularités anatomiques : un lobe azygos
d’une part, l’existence d’une troisième bronche lobaire supérieure gauche, identifiée comme
lobaire postérieure, d’autre part.

- 24 -
 Figure 5 : lobe azygos en fenêtre parenchymateuse (à gauche) et médiastinale (à droite)

Le contourage.
Les 63 structures prévues ont pu être contourées telles que définies dans le chapitre précédent.
Chaque contourage complet a requis environ trois jours de travail.

IV.2.b. Contourage pour la dimension intra patient (validation

de l’algorithme de recalage)
Les acquisitions :
Seules les acquisitions 4D (POPI, ESCO et SPLIT) ont été utilisées. Les phases correspondant
au maximum d’inspiration, au maximum d’expiration ainsi que 2 phases intermédiaires inspiratoires et
expiratoires ont été contourées, soit 6 phases pour chaque patient :
- POPI : 10, 20, 30, 50, 60, 70 et 90 %.
- ESCO : 00, 10, 30, 50, 80 et 90 %.
- SPLIT : 00, 20, 30, 50, 60 et 80 %.
L’acquisition SPLIT présentait quelques artéfacts de reconstruction 4D. Ces acquisitions ont
malgré tout été conservées, après discussion avec les informaticiens, afin de tester les capacités du
logiciel lors de la phase de validation (qui sera certainement par la méthode du « leave one out », cf
II.2.b).
L’acquisition POPI avait déjà servi pour l’élaboration des points de référence ; elle a donc
logiquement été réutilisée pour compléter cette base de données.

Le contourage.
Les 43 structures prévues ont pu être contourées sur chacune des six phases de chacun des trois
patients. Chaque patient a requis quatre jours de travail complet pour les cinq phases restant à traiter
(une phase ayant déjà été contourée pour la dimension inter patient, les trois paires de côtes
supplémentaires requises pour la dimension intra patient ne demandant que quelques minutes de
travail).
La base de données de points de références comportait les coordonnées de 40 voxels sur les
deux phases extrêmes du cycle respiratoire. Elle a été complétée jusqu’à un total de 107 voxels (soit
67 jeux de coordonnées supplémentaires, sur chacune des deux phases), en privilégiant les bases
pulmonaires et la périphérie des poumons, zones où l’algorithme présente encore des faiblesses.

IV.3. Travail d’expertise.

- 25 -
 Les structures les plus à risque de variations inter observateur ont été recontourées. La
comparaison quantitative de ces contourages montrent des résultats relativement médiocres : un taux
de recouvrement moyen de 0,27, un index kappa moyen de 0,38, un rapport de volume moyen de 1,90,
un volume commun contouré moyen de 56,6 % et un volume supplémentaire contouré moyen de
40,92 %.

Travail accompli.
Cinq experts cliniciens sont venus prêter leur concours à l’élaboration de l’atlas. Les aires
ganglionnaires médiastinales, l’arbre bronchique, les lobes pulmonaires et le cœur ont ainsi été
recontourés afin d’obtenir un jeu de trois contourages complets pour chacune de ces structures.

Aires Arbre bronchique Lobes coeur

ganglionnaires pulmonaires
BF XXXXXXXXXX XXXXXXXXXX XXXXXXXXXX XXXXXXXXXX
DA XXXXXXXXXX XXXXXXXXXX
CC XXXXXXXXXX XXXXXXXXXX
LC XXXXXXXXXX XXXXXXXXXX
LK XXXXXXXXXX
SP XXXXXXXXXX

Ces nouveaux contourages ont été comparés à l’aide d’une autre station de travail (Artiview®
d’Aquilab®, Lille, France). Les résultats sont répertoriés dans le Tableau 1.

Taux de Volume Volume

Rapport des
Structure recouvrement Index Kappa commun supplémentaire
volumes
(« overlap ») contouré contouré
Moyenn

0,19 0,34 0,74 41,8 % 32,9 %

e

(0,07 – 0.56) (0,16 – 0,72) (0,22 – 2,11) (15,5 – 77,01) (6,4 – 75)

Aires
Médi
ane

ganglionnaires 0,17 0,32 0,52 39,3 % 35,0 %

Ecart
type

0,15 0,17 0,66 18,01 % 19,52 %

Moyenn

0,18 0,29 2,59 54,7 % 52,4 %

e

(0,00 – 0,81) (0,00 – 0,91) (0,06 – 10,5) (0,00 – 99,32) (0,03 – 100)

Arbre bronchique
Médi
ane

0,10 0,24 2,07 56,8 % 55,2 %

Ecart
type

0,20 0,20 2,05 2,05 % 2,05 %

Grosses bronches 0,64 0,76 1,24 90,7 % 22,9 %

Moye
nne

(trachée, carène, (0,49 – 0,81) (0,65 – 0,91) (0,81 – 1,43) (81,3 – 99,3) (81,3 – 99,3)
bronches souches)
Média

0,61 0,73 1,42 89,3 % 31,4 %

ne

- 26 -
 Ecart
type
0,16 0,13 0,35 7,25 % 17,99 %

0,12 0,23 2,75 50,3 % 56 %

Moye
nne
(0,00 – 0,52) ( 0,00 – 0,72) (0,06 – 10,50) (0,00 – 98,8) (0,00 – 100)
Petites bronches Médi
(au-delà des
ane
0,10 0,20 2,26 53,9 % 58,9 %
bronches souches)
Ecart
type

0,10 0,16 2,12 25,49 % 24,95 %

Moyen

0,89 0,93 0,99 95,8 % 3,08 %

ne

(0,82 – 0,92) (0,91 – 0,95) (0,93 – 1,09) (0,97 – 98,3) ( 0,47 – 98,3)
Lobes
Médi
ane

pulmonaires 0,90 0,94 0,96 96,3 % 2,8 %

Ecart
type

0,04 0,02 0,06 2,04 % 3,37 %

Cœur 0,7 0,83 0,89 83,24 % 6,42 %

Moyenne générale 0,27 0,38 1,90 56.6 % 40,92 %

37,8 %
dian
Mé

0,16 0,30 1,27 56,5 %

e

Tableau 1 : résultat des comparaisons des experts.

Graphiques.
Les barres noires au milieu de chaque boite représentent la médiane, les limites de la boîte
représente les limite des premiers et troisième quartile, les barres d’erreur représentent les valeurs
extrêmes, les triangles reliés par des pointillés représente les moyennes.
Le cœur n’apparaît pas dans ces graphiques car, étant contouré en un seul volume (pas de sous
structure), il n’y a pas de dispersion de données.

- 27 -
- 28 -
- 29 -
 V. Discussion.
Nous avons ainsi créé une base de 6 scanners thoraciques entièrement contourés pour établir un
atlas de référence en vue de la segmentation automatique, dont 4 jeux de structures ont été contourés
par plusieurs experts différents sur une de ces acquisitions. De même, nous avons crée une base de
données de 3 scanners 4D, contourés sur 6 phases, en vue de l’optimisation d’un algorithme de
recalage 4D.

V.1. Images acquises

Nous avons obtenu des sets d’images reconstruites avec des épaisseurs de coupes variables (1 à
5 mm). Ces différences de résolution ont eu des répercussions directes sur la qualité des contourages :
visibilité des petites structures, qualité des reconstructions 3D. il faut souligner que le travail sur des
images reconstruites en coupes fines augmente sensible la durée de travail nécessaire : on peut
estimer que passer d’une résolution de 2 à 1 mm requiert une demi journée de travail supplémentaire.

V.2. Le contourage des structures :

L’atlas scannographique que nous développons ici constitue le plus ambitieux en terme du
nombre de structures à identifier, en particulier en ce qui concerne les aires ganglionnaires, car aucun
autre outil de segmentation automatique n’a, jusqu’à présent, cherché à reconnaître ces structures.
Les références pour le contourage font avant tout appel au bon sens anatomique, c’est-à-dire à la
traduction en coupes axiales transverses des représentation des atlas anatomiques classiques.
De grandes variations ont été observées, à l’échelle des patients (variations physiologiques)
mais surtout à l’échelle des experts. Ces problèmes de reproductibilité inter observateurs restent dans
le même ordre de grandeur que ceux publiés dans la littérature. Ils sont aussi du même ordre de
grandeur que les écarts obtenus entre contourages manuels et contourages automatiques.

V.2.a. Consensus de contourage.

L’établissement de références de contourage a fait appel bien souvent au bon sens anatomique,
c’est-à-dire à la traduction sur des coupes 2D axiales transverses des connaissances de l’anatomie
thoracique conventionnel, tridimensionnelles. Peu de structures bénéficient d’une définition précise
sur coupes scanners, en dehors des aires ganglionnaires thoraciques (58). Cette description peut être
contestable pour de nombreux points : elle fixe des limites exactes aux structures qui ne répondent pas
forcément à des limites naturelles. Par exemple, le mur postérieur de la trachée traduit une ligne
imaginaire qui sépare les aires 3P et 1-2, 4L et 4R. Dans nos acquisitions, nous avons observé parfois
une bascule de l’œsophage en latéro-trachéal, faisant chevaucher l’aire para œsophagienne avec la
ligne imaginaire décrite ci-dessus. De même, dans cet article, il est recommandé d’inclure certaines
structures vasculaires dans la définition des aires ganglionnaires (par exemple d’inclure le tronc
veineux innominé, ou tronc veineux brachiocéphalique gauche, dans l’aire 3A). Ce choix peut paraître
contestable, car l’étude dosimétrique va alors sciemment inclure un dépôt de dose sur des structures
non pathologiques considérées comme volume cible. On peut néanmoins souligner que la plupart des
scanners dosimétriques thoraciques étant contourée sans injection de produit de contraste, il est parfois
difficile de faire la différence entre structure vasculaire et ganglionnaire. L’inclusion systématique des
vaisseaux permet de rendre plus reproductible le contourage. Nous avons au final choisi de nous baser
sur la description faite dans cet article, mais en de retirant les structures vasculaires des aires
ganglionnaires (tronc brachio céphalique, veine cave, aorte et vaisseaux artériels, artères pulmonaires,
veine azygos), et de suivre des règles de cohérence anatomique.

- 30 -
 Le travail de contourage des aires ganglionnaires a été revu avec le Pr Giraud, qui travaille sur
un projet similaire d’atlas thoracique, en ne considérant que les aires médiastinales. Une comparaison
qualitative de nos contourages aboutit à une cohérence globale de la délinéation.
La nomenclature de l’arbre bronchique n’a pas posé de problème particulier dans son principe.
Il a été choisi terminer le contourage une bronche lorsque la/les bronches qui lui succèdent sont
parfaitement identifiables ; par exemple :
- la carène était contouré jusqu’à la coupe où les deux bronches souches sont
parfaitement disjointes.
- la bronche souche droite était contouré jusqu’à la dernière coupe où était visible la
bronche lobaire supérieure droite. Sur la coupe suivante, la structure bronchique était
identifiée comme étant le tronc intermédiaire.
Il en résulte des fins de structures toujours horizontales, qui ne correspondent par à leur réalité
anatomique, l’arbre bronchique étant un réseau continu. Si on imagine que, lors d’une dissection sur
cadavre, on coupe un l’arbre bronchique à la fin de la bronche souche gauche par exemple.
Intuitivement, nous couperons la bronche perpendiculaire à son axe. En projection axiale transverse,
cette terminaison sur projettera sur plusieurs coupes successives, et ne correspondra pas à une limite
horizontale comme nous nous avons contouré nos bronches.

Figure 6 : comparaison entre réalité anatomique et contourage

Concernant le parenchyme pulmonaire, nous avions initialement envisagé de contourer les

segments de chaque lobe, correspondant aux bronches segmentaires. Si ceux-ci sont bien identifiés sur
les atlas traditionnels, il ne nous a pas été possible de trouver des limites précises et fiables sur
l’imagerie scanner. Kuhnigk et ses collaborateurs (35) ont développé un algorithme qui contoure non
seulement les lobes, mais aussi leurs sous segments en identifiant les ramifications bronchiques et

- 31 -
vasculaires, puis en utilisant une solution de minimisation des distances par rapport à ces structures.
Magnussen et al (64) ont développé une solution basé sur un fantôme dans lequel a été incorporé des
données de dissection cadavérique, constituant ainsi un atlas de référence ; son domaine d’application
est plutôt le diagnostic des embolies pulmonaires. Un contourage manuel est possible, mais reste
extrêmement sujet à l’appréciation de l’opérateur. Devant le manque de conséquence pratique à
l’heure actuelle du point de vue radiothérapique, nous nous sommes limités aux lobes pulmonaires.

V.2.b. Variabilité inter patient.

Bien que nous voulions intégrer des images de patients avec une anatomie la plus « standard »
possible, nous avons été confrontés, malgré le faible échantillon d’images (six patients différents) à
des variations physiologiques notables (cf supra : absence de lobe supérieur gauche, bronche borgne,
lobe azygos, bronche segmentaire surnuméraire…). Boyden (60) établissait que l’anatomie décrite
comme standard ne représentait que 60 % de la population. Par ailleurs, une solution de segmentation
automatique telle que nous l’envisageons impose, pour pouvoir reconnaître une variation de structure,
que celle ci aient déjà été « vues » dans l’atlas de référence (31). C’est pourquoi nous n’avons pas, au
final, rejeté ces acquisitions.
La question qui se pose est la représentativité de la base de données créée par rapport à la
population générale. Nous n’avons répertorié que quelques variations anatomiques, et, étant donnée la
fréquence des variations d’une manière générale, il est vraisemblable qu’il faudra inclure d’autres
scanners dans la base de données pour obtenir un algorithme fiable.

V.2.c. Variabilité inter observateur

Les résultats en termes de reproductibilité inter observateurs sont médiocres : le volume

commun contouré s’élève à 56 % et le rapport des volumes est de l’ordre d’un facteur 2 entre deux
experts. L’index kappa est un peu meilleur, mais reste très médiocre à 0,38 en moyenne, ce qui sous-
entend une grande part de hasard dans les contourages, alors que de grandes précautions avaient été
prises pour les rendre le plus homogène possible. Le rapport moyen des volumes est de l’ordre d’un
facteur 2, valeur plutôt remarquable qui traduit que, lorsqu’un expert contoure un volume de 100 cc,
un autre expert aura tendance à tracer un volume de 50 ou de 200 cc !
Il faut néanmoins souligner les grandes disparités qui existent en fonction du type de structure :
plus la structure considérée est petite, plus les écarts sont importants, ce qui traduit le fait que :
- d’une part, à petit volume – comme pour les petites bronches par exemple - la moindre
variation de quelques mm3 est très sensible, puisque rapportée à un volume du même
ordre de grandeur, alors que pour de grosses structures comme les lobes pulmonaires –
qui représentent plusieurs centaines de cm3 – ces variations passent complètement
inaperçues.
- Mais d’autre part, les plus petites structures sont aussi les plus difficiles à individualiser,
et c’est dans cet ordre de grandeur que les écueils de contourage sont les plus
importants.
Ainsi, les volumes contourés sont plus semblables pour les grosses structures en terme de taille
(rapport de volume ~ 0,9 – 1,2 vs 0,7 – 2,7 ), superposition (taux de recouvrement ~ 0,6 – 0,9 vs 0,1 –
0,2), cohérence (index kappa ~ 0,8 – 0,9 vs 0,2 – 0,3), et dispersion des valeurs (taille des boites dans
les graphiques) que les pour les petites.
On note que pour les petites bronches, une valeur change significativement de toutes les autres
pour le rapport des volumes. Il s’agit d’une bronche segmentaire de la pyramide basale qui a été
identifiée comme étant la basale antérieure droite par deux experts et comme la basale médiane pour le
troisième expert. De fait, le volume commun entre le troisième expert et les deux autres est proche de
zéro (une toute petite partie était commune à la racine de la bronche), le volume supplémentaire
proche de 100 % le rapport des volumes dépasse tous les autres rapports de la base de données
(supérieur à 10 !). Le désaccord est survenu entre un pneumologue d’un coté et un pneumologue et un
radiothérapeute de l’autre. Cette valeur extrême traduit les difficultés qui peuvent exister dans
l’interprétation des mêmes données, même entre cliniciens rompus à l’analyse de l’arbre bronchique.

- 32 -
Il faut tout de même souligner que les pneumologues sont plus habitués à l’étude en 3D, lors d’une
fibroscopie, qu’au repérage en coupes axiale transverse. De plus, les bronches segmentaires ont été
identifiées en fonction de leur niveau de ramification et de leur direction globale; dans le cas que nous
discutons, la direction, après relecture, peut être considérée comme mixte, et il est bien difficile de
savoir qui a raison…
Les données de la littérature pour le comparaison inter observateur font volontiers référence au
décalage d’isocentres induits par les nouveaux contourages (13; 25; 26). On trouve néanmoins
quelques publications utilisant des paramètres semblables aux nôtres. Ainsi, Weiss et al (17)
constatent un Volume Commun Contouré entre les radiothérapeutes de 0,11 à 0,13 et de 0,30 à 0,57
pour les radiologues. Giraud et al (18) ont étudié un index de concordance, défini comme nous avons
défini le taux de recouvrement, pour le volume cible de cancers pulmonaires entre internes et séniors
de radiologie et de radiothérapie. L’index moyen est de 21,1 %. Les auteurs distinguent des structures
faciles et difficiles, l’index variant ainsi pour les structures faciles de 12,9 % (séniors de radiothérapie)
à 23,8 % (séniors de radiodiagnostic), et pour les structures difficiles de 2,5 % (séniors de
radiothérapie) à 11,3 % (internes de radiodiagnostic). On constatera donc que des médecins aguerris
au contourage n’ont pas forcément le meilleur taux de corrélation. Néanmoins, nous sommes dans une
situation où le volume cible réel reste inconnu dans l’absolu (il faudrait une étude de pièce opératoire),
et un meilleur taux de corrélation n’est pas synonyme d’une meilleure définition du volume cible…
Pour Senan et al (22), toujours pour l’étude de volumes cibles pulmonaires, le ratio des volumes est de
l’ordre de 1,6 à 2, et Van de Steene et al (21) dans le même cas de figure, obtiennent un ratio maximal
de 7 ! Ainsi, les valeurs que nous obtenons dans notre étude sont relativement comparables à celles
retrouvées dans la littérature.
Concernant plus précisément les aires ganglionnaires, des cliniciens polonais (53) ont évalué
leur reproductibilité inter observateur en se basant sur les travaux de Chapet et al (58). Sept médecins
(cinq radiothérapeutes et deux radiologues) se sont dans un premier temps entraînés à contourer
ensemble les aires ganglionnaires médiastinales, puis ont travaillé chacun séparément sur cinq
scanners thoraciques différents. Puis ils ont relus ensemble chacun des cinq scanners pour établir
ensemble les volumes de références. Chaque contourage de chaque clinicien était alors comparé aux
volumes de référence : volume d’intersection, index de concordance (rapport du volume d’intersection
sur le volume de référence), index de discordance (= 1 – index de concordance). Le contourage des
différents relais a pris en moyenne 1,2 heures par médecin, l’index de concordance était de 69 % (57 –
79 %), l’index de discordance de 36 % (28 – 44 %). Les auteurs soulignaient ainsi que 30 % du
volume, considéré consensuellement comme faisant partie du volume cible, n’avait pas été contouré
en moyenne et que 40 % du volume contouré n’appartenait au final pas au volume cible. Les aires les
plus sujettes à variations étaient les relais 5, 7 et 10.

- 33 -
 Figure 7 : index kappa des aires ganglionnaires médiastinales

Nos comparaisons mettent plutôt en évidence une meilleure conformité, pour les aires 1 à 4 que
pour les aires 5 à 10-11, ce qui peut correspondre à une plus grande difficulté à reconnaître les limites
de ces aires.

V.3. Epistémologie de la segmentation automatique :

Nous discutons ici l’intérêt et la pertinence pratique de ces nouveaux outils, d’abord en
comparant le raisonnement informatique au raisonnement humain en matière de reconnaissance de
formes, puis en comparant les performances humaines et informatiques, enfin en nous projetant dans
l’application clinique de ces outils.

V.3.a. Ce que voit l’Homme et ce que voit la machine.

« On en voit bien que ce que l’on observe. Et l’on n’observe que ce qui est déjà dans notre
esprit »
Alphonse Bertillon

On peut s’interroger sur la façon dont un outil informatique analyse des coupes scanners. En
pratique, ces outils analysent de manière stéréotypées des intensités de gris dans une matrice de
coordonnées. La lecture humaine se base sur un pré requis anatomique ; c’est assez flagrant lorsque
l’on demande à une personne profane en médecine ce qu’elle voit sur une tomodensitométrie, comme
j’ai pu le constater en travaillant avec des chercheurs en imagerie dont les compétences en anatomie
étaient quasi nulles. Le clinicien expert lit un scanner en projetant ses connaissances anatomiques
acquises lors de son cursus sur des coupes, avec plus ou moins d’aisance : par exemple, plusieurs
experts ont eu du mal à contourer le lobe moyen, celui-ci commençant à apparaître au milieu du lobe
supérieur, ce qui traduit la forme de coupole de la base du lobe supérieur droit. Les plus jeunes
médecins ont été formés très tôt à l’anatomie en coupes, à telle point que celle-ci devient une seconde

- 34 -
nature. Ces changements ont même entraîné la naissance d’une nouvelle nomenclature pour
l’anatomie ORL, afin d’être plus adaptées à la lecture et à l’analyse en coupe (espaces profonds de
Harnsberger (65). En somme, la lecture en coupes nécessite un prérequis de connaissances
anatomiques et, souvent une certaine gymnastique d’esprit.
Les algorithmes de segmentation automatique présentent quelques similitudes avec ce
raisonnement. Dans la solution que nous cherchons à développer, l’atlas constitue le prérequis
anatomique, l’algorithme de recalage représentant la transposition des connaissances générales au cas
particulier. La grande différence – pour ne pas dire le fossé - qu’il existe est que, en aucun cas, l’outil
informatique n’est une forme d’intelligence. L’Homme est capable d’analyser les variations
inattendues de l’anatomie, telles que nous en avons rencontrées en nous adaptant. Le logiciel est
incapable d’adaptation ; il ne peut que répéter ce qu’il lui a été codé. A ce titre, il ne s’agit en aucune
manière d’intelligence artificielle. McInerney et al (36) adoptent une position moins tranchée : ils
comparent leur algorithme à un ver mu par des membres (déplacement d’un volume primaire du ver
vers la zone à identifier, guidé par une statistique de position moyenne de cette dernière sur une image
RMN), croissance de ce volume en fonction de contraintes assez sophistiquées (précontrainte de forme
globale, reconnaissance d’intensité de pixels…). D’une manière générale, les différents algorithmes
identifient la structure à contourer souvent par une reconnaissance de caractéristiques précises : une
zone spatiale (11; 31), une limite (niveau de gris moyen ou seuil (3; 32; 40), une caractéristique (prise
de contraste par exemple (41; 48). Puis ils optimisent le repositionnement et les déformations par un
jeu de contraintes modélisées sous forme mathématique : recherche d’un optimum entre les
déformations à apporter pour ressembler à la forme « apprise » et celle à apporter pour homogénéiser
le volume (densité homogène des voxels inclus, cohérence tridimensionnelle des limites…).

V.3.b. La segmentation automatique en 2008.

Il est assez difficile de comparer les performances des opérateurs humains et des algorithmes,
car les données publiées n’utilisent pas les mêmes critères de comparaison. Certaines études
comparent directement les performances de plusieurs opérateurs humains à celles de leur algorithme
(1; 29) : les résultats sont alors du même ordre de grandeur (cf. Tableau 2). Il faut admettre que la
reproductibilité humaine n’est pas parfaite, et nos propres résultats vont dans ce sens. De fait, bien que
les erreurs soient d’origine différente (exemple classique d’erreur d’un algorithme : présence d’un
minimum local lors de la procédure d’optimisation), les comparaisons de performances entre opérateur
humain et informatique sont du même ordre de grandeur que ceux uniquement entre opérateurs
humains. En se rappelant que les statistiques sont obtenues en comparant les algorithmes aux
contourages des opérateurs humains, référence contestable du fait du manque de reproductibilité, on
peut légitimement s’interroger sur la pertinence clinique des variations mesurées entre les deux types
de contourages.

Étude Topographie Évaluation entre opérateurs Évaluation algorithme

humains vs humain
Bondiau et al (1) Cerveau - Sensibilité : 0,75-0,98 - Sensibilité : 0,71
- Spécificité : 0,85-0,99 - Spécificité : 0,97
Mazzara et al (29) Cerveau - Reproductibilité inter observateur : - Précision : 56 ± 6 % et
20 ± 16 % 52 ± 7 % (2 algorithmes
- Reproductibilité intra observateur : testés)
85 ± 12 %
- Précision : 85 ≠ 7 %
Pekar et al (31) Prostate - écart des contourages
informatiques par
rapport aux contourages
humains : 0,94 mm en
moyenne, 1,63 et 1,32
mm pour la vessie, 1,69

- 35 -
 et 1,52 pour le rectum
Mazonakis et al Prostate - écart des contourages
(32) informatiques par
rapport aux contourages
humains : 0,98 mm pour
la prostate, 0,98 mm
pour les têtes fémorales,
1,01 mm pour la vessie
Pasquier et al (30) Prostate - Recouvrement des
volumes : 0,78 %
(CTV) et 0,84 % (PTV)
- Volume correct : 94,7
% (CTV) et 96,7 %
(PTV)
Cazzaniga et al Prostate - Comparaison de volumes : de –
(25) 53,64 à + 60,48 %
Fiorino et al (26) Prostate - Comparaison de volumes : 10 à 18
% de variations.
Smitsmans et al Prostate - corrélation du
(11) repsotioinnement
informatique par rapport
au repositionnement
humain : 91 %
Fei et al (49) Prostate - décalage des contours :
0,5 mm en antéro-
postérieur, 1 mm en
cranio-caudal, 0,5 mm
en droite-gauche
Lee et al (41) ORL - Taux de
recouvrement : 78,5 %
± 3,8 %
- Taux de
correspondance : 66,5 ±
7%
Geets et al (15) ORL -Taux de recouvrement :
0,43 (basé sur CT) et
0,42 (basé sur IRM) ;
0,31 (basé sur CT) et
0,41 (basé sur IRM)
Commowick et al ORL - Sensibilité = 0,82
(4) - Spécificité = 0,86
Zhang et al (51) Poumons - index de similitude :
98,8 % (lobes
pulmonaires
uniquement)
Ashamalla et al Poumons - Variabilité inter observateur : 28,3
(66) cm3 (basé sur CT) et 9,12 cm3 (basé
sur PET-CT) pour le CTV et 69,8
cm3 (basé sur CT) et 23,9 cm3 (basé
sur PET-CT)
Caldwell et al (19) Poumons - Rapports moyens des GTV
extrêmes : 2,31 (basé sur CT) et 1,56
(basé sur PET-CT)
Senan et al (22) Poumons - Rapports moyens des volumes : 1,6

- 36 -
 -2
Fox et al (67) Poumons - taux de recouvrement des volumes
cibles : 61 % (basé sur CT seul) et 70
% (basé sur PET CT)
Giraud et al (18) Poumons -Taux de recouvrement des volumes
cibles : de 2,5 % à 23,8 %
Van de Steen et al Poumons - Rapport des volumes cibles :
(21) maximum de 7
Tableau 2 : synthèse des performances humaines et informatiques en matière de
contourage.

Les outils les plus récents recourent à des combinaisons de type d’algorithmes (35) ou à des
processus d’optimisation de plus en plus complexes : contraintes de forme avec homogénéisation 3D
des contours et filtrage des densités aériques (3). Il est vraisemblable que l’outil parfait de
segmentation automatique ne sera pas basé sur un seul type d’algorithme, mais sur un véritable
« patchwork » de solutions, adaptées en fonction de la topographie, des caractéristiques physiques
(forme, densité de gris…). Notre solution (combinaison d’un atlas à un algorithme de recalage
déformable) présente une grande souplesse d’adaptation selon la topographie : elle est déjà développée
au niveau cérébral et ORL (1; 2; 4). Les informaticiens qui ont déjà participé à ces projets, notamment
Grégoire Malaindain, estiment qu’il est envisageable de l’adapter au thorax. Des solutions
concurrentielles très intéressantes ont été développées pour le contourage des poumons et de l’arbre
bronchique (3; 35). Soulignons par ailleurs que des options de contourage semi automatique des
poumons dans leur globalité ou de la mœlle épinière, rapide et de qualité satisfaisante, sont déjà
implémentées sur des TPS actuellement sur le marché. Notre solution garde néanmoins son intérêt
pour la segmentation de structures « de soustraction », telles que les aires ganglionnaires pour
lesquelles il n’existe, actuellement, aucun algorithme, ou l’œsophage, dont le faible contraste n’a pas
permis jusqu’à présent l’obtention de résultats probants. Pour l’instant, il faut reconnaître que notre
solution de segmentation automatique est encore trop peu avancée pour pouvoir commencer à estimer
ses performances et être comparée aux solutions existantes.

V.3.c. Pertinence en routine clinique.

Mise en application.
L’outil que nous développons doit permettre une optimisation du traitement d’image en
radiothérapie. La dimension inter patient doit permettre une remise en place rapide et fiable des
organes à risque en radiothérapie thoracique (poumons, œsophage, moelle épinière, cœur, et au besoin
plexus brachiaux). Par ailleurs, dans le cadre du concept d’irradiation ganglionnaire élective (ou
« involved field ») de la radiothérapie de cancers pulmonaires non à petites cellules (54) des
lymphomes de Hodgkin (55). Etant donnée la très grande variabilité des contourages des aires
ganglionnaires médiastinales (53), comme nous le montrons ici, une aide informatique au contourage
pourrait permettre d’homogénéiser la planification de ces types de traitement. Il faut néanmoins
souligner qu’un contourage de reliquats ganglionnaires pathologiques importants, déformant
notablement la forme générale de l’aire concernée, risque d’être difficile pour l’algorithme du fait des
déformations générées. L’expertise du radiothérapeute dans la définition de volume cible reste
primordiale.
La dimension intra patient trouve son application dans l’optimisation de la dosimétrie
thoracique. Les dosimétries actuelles font le postulat que les volumes traités le sont tout au long de la
séance de traitement, et que les structures avoisinante n’entrent jamais dedans, ce qui est faux. De
plus, du fait des mouvements respiratoires, les volumes traités sains évoluent dans un gradient de dose
(les volumes cibles devant, par définition, évoluer malgré leur mouvement dans un volume de dose
homogène, compris entre 95 et 107 % de la dose prescrite selon les normes ICRU (68)). Le
développement de calculs dosimétriques prenant en compte ces variations de d’exposition au
rayonnement durant la séance nécessite une modélisation des déformations des poumons au cours du

- 37 -
cycle respiratoire. La principale application de l’algorithme de recalage 4D consiste à permettre cette
modélisation.

Efficacité.
Un outil informatique doit être une aide, et non une perte de temps. Notre outil, pour trouver sa
place dans une salle de dosimétrie, doit donc permettre une remise en place fiable, reproductible, et
rapide des structures. Un logiciel nécessitant plusieurs heures de calculs pénaliserait l’organisation
générale. La plupart des algorithmes décrits dans la littérature ne nécessite que quelques minutes sur
du matériel informatique conventionnel : 53 secondes en moyenne pour Haas et al, 6 à 8 minutes pour
Isambert et al, 8, 4 minutes en moyenne pour Mazonakis et al, entre 20 et 90 minutes pour Mazzara et
al, 10-15 minutes pour Pekar et al (2; 3; 32; 29; 31).
La précision des contourages a déjà été discutée plus haut.
Reste à considérer le temps pris pour la validation du travail fait par l’algorithme. Haas et al (3)
ont appliqué leur outil sur des scanners dosimétriques de routine, en demandant à des cliniciens
d’estimer le gain de temps apporté. Bien que la conclusion des auteurs soit plutôt en faveur de
l’utilisation de leur outil (pour le pelvis : 70 % et 68 % respectivement des dosimétristes et des
radiothérapeutes estimant avoir un gain de temps ; pour le thorax, les taux s’élèvent à 94 et 91 %),
grâce à l’honnêteté des auteurs qui donnent l’intégralité de leurs résultats, on peut porter un regard un
peu plus critique : en effet, les corrections étaient classées en : pas de modification / modifications
mineures / modifications majeures / contourage à refaire. Les auteurs intégraient l’apport de
modifications majeures dans la qualification « gain de temps ». Si l’on ne conserve que l’absence de
modification et les modifications mineures pour estimer un gain, on obtient 7, 19, 53 et 53 % de gain
de temps (respectivement pour le pelvis, dosimétriste puis radiothérapeute et pour le thorax,
dosimétriste puis radiothérapeute). Le « consommateur » de produit informatique étant par définition
extrêmement exigeant, il faut vraisemblablement encore optimiser les algorithmes pour que ceux-ci
deviennent des instruments incontournables pour le contourage en radiothérapie.

- 38 -
 VI. Conclusion.
Nous avons ainsi une base de données scannographique, en format DICOM RT qui servira
d’atlas de référence d’une part pour la segmentation automatique, d’autre part pour la validation d’un
algorithme de recalage 4D. La comparaison des contourages faits par les experts nous montre que les
plus grosses structures sont les plus faciles à reproduire, et les plus petites restent très sujettes à
l’interprétation personnelle. Le type d’outil que nous voulons développer doit répondre à une demande
d’optimisation du traitement d’images, particulièrement pertinente dans un contexte où la
radiothérapie est de plus en plus basée sur l’analyse d’images à toutes les phases du traitement
(IGRT). La solution que nous développons pourrait être qualifiée de pure, dans la mesure où un seul
type d’algorithme est appliqué pour la reconnaissance de toutes les structures, alors que de plus en
plus auteurs publient des résultats de solutions logicielles basées de combinaisons complexes
d’algorithmes dont les premiers résultats sont assez séduisants. L’aspect 4D de notre travail est
original dans le panorama actuel du traitement d’image : cet outil offre des perspectives d’applications
de dosimétrie 4D encore inédite à ce jour. Quelle que soit la solution finale, il reste l’étape critique de
la validation en routine, où l’outil doit apporter une réelle aide intuitive et efficace au clinicien,
optimisant son travail soit en l’accélérant, soit en lui faisant gagner en homogénéité. La pertinence
finale de notre outil nécessite donc encore une longue phase de maturation et de validation avant de
pouvoir être appliquée définitivement dans n’importe quelle salle de dosimétrie.
.

- 39 -
 VII. Références Bibliographiques :
1. Bondiau P, Malandain G, Chanalet S, Marcy P, Habrand J, Fauchon F, et coll. Atlas-based
automatic segmentation of MR images: validation study on the brainstem in radiotherapy context.
Int J Radiat Oncol Biol Phys. 2005 Jan 1;61(1):289-98.

2. Isambert A, Dhermain F, Bidault F, Commowick O, Bondiau P, Malandain G, et coll. Evaluation

of an atlas-based automatic segmentation software for the delineation of brain organs at risk in a
radiation therapy clinical context. Radiother Oncol. 2008 Avr ;87(1):93-9.

3. Haas B, Coradi T, Scholz M, Kunz P, Huber M, Oppitz U, et coll. Automatic segmentation of

thoracic and pelvic CT images for radiotherapy planning using implicit anatomic knowledge and
organ-specific segmentation strategies. Phys Med Biol. 2008 Mar 21;53(6):1751-71.

4. Commowick O, Grégoire V, Malandain G. Atlas-based delineation of lymph node levels in head

and neck computed tomography images. Radiother Oncol. 2008 Fév 13;

5. Boldea V, Sharp GC, Jiang SB, Sarrut D. 4D-CT lung motion estimation with deformable
registration: quantification of motion nonlinearity and hysteresis. Medical Physics. 2008 Mar
;35(3):1008-18.

6. Sarrut D, Boldea V, Miguet S, Ginestet C. Simulation of four-dimensional CT images from

deformable registration between inhale and exhale breath-hold CT scans. Medical Physics. 2006
Mar ;33(3):605-17.

7. Sarrut D, Delhay S, Villard P, Boldea V, Beuve M, Clarysse P. A Comparison Framework for

Breathing Motion Estimation Methods From 4-D Imaging. Medical Imaging, IEEE Transactions
on. 2007 ;26(12):1636-1648.

8. Wu Z, Rietzel E, Boldea V, Sarrut D, Sharp GC. Evaluation of deformable registration of patient

lung 4DCT with subanatomical region segmentations. Medical Physics. 2008 Fév ;35(2):775-81.

9. Rayonnement - Imagerie - Oncologie : the POPI model [Internet]. creatis.insa-lyon.fr/rio.

Available from: http://www.creatis.insa-lyon.fr/rio/popi-model

10. Marcel van Herk, Peter Remeijer, Coen Rasch, Joos V. Lebesque. The probability of correct
target dosage: dose-population histograms for deriving treatment margins in radiotherapy. Int J
Radiat Oncol Biol Phys. 2000 Juillet 1;47(4):1121-1135.

11. Smitsmans MHP, Wolthaus JWH, Artignan X, de Bois J, Jaffray DA, Lebesque JV, et coll.
Automatic localization of the prostate for on-line or off-line image-guided radiotherapy. Int J
Radiat Oncol Biol Phys. 2004 Oct 1;60(2):623-35.

12. Mazeron J, Lang P, Simon J, Toubiana T, Feuvret L, Boisserie G. [New devices in radiation
oncology]. Bulletin Du Cancer. 2007 Jan 1;94(1):109-13.

13. Yamamoto M, Nagata Y, Okajima K, Ishigaki T, Murata R, Mizowaki T, et coll. Differences in

target outline delineation from CT scans of brain tumours using different methods and different
observers. Radiother Oncol. 1999 Fév ;50(2):151-6.

14. Jeanneret-Sozzi W, Moeckli R, Valley J, Zouhair A, Ozsahin EM, Mirimanoff R. The reasons for
discrepancies in target volume delineation : a SASRO study on head-and-neck and prostate
cancers. Strahlenther Onkol. 2006 Aoû ;182(8):450-7.

- 40 -
15. Geets X, Daisne J, Arcangeli S, Coche E, De Poel M, Duprez T, et coll. Inter-observer variability
in the delineation of pharyngo-laryngeal tumor, parotid glands and cervical spinal cord:
comparison between CT-scan and MRI. Radiother Oncol. 2005 Oct ;77(1):25-31.

16. Hermans R, Feron M, Bellon E, Dupont P, Van den Bogaert W, Baert AL. Laryngeal tumor
volume measurements determined with CT: a study on intra- and interobserver variability. Int J
Radiat Oncol Biol Phys. 1998 Fév 1;40(3):553-7.

17. Weiss E, Richter S, Krauss T, Metzelthin SI, Hille A, Pradier O, et coll. Conformal radiotherapy
planning of cervix carcinoma: differences in the delineation of the clinical target volume. A
comparison between gynaecologic and radiation oncologists. Radiother Oncol. 2003 Avr
;67(1):87-95.

18. Giraud P, Elles S, Helfre S, De Rycke Y, Servois V, Carette MF, et coll. Conformal radiotherapy
for lung cancer: different delineation of the gross tumor volume (GTV) by radiologists and
radiation oncologists. Radiother Oncol. 2002 Jan ;62(1):27-36.

19. Caldwell CB, Mah K, Ung YC, Danjoux CE, Balogh JM, Ganguli SN, et coll. Observer variation
in contouring gross tumor volume in patients with poorly defined non-small-cell lung tumors on
CT: the impact of 18FDG-hybrid PET fusion. Int J Radiat Oncol Biol Phys. 2001 Nov
15;51(4):923-31.

20. Steenbakkers RJHM, Duppen JC, Fitton I, Deurloo KEI, Zijp L, Uitterhoeve ALJ, et coll.
Observer variation in target volume delineation of lung cancer related to radiation oncologist-
computer interaction: a 'Big Brother' evaluation. Radiother Oncol. 2005 Nov ;77(2):182-90.

21. Van de Steene J, Linthout N, de Mey J, Vinh-Hung V, Claassens C, Noppen M, et coll. Definition
of gross tumor volume in lung cancer: inter-observer variability. Radiother Oncol. 2002 Jan
;62(1):37-49.

22. Senan S, van Sörnsen de Koste J, Samson M, Tankink H, Jansen P, Nowak PJ, et coll. Evaluation
of a target contouring protocol for 3D conformal radiotherapy in non-small cell lung cancer.
Radiother Oncol. 1999 Déc ;53(3):247-55.

23. T. Leong, C. Everitt, K. Yuen, S. Condron, D. Binns, A. Pitman, et coll. A prospective study to
evaluate the impact of coregistered PET/CT images on radiotherapy treatment planning for
esophageal cancer. Int J Radiat Oncol Biol Phys. 2004 ;60(1):S139-S140.

24. Tai P, Van Dyk J, Yu E, Battista J, Stitt L, Coad T. Variability of target volume delineation in
cervical esophageal cancer. Int J Radiat Oncol Biol Phys. 1998 Sep 1;42(2):277-88.

25. Cazzaniga LF, Marinoni MA, Bossi A, Bianchi E, Cagna E, Cosentino D, et coll. Interphysician
variability in defining the planning target volume in the irradiation of prostate and seminal
vesicles. Radiother Oncol. 1998 Jun ;47(3):293-6.

26. Fiorino C, Reni M, Bolognesi A, Cattaneo GM, Calandrino R. Intra- and inter-observer variability
in contouring prostate and seminal vesicles: implications for conformal treatment planning.
Radiother Oncol. 1998 Jun ;47(3):285-92.

27. Rasch C, Barillot I, Remeijer P, Touw A, van Herk M, Lebesque JV. Definition of the prostate in
CT and MRI: a multi-observer study. Int J Radiat Oncol Biol Phys. 1999 Jan 1;43(1):57-66.

- 41 -
28. Bowden P, Fisher R, Mac Manus M, Wirth A, Duchesne G, Millward M, et coll. Measurement of
lung tumor volumes using three-dimensional computer planning software. Int J Radiat Oncol Biol
Phys. 2002 Jul 1;53(3):566-73.

29. Mazzara GP, Velthuizen RP, Pearlman JL, Greenberg HM, Wagner H. Brain tumor target volume
determination for radiation treatment planning through automated MRI segmentation. Int J Radiat
Oncol Biol Phys. 2004 Mai 1;59(1):300-12.

30. Pasquier D, Lacornerie T, Vermandel M, Rousseau J, Lartigau E, Betrouni N. Automatic

segmentation of pelvic structures from magnetic resonance images for prostate cancer
radiotherapy. Int J Radiat Oncol Biol Phys. 2007 Jun 1;68(2):592-600.

31. Pekar V, McNutt TR, Kaus MR. Automated model-based organ delineation for radiotherapy
planning in prostatic region. Int J Radiat Oncol Biol Phys. 2004 Nov 1;60(3):973-80.

32. Mazonakis M, Damilakis J, Varveris H, Prassopoulos P, Gourtsoyiannis N. Image segmentation

in treatment planning for prostate cancer using the region growing technique. Br J Radiol. 2001
Mar ;74(879):243-8.

33. Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models. International Journal of
Computer Vision. 1988 Jan 1;1(4):321-331.

34. Qatarneh SM, Noz ME, Hyödynmaa S, Maguire GQ, Kramer EL, Crafoord J. Evaluation of a
segmentation procedure to delineate organs for use in construction of a radiation therapy planning
atlas. Int J Med Inform. 2003 Jan ;69(1):39-55.

35. Kuhnigk J, Dicken V, Zidowitz S, Bornemann L, Kuemmerlen B, Krass S, et coll. Informatics in

radiology (infoRAD): new tools for computer assistance in thoracic CT. Part 1. Functional
analysis of lungs, lung lobes, and bronchopulmonary segments. Radiographics. 2005 ;25(2):525-
36.

36. McInerney T, Hamarneh G, Shenton M, Terzopoulos D. Deformable organisms for automatic

medical image analysis. Med Image Anal. 2002 Sep ;6(3):251-66.

37. Campbell RJ, Flynn PJ. A Survey Of Free-Form Object Representation and Recognition
Techniques. Computer Vision and Image Understanding. 2001 Fév ;81(2):166-210.

38. Thirion J. Fast Non-Rigid Matching of 3D Medical Images [Internet]. 1995 Mai ;[cité 2008 Mai
28 ] Available from: http://www.inria.fr/rrrt/rr-2547.html

39. Thirion JP. Image matching as a diffusion process: an analogy with Maxwell's demons. Med
Image Anal. 1998 Sep ;2(3):243-60.

40. Wang H, Dong L, O'Daniel J, Mohan R, Garden AS, Ang KK, et coll. Validation of an
accelerated 'demons' algorithm for deformable image registration in radiation therapy. Phys Med
Biol. 2005 Jun 21;50(12):2887-905.

41. Lee FKH, Yeung DKW, King AD, Leung SF, Ahuja A. Segmentation of nasopharyngeal
carcinoma (NPC) lesions in MR images. Int J Radiat Oncol Biol Phys. 2005 Fév 1;61(2):608-20.

42. Collins DL, Zijdenbos AP, Kollokian V, Sled JG, Kabani NJ, Holmes CJ, et coll. Design and
construction of a realistic digital brain phantom. IEEE Trans Med Imaging. 1998 Jun ;17(3):463-
8.

- 42 -
43. Cocosco CA, Vasken K, Kwan RK, Evans AC. BrainWeb:
Online Interface to a 3D MRI Simulated Brain Database. Dans: Neuroimage. Copenhagen: 1997.
p. S425.

44. BrainWeb: Simulated Brain Database [Internet]. Brainweb. Available from:

http://www.bic.mni.mcgill.ca/brainweb/

45. Atkins MS, Mackiewich BT. Fully automatic segmentation of the brain in MRI. IEEE Trans Med
Imaging. 1998 Fév ;17(1):98-107.

46. Dawant BM, Hartmann SL, Thirion JP, Maes F, Vandermeulen D, Demaerel P. Automatic 3-D
segmentation of internal structures of the head in MR images using a combination of similarity
and free-form transformations: Part I, Methodology and validation on normal subjects. IEEE
Trans Med Imaging. 1999 Oct ;18(10):909-16.

47. Zhang T, Chi Y, Meldolesi E, Yan D. Automatic delineation of on-line head-and-neck computed
tomography images: toward on-line adaptive radiotherapy. Int J Radiat Oncol Biol Phys. 2007 Jun
1;68(2):522-30.

48. Wang H, Dong L, Lii MF, Lee AL, de Crevoisier R, Mohan R, et coll. Implementation and
validation of a three-dimensional deformable registration algorithm for targeted prostate cancer
radiotherapy. Int J Radiat Oncol Biol Phys. 2005 Mar 1;61(3):725-35.

49. Fei B, Wheaton A, Lee Z, Duerk JL, Wilson DL. Automatic MR volume registration and its
evaluation for the pelvis and prostate. Phys Med Biol. 2002 Mar 7;47(5):823-38.

50. Hua C, Lovelock DM, Mageras GS, Katz MS, Mechalakos J, Lief EP, et coll. Development of a
semi-automatic alignment tool for accelerated localization of the prostate. Int J Radiat Oncol Biol
Phys. 2003 Mar 1;55(3):811-24.

51. Zhang L, Hoffman EA, Reinhardt JM. Atlas-driven lung lobe segmentation in volumetric X-ray
CT images. IEEE Trans Med Imaging. 2006 Jan ;25(1):1-16.

52. Federle MP, Rosado-de-Christenson ML, Woodward PJ, Abbott GF. Diagnosis and Surgical
Imagnig Anatomy : Chest - Abdomen - Pelvis. 1er éd. Salt Lake city, Utah, USA: Amirsys;

53. Kepka L, Bujko K, Garmol D, Palucki J, Zolciak-Siwinska A, Guzel-Szczepiorkowska Z, et coll.

Delineation variation of lymph node stations for treatment planning in lung cancer radiotherapy.
Radiother Oncol. 2007 Déc ;85(3):450-5.

54. De Ruysscher D, Wanders S, van Haren E, Hochstenbag M, Geeraedts W, Utama I, et coll.

Selective mediastinal node irradiation based on FDG-PET scan data in patients with non-small-
cell lung cancer: a prospective clinical study. Int J Radiat Oncol Biol Phys. 2005 Jul
15;62(4):988-94.

55. Yahalom J. Transformation in the use of radiation therapy of Hodgkin lymphoma: new concepts
and indications lead to modern field design and are assisted by PET imaging and intensity
modulated radiation therapy (IMRT). European Journal of Haematology. Supplementum. 2005 Jul
;(66):90-7.

56. Netter FH. Atlas d'anatomie Humaine. 9 éd. Maloine; 1997.

57. Mountain CF, Dresler CM. Regional lymph node classification for lung cancer staging. Chest.
1997 Jun ;111(6):1718-23.

- 43 -
58. Chapet O, Kong F, Quint LE, Chang AC, Ten Haken RK, Eisbruch A, et coll. CT-based definition
of thoracic lymph node stations: an atlas from the University of Michigan. Int J Radiat Oncol Biol
Phys. 2005 Sep 1;63(1):170-8.

59. Seroul P, Sarrut D. VV: a viewer for the evaluation of 4D image registration. 2008.

60. Boyden E. Segmental anatomy of the lungs: a study of the patterns of the segmental bronchi and
related pulmonary vessels. McGraw-Hill; 1955.

61. JACKSON CL, HUBER JF. Correlated Applied Anatomy of the Bronchial Tree and Lungs With
a System of Nomenclature. Chest. 1943 Juillet 1;9(4):319-326.

62. Ikeda S. Atlas of flexible bronchofiberoscopy. Baltimore: University Park; 1974.

63. Rouvière H, Delams A. Anatomie humaine descriptive, topographique et fonctionnelle. Masson.

paris: Masson; 1997.

64. Magnussen JS, Chicco P, Palmer AW, Van der Wall H, Vu DH. Creation of a Three-Dimensional
Model of Human Segmental Lung Anatomy. Am. J. Roentgenol. 2000 Mai 1;174(5):1333-1336.

65. Harnsberger RH. Handbook of head and Neck Imaging. Second edition. Saint Louis, Missouri,
USA: Mosby; 1995.

66. Ashamalla H, Rafla S, Parikh K, Mokhtar B, Goswami G, Kambam S, et coll. The contribution of
integrated PET/CT to the evolving definition of treatment volumes in radiation treatment planning
in lung cancer. Int J Radiat Oncol Biol Phys. 2005 Nov 15;63(4):1016-23.

67. Fox JL, Rengan R, O'Meara W, Yorke E, Erdi Y, Nehmeh S, et coll. Does registration of PET and
planning CT images decrease interobserver and intraobserver variation in delineating tumor
volumes for non-small-cell lung cancer? Int J Radiat Oncol Biol Phys. 2005 Mai 1;62(1):70-5.

68. ICRU Report 62 : Prescribing, Recording and Reporting Photon Beam Therapy (Supplement to
ICRU Report 50). Oxford: International Commission on Radiation Units and Measurements;
1999.

- 44 -
 VIII. Annexes

VIII.1. Département du service de radiothérapie du Centre Léon

Bérard

Cinq accélérateurs linéaires, dont 4 sont équipés de collimateurs multilames, 3 d’imagerie

portale et 1 d’un système Cone Beam ont permis de traiter environ 2500 patients en 2006. Un scanner
4D de dernière génération (16 barrettes, large ouverture) est exclusivement dédié à la radiothérapie ;
des vacations hebdomadaires d’IRM et de TEP-TDM sont utilisées pour la fusion d'images en vue de
la planification de traitement. Quatre consoles de simulations virtuelles et 4 consoles de planimétrie
complètent ce plateau, avec transfert en réseau des images et des données de traitement. Par ailleurs,
un plateau technique de curiethérapie est associé au plateau d’irradiation externe (bloc opératoire pour
curiethérapie de bas et haut débit, un projecteur de source à débit pulsé, un projecteur SPOT dédié aux
implants permanent de curiethérapie).
Huit médecins, 6 physiciens, 2 aides physiciens et 2 dosimétristes ainsi qu’une équipe de 25
manipulateurs d’électro radiologie travaillent sur ce plateau.
Ce service a une réelle vocation dans la recherche : recherche clinique d’une part, avec
participation à des protocoles d’essais cliniques (entre 100 et 200 selon les années depuis 2001) :
PHRC (Programme Hospitalier de Recherche Clinique), STIC (Soutien aux Innovations diagnostiques
et Thérapeutiques Coûteuses), essais thérapeutiques de phase II et/ou III. Le Dr Carrie, coordonnateur
de ce service, dispose d’une Habilitation à Diriger la Recherche depuis le 21 Avril 2007.

VIII.2. Annexe 2 : description des aires ganglionnaires

médiastinales d’après Mountain et Dresler (57)

- 45 -
- 46 -
 VIII.3. Annexe 3 : les structures contourées pour la
reconnaissance inter patient.

Ces structures contourées sont :

- Un jeu de contourages qui devront être identifiés sur n’importe quel nouveau scanner.
Ces structures ont été choisies pour leur pertinence clinique dans le travail de routine en
radiothérapie. Les structures choisies sont :
- les lobes pulmonaires : lobes supérieurs et inférieur droits et gauches, lobe moyen
(droit, par définition)
- l’arbre bronchique :
o trachée et carène,
o bronches souches droite et gauche
o bronches lobaires : supérieures, moyenne et inférieure à droite, supérieure et
inférieure à gauche.
o tronc intermédiaire (à droite) et division bronchique supérieure (à gauche)
o bronches segmentaires :
 bronche apicale, antérieure, postérieure au niveau du lobe supérieur
droit
 lobaire moyenne médiale et latérale au niveau du lobe moyen
 basale supérieure (bronche de Nelson), basale postérieure, basale
latérale, basale antérieure et basale médiale à droite au niveau du lobe
inférieur droit
 apico-dorsale, antérieure au niveau du lobe supérieur gauche
 lingulaire supérieure, lingulaire inférieure au niveau de la lingula

- 47 -
  basale supérieure (bronche de Nelson), basale postérieure, basale
latérale, basale antéro-médiale à gauche).
- le cœur.
- les gros axes vasculaires : aorte et sa crosse, artères carotides et sous clavière, artère
pulmonaire, veines caves supérieures et inférieures, troncs veineux brachio céphaliques
droits et gauche, crosse de l’azygos et veine azygos, veine hémi-azygos si visible, veine
costale supérieure gauche si très développée),
- les 12 vertèbres thoraciques
- la moelle épinière
- l’œsophage
- les plexus brachiaux droit et gauche
- les aires ganglionnaires médiastinales, conformément à la classification de Mountain
(57) : aires 1&2 droite et gauche, 3A, 3P, 4 droite et gauche, 5, 6, 7, 8, 10&11 droite et
gauche.

VIII.4. Annexe 4 : les structures contourées pour la validation du

recalage 4D.

Ces structures sont :

- les lobes pulmonaires : lobes supérieurs et inférieur droits et gauches, lobe moyen(
droit, par définition)
- l’arbre bronchique :
o trachée et carène,
o bronches souches droite et gauche
o bronches lobaires : supérieures, moyenne et inférieure à droite, supérieure et
inférieure à gauche.
o tronc intermédiaire (à droite) et division bronchique supérieure (à gauche)
o bronches segmentaires :
 bronche apicale, antérieure, postérieure au niveau du lobe supérieur
droit
 lobaire moyenne médiane et latérale au niveau du lobe moyen
 basale supérieure (bronche de Nelson), basale postérieure, basale
latérale, basale antérieure et basale médiale à droite au niveau du lobe
inférieur droit
 apico-dorsale, antérieure au niveau du lobe supérieur gauche
 lingulaire supérieure, lingulaire inférieure au niveau de la lingula
 basale supérieure (bronche de Nelson), basale postérieure, basale
latérale, basale antéro-médiale à gauche).
- les gros axes vasculaires : aorte et sa crosse, artères carotides et sous clavière, artère
pulmonaire, veines caves supérieures et inférieures, troncs veineux brachio céphaliques
droits et gauche, crosse de l’azygos et veine azygos, veine hémi-azygos si visible, veine
costale supérieure gauche si très développée),
- le cœur,
- les côtes K9 et K10 droites et gauches (afin de tester les algorithmes sur des zones
connues comme étant complexe pour le recalage).

- 48 -