1,721,494 research outputs found
Generative adversarial networks for medical imaging : unsupervised domain adaptation to reduce center effect in clinical trials
No full textLe problème d’acquisition Shift est un problème largement répandu en imagerie médicale. Egalement nommé effet de centre, il est causé par l’absence de norme et d’homogénéité au sein des systèmes d’imageries médicales, mais également au sein des pratiques des médecins. Cela peut comprendre des paramètres et méthodes d’acquisitions différents. Cet effet engendre potentiellement un biais significatif au sein des bases d’images agrégées provenant de plusieurs centres. L’effet de centre peut causer des écarts entre les résultats obtenus lors du développement d’une méthode et sa mise en application dans le domaine clinique. De ce fait découle un besoin de méthodes avancées permettant de réduire cet écart inter-images à l’échelle d’une base d’images multicentriques. Deux méthodes d’adaptation de domaine non supervisée ont été proposées. Elles se basent sur l’utilisation de réseaux génératifs antagonistes ou GAN (generative adversarial networks), une famille récente de réseaux de neurones permettant de travailler directement à l’échelle de l’image. Une première méthode préliminaire, basée sur la mise en série de deux apprentissages - cyclique puis pixel à pixel, présentait un risque potentiel d’altération des structures au sein des images. La seconde méthode se base sur le contrastive learning. Cette approche permet un apprentissage rapide, sur peu de données, sans connaissances préalables requises sur les domaines auxquels appartiennent les images hétérogènes. Ces méthodes ont été mises en application dans des cadres de recherche mais également dans le cadre clinique, le but de ces travaux étant d’intégrer de telles méthodes dans le déploiement de l’étude Deep Lung IV menée par l’entreprise SOPHiA GENETICS sur le cancer du poumon. Nous avons montré que le contrastive learning utilisé en accord avec des fonctions de coût de préservation de structures permet de réduire la variabilité intra classe interne à une base d’images multicentrique, tout en préservant l’information structurelle des images.Acqusition shift is a wide spread medical imaging issue. Also known as Center Effect, acquisition shift is due to a lack of homogeneity and norms in medical imaging or medical process, including multiple acquisition parameters and methods. Acquisition shift may lead to high heterogeneity in multicentric databases.The center effet is responsible for potentially harmful differences between development and deployment conditions of a medical process. Thus there is a growing need for advanced methods that could mitigate this heterogeneity in a multicentric medical image database.Two approaches were proposed, based on unsupervised domain adaptation. These two methods focuse ondeep learning, more particularly generative adversartial networks, an image processing neural network architecture that shows significant performance for medical applications. The two-step preliminary method based on a cycleGAN and a Pix2Pix network was potentially altering geometric structures of the images. The second approach, based on contrastive learning, enables a quick learning, and need only a few data or knowledge about the several imaging centers gathered to create the image database. These two methods have been applied in a laboratory and clinical trial context. The aim of this work is to integrate such standardizing methods in the wide spread lung cancer clinical trial Deep Lung IV led by SOPHiA GENETICS. We have shown that contrastive learning, with the help of edge preserving loss functions, enables the decreasing of the heterogeneity in a multicentric database while preserving the structure of interest of the images
Introduction of Monte Carlo dosimetry and edema in inverse treatment planning of prostate brachytherapy
No full textLe cancer de la prostate est le deuxième plus fréquent cancer chez les hommes. La France occupe le troisième rang du taux d’incidence. La curiethérapie bas-débit dose (LDR) est une option de traitement largement utilisée. Au cours de la curiethérapie LDR, des graines radioactives sont implantées en permanence dans la prostate afin de délivrer une dose thérapeutique de façon locale dans la zone cancéreuse tout en épargnant les organes voisins à risque (OAR). Malgré son taux de réussite élevé (75% à 91%), les effets secondaires restent élevés. La dose délivrée à la tumeur dépend des positions d’implantation des graines, ce qui implique que la planification est essentielle. Les systèmes cliniques de planification fournissent automatiquement les positions d’implantation. Cependant, cette prédiction est basée sur un modèle dosimétrique simplifié où le corps humain est considéré comme un volume d’eau. Un autre facteur des erreurs est l’apparition d’un oedème de la prostate impliquant un changement volumétrique. L’oedème peut entraîner une sous-estimation du D90 par exemple il est de 13.6% pour un changement volumétrique de 20%. De plus, l’oedème varie (10% à 96%) entre les patients. Aujourd’hui le mécanisme exact de l’apparition de cet oedème reste inconnu. Nous proposons un système de traitement inverse pour la curiethérapie prostate qui tient compte d’une personnalisation précise de la dosimétrie et de l’oedème. Ces travaux peuvent également être utilisés dans d’autres contextes cliniques, tel que la curiethérapie haut-débit, mais également être adapté pour traiter d’autres organes. Dans le futur, nos travaux porteront sur la personnalisation du modèle biomécanique de la prostate proposé à chaque patient en utilisant des mesures d’élasticité via l’élastographie. En raison des limitations inhérentes à la FEM, l’incorporation du modèle biomécanique de l’oedème dans le système de planification du traitement est coûteuse en temps de calcul. Une méthode alternative, serait de proposer un modèle sans maillage afin d’améliorer la simulation de l’oedème.Prostate cancer is the second most common cancer in men. Two-thirds of the cases are diagnosed in developed countries and France is ranked third in incidence rate. Low-dose-rate (LDR) brachytherapy is a widely used treatment option. During LDR brachytherapy, radioactive seeds are implanted permanently in the prostate to deliver a therapeutic dose locally in the cancerous region while sparing the organs at risk (OARs). Despite its high success rate (75% to 91%), the side-effects (sexual and urinary problems) remain high. The dose delivered to the tumor depends on the implantation positions of the seeds, which implies that treatment planning is essential. Clinical inverse planning systems automatically provide optimal implantation positions. However, this prediction is based on a simplified dosimetric model where the human body is considered an infinite volume of water. Another important factor that induces treatment errors is the occurrence of prostate edema during brachytherapy that involves volumetric changes of the organ. Edema can lead to a significant underestimation of the D90, for example, by 13.6% for a volumetric change of 20%. Moreover, the edema magnitude varies considerably (10% to 96%) between patients. Today the exact mechanism of edema formation remains unknown. We propose in this thesis a system of inverse treatment for prostate brachytherapy which considers a precise personalization of the dosimetry but also of the prostate edema. This work can also be used in other clinical contexts, such as high-dose-rate brachytherapy, but also be adapted to treat other organs. In the future, our work will focus on the study of the ability to adapt the proposed prostate biomechanical model to each patient using elastic measurements via prostate elastography. Due to the inherent limitations of FEM, the incorporation of the biomechanical model of edema into the treatment planning system is costly in computation time. An alternative method would be to propose a new meshless model to improve the simulation of edema during intraoperative planning
4D radiotherapy and treatment optimization : accounting for inter and intra fraction motions
No full textLa radiothérapie, qui représente un des traitements principaux des cancers, consiste à détruire les cellules tumorales par des radiations. Elle est délivrée sur plusieurs séances et nécessite une précision de plus en plus importante dans la localisation de la tumeur pour ne pas endommager les tissus sains avoisinants par des doses toujours plus élevées. Deux enjeux sont alors cruciaux : le positionnement quotidien du patient et le suivi de sa tumeur si celle-ci est mobile. Dans ce travail, nous abordons ces deux points en proposant tout d'abord un système de repositionnement précis et non irradiant. Ce système est composé de deux caméras temps de vol qui permettent une acquisition surfacique du patient à une fréquence pouvant atteindre les 50 Hz. Nous proposons ensuite une nouvelle approche de traitement prenant en compte les mouvements de la tumeur et des tissus sains tout en gardant à l'esprit que le temps de délivrance de traitement ne doit pas être trop augmenté. Nous combinons alors une irradiation par modulation d'intensité qui protège les tissus non tumoraux avec une irradiation délivrée sur une seule phase respiratoire. La nouveauté consiste ici à reproduire ce schéma sur plusieurs phases afin de stopper l'irradiation un minimum de temps par cycle respiratoire et donc d'achever la délivrance du traitement plus rapidement. Nous terminons par l'évaluation d'un modèle respiratoire créé et appliqué à nos données cliniques qui pourrait, couplé au système et au traitement proposés dans cette thèse, augmenter leurs performances en fournissant des informations anatomiques en temps réel.Radiation therapy is one of the principal cancer treatments which uses radiations to kill cancerous cells. It is delivered over several days and requires an increasing tumor location accuracy in order irradiate well the tumor while protecting the surrounding healthy tissues. Therefore, we have to deal with two major issues: daily patient positioning and tumor motion management. As a first step, we propose an accurate non irradiant system for patient positioning. This system is composed of two times of flight cameras which acquire the patient surface at a frequency of 50 Hz. Then, we suggest a new treatment method that accounts for tumor and healthy tissue motion without increasing treatment duration. For this purpose, we combine an intensity modulated radiation therapy to the gating technique that delivers radiations on a unique respiratory phase. Our contribution consists on reproducing this scheme on several phases while increasing irradiation time efficiency. Finally, we evaluate a breathing model created and validated on our clinical datasets. This model, if coupled with our previous developments, could improve their accuracy by offering a real-time anatomical motion tracking
Quantitative autoradiography of biopsy specimens obtained under PET/CT guidance : method development and clinical applications
No full textAu cours des dix dernières années, l’utilisation de l’imagerie par tomographie par émission de positrons (TEP) s’est rapidement développée en oncologie. Certaines tumeurs non visibles en imagerie anatomique conventionnelle sont détectables en mesurant l'activité métabolique dans le corps humain par TEP. L’imagerie TEP est utilisée pour guider la délivrance de traitements locaux tels que par rayonnement ionisants ou ablation thermique. Pour la délivrance de ces traitements, segmenter la zone tumorale avec précision est primordial. Cependant, la faible résolution spatiale des images TEP rend la segmentation difficile. Plusieurs études ont démontré que la segmentation manuelle est sujette à une grande variabilité inter- et intra- individuelle et est fastidieuse. Pour ces raisons, de nombreux algorithmes de segmentation automatiques ont été développés. Cependant, peu de données fiables, avec des résultats histopathologiques existent pour valider ces algorithmes car il est expérimentalement difficile de les produire. Le travail méthodologique mis en place durant cette thèse a eu pour but de développer une méthode permettant de comparer les données histopathologiques aux données obtenue par TEP pour tester et valider des algorithmes de segmentation automatiques. Cette méthode consiste à réaliser des autoradiographies quantitatives de spécimens prélevés lors de biopsies guidées par TEP/tomodensitométrie (TDM); l’autoradiographie permettant d’imager la distribution du radiotraceur dans les échantillons avec une haute résolution spatiale. Les échantillons de tissus sont ensuite finement tranchés pour pouvoir être étudiés à l’aide d’un microscope. L’autoradiographie et les photomicrographes de l’échantillon de tissus sont ensuite recalés à l’image TEP, premièrement en les alignant avec l’aiguille à biopsie visible sur l’image TDM, puis en les transférant sur l’image TEP. Nous avons ensuite cherché à utiliser ces données pour tester deux algorithmes de segmentation automatique d'images TEP, le Fuzzy Locally Adaptive Bayesian (FLAB) développé au Laboratoire de Traitement de l'Information Médicale (LaTIM) à Brest, ainsi qu’une méthode de segmentation par seuillage. Cependant, la qualité de ces données repose sur la précision du recalage des images TEP, autoradiographiques et des micrographes. La principale source d’erreur dans le recalage de ces images venant de la fusion des images TEP/TDM, une méthode a été développée afin de quantifier la précision du recalage. Les résultats obtenus pour les patients inclus dans cette étude montrent que la précision de la fusion varie de 1.1 à 10.9 mm. En se basant sur ces résultats, les données ont été triées, pour finalement sélectionner les données acquises sur 4 patients jugées satisfaisantes pour tester les algorithmes de segmentation. Les résultats montrent qu’au point de la biopsie, les contours obtenus avec FLAB concordent davantage avec le bord de la lésion observé sur les micrographes. Cependant les deux méthodes de segmentation donnent des contours similaires, les lésions étant peu hétérogènes.During the last decade, positron emission tomography (PET) has been finding broader application in oncology. Some tumors that are non-visible in standard anatomic imaging like computerized tomography (CT) or ultrasounds, can be detected by measuring in 3D the metabolic activity of the body, using PET imaging. PET images can also be used to deliver localized therapy like radiation therapy or ablation. In order to deliver localized therapy, the tumor border has to be delineated with very high accuracy. However, the poor spatial resolution of PET images makes the segmentation challenging. Studies have shown that manual segmentation introduces a large inter- and intra- variability, and is very time consuming. For these reasons, many automatic segmentation algorithms have been developed. However, few datasets with histopathological information are available to test and validate these algorithms since it is experimentally difficult to produce them. The aim of the method developed was to evaluate PET segmentation algorithms against the underlying histopathology. This method consists in acquiring quantitative autoradiography of biopsy specimen extracted under PET/CT guidance. The autoradiography allows imaging the radiotracer distribution in the biopsy specimen with a very high spatial accuracy. Histopathological sections of the specimen can then obtained and observed under the microscope. The autoradiography and the micrograph of the histological sections can then be registered with the PET image, by aligning them first with the biopsy needle seen on the CT image and then transferring them onto the PET image. The next step was to use this dataset to test two PET automatic segmentation algorithms: the Fuzzy Locally Adaptive Bayesian (FLAB) developed at the Laboratory of Medical Information Processing (LaTIM) in Brest, France, as well as a fix threshold segmentation method. However, the reliability of the dataset produced depends on the accuracy of the registration of the PET, autoradiography and micrograph images. The main source of uncertainty in the registration of these images comes from the registration between the CT and the PET. In order to evaluate the accuracy of the registration, a method was developed. The results obtained with this method showed that the registration error ranges from 1.1 to 10.9mm. Based on those results, the dataset obtained from 4 patients was judged satisfying to test the segmentation algorithms. The comparison of the contours obtained with FLAB and with the fixed threshold method shows that at the point of biopsy, the FLAB contour is closer than that to the histopathology contour. However, the two segmentation methods give similar contours, because the lesions were homogeneous
Intra-tumor heterogeneity characterization on positron emission tomography (PET)
No full textLe cancer est chaque année responsable de 7,6 millions de décès dans le monde. L'amélioration des traitements constitue donc un enjeu majeur de santé publique. Il a été démontré que l'association d'un diagnostic précoce et d'un traitement efficace était associée à un impact significatif sur la survie des patients. De nombreux facteurs pronostics de la survie ont été identités et sont actuellement utilisés en routine clinique. Ce diagnostic est souvent réalisé en partieà l'aide de l'imagerie de Tomographie par Emission de Positons (TEP), cette dernière s'étantavérée être un outil très performant pour l'identification des tumeurs et métastases dans uncertain nombre de modèles de cancer. La TEP fait partie des modalités d'imagerie fonctionnelleet a donc le potentiel de fournir des informations liées à la biologie sous-jacente des cancers.Toutefois, du fait de sa faible résolution spatiale, elle n'avait que très peu été utilisée avec cet objectif.Ce travail de thèse a consisté à étudier des paramètres quantitatifs pouvant être extraitsde ces images, plus spécifiquement ceux permettant la caractérisation de l'hétérogénéité intratumorale. Nous avons pu identifier un ensemble de paramètres issus de l'analyse de texture quisont reproductibles, robustes aux effets de volume partiel et à la méthode de segmentation, etvraisemblablement liés à la physiologie tumorale. Nous avons également pu mettre en évidencele potentiel de ces paramètres extraits d'images de diagnostic, pour contribuer à la prédiction dela réponse thérapeutique ainsi que comme facteur pronostic. Ces nouveaux indices quantitatifspourraient à relativement court terme venir compléter les facteurs de référence courammentutilisés aujourd'hui en oncologie pour la prise en charge thérapeutique des patients.Cancer is responsible every year for the death of 7.6 million people. Treatments improvement is thus of the greatest importance regarding public health. The association of an early diagnosis with an efficient treatment was shown to lead to a significant impact on patients survival rates. Numerous prognostic factors have been identified and are now being used in clinical routine. Nowadays, Positron Emission Tomography (PET) imaging is often used for tumor and metastasis identification because of its established accuracy in numerous cancer models. PET belongs to the functional imaging techniques and may potentially therefore provide information relative to cancer biology. Nevertheless, because of its low spatial resolution, this technique has not been extensively considered for such a purpose. This thesis work aimed at studying quantitative parameters that could be extracted from PET images through texture analysis, in order to characterize tumor heterogeneity. We identified a set of reproducible parameters, robust with respect to partial volume effects as well as segmentation methods that are probably related to the tumor physiology. We have also demonstrated the power of these parameters obtained from diagnostic images for contributing in predicting the therapeutic response as prognostic factors. These new quantitative parameters could in the relatively short term be utilized complementarily to standard oncology factors for patient management purposes
Dynamic generative modelling for medical applications
No full textLa tomodensitométrie quadridimensionnelle (TDM 4D) consiste à reconstruire une acquisition en plusieurs phases afin de suivre les mouvements des organes internes et des tumeurs. Elle est couramment utilisée dans la planification des traitements de radiothérapie pour le cancer du poumon, mais elle expose les patients à des doses de radiation plus élevées, allant jusqu’à six fois supérieures à celles d’une tomodensitométrie tridimensionnelle (TDM 3D) classique. Les méthodes d’apprentissage automatique profond, issues du domaine de la vision par ordinateur, suscitent un vif intérêt au sein de la communauté de l’imagerie médicale. Parmi ces approches, les modèles génératifs se distinguent en leur capacité à générer des images synthétiques reproduisant fidèlement l’apparence et les caractéristiques statistiques d’images obtenues à partir de systèmes réels. Dans cette thèse, nous explorons l’utilisation d’un modèle génératif pour la génération d’image dynamique. Nous proposons un modèle capable de générer un mouvement respiratoire spécifique à un patient à partir d’une image TDM 3D de diagnostic et de données respiratoires. L’objectif est de permettre aux radiologues d’effectuer la délimitation des volumes cibles et des organes à risque, ainsi que le calcul de la dose sur des images dynamiques de synthèses. Cette méthode éviterait ainsi la nécessité de réaliser une acquisition TDM 4D, réduisant ainsi l’exposition du patient aux radiations.Four-dimensional computed tomography (4DCT) involves reconstructing an acquisition in multiple phases to track the movements of internal organs and tumors. It is used routinely for radiotherapy treatment planning of lung cancer, but it exposes patients to higher radiation doses, up to six times greater than those of a conventional threedimensional computed tomography (3DCT). Deep learning methods from the field of computer vision are gaining significant interest within the medical imaging community. Among these approaches, generative models stand out due to their ability to generate synthetic images that faithfully replicate the appearance and statistical characteristics of images acquired from real systems. In this thesis, we explore the use of a generative model for dynamic image generation. We propose a model capable of generating patient-specific respiratory motion from a diagnostic 3DCT image and respiratory data. The goal is to enable radiologists to delineate target volumes and organs at risk, as well as perform dose calculations on these dynamic synthetic images. This method would reduce the need for a 4DCT acquisition, thereby reducing the patient’s radiation exposure
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Multiparametric characterization of colorectal cancer
No full textL’imagerie est un outil pour réaliser le diagnostic, le bilan d’extension et le suivi thérapeutique de la grande majorité des tumeurs. La tomodensitométrie (TDM) est la méthode la plus utilisée et les images obtenues fournissent une cartographie tumorale fondée sur la densité des tissus. L’analyse plus approfondie de ces images acquises en routine clinique a permis d’extraire des informations supplémentaires quant à la survie du patient ou à la réponse au(x) traitement(s). Toutes ces nouvelles données permettent de décrire le phénotype d’une lésion de façon non invasive et sont regroupées sous le terme de radiomique. La plupart des études de radiomique se sont focalisées sur les paramètres de texture et ont évalué les données acquises à l’aide de TDM avec injection de produit de contraste (phase portale). Pour ces travaux de thèse, nous avons réalisé une analyse des paramètres de radiomique extraits à la fois des images TDM contrastées et non contrastées des tumeurs colorectales. La construction d’un modèle pronostique à l’aide de ces paramètres a permis d’étudier la complémentarité des informations fournies par les deux modalités. Dans un second temps, l’analyse des modifications transcriptomiques des cellules souches et cellules cancéreuses dans le cancer colorectal a permis de valider l’hypothèse que la quantification de modifications transcriptomiques peut également avoir une valeur pronostique. Finalement, l’étude des corrélations entre les données d’expression génétique et la radiomique en TDM a montré que la quantification de l’hétérogénéité tumorale en TDM reflète en partie les modifications transcriptomiques.Imaging is the principal tool for diagnosis, extension assessment and therapeutic follow-up of the vast majority of tumors. Computed tomography (CT) is the most used method and provides an assessment of tumor tissue density. In-depth analysis of those images acquired in clinical routine has suppl ied additional data regarding patient survival or treatment response. All those new data allow to describe the tumor phenotype and are generally grouped under the generic term radiomics. Most of previous studies focused on texture analysis using contrast enhanced CT (portal phase). In the first part of this thesis, we carried out a radiomics analysis of both contrast-enhanced and nonenhanced CT images of the colorectal tumors.Imaging is the principal tool for diagnosis, extension assessment and therapeutic followup of the vast majority of tumors. Computed tomography (CT) is the most used method and provides an assessment of tumor tissue density. In-depth analysis of those images acquired in clinical routine has supplied additional data regarding patient survival or treatment response. All those new data allow to describe the tumor phenotype and are generally grouped under the generic term radiomics. Most of previous studies focused on texture analysis using contrast enhanced CT (portal phase). In the first part of this thesis, we carried out a radiomics analysis of both contrast-enhanced and non-enhanced CT images of the colorectal tumors
A multi resolution and multi observation framework for multi modal medical images processing and analysis in oncology
No full textCe travail s’inscrit dans le cadre du développement d’une médecine davantage personnalisée et préventive, pour laquelle la fusion d’informations multi modale et de différentes représentations d'une même modalité sont nécessaires afin d'aboutir à une quantification fiable des images médicales en oncologie. Dans cette étude nous présentons deux applications de traitement et d'analyse des images médicales: le débruitage des images TEP et la détermination des volumes anatomo-fonctionnels des tumeurs en imagerie multi modale TEP/TDM. Pour le débruitage des images TEP, nous avons mis en place une approche intitulée "WCD" permettant de bénéficier des caractéristiques complémentaires de la transformée en ondelettes et la transformée en Curvelets afin de mieux représenter les structures isotropiques et anisotropiques dans ces images, ce qui permet de réduire le bruit tout en minimisant les pertes d'informations utiles dans les images TEP. En ce qui concerne la deuxième application, nous avons proposé une méthode de segmentationTEP/TDM intitulée "WCHMT" permettant d'exploiter la spécificité des arbres de Markov caché de prendre en compte les dépendances statistiques entre l’ensemble des données. Ce modèle permet de gérer simultanément les propriétés complémentaires de l’imagerie fonctionnelle et l’imagerie morphologique dans un cadre unifié où les données sont représentées dans le domaine des Contourlets. Le débruitage en TEP a abouti à une hausse significative du rapport signal sur-bruit (SNR) en garantissant la moindre variation de l'intensité et du contraste local. Quant à la segmentation multimodale TEP/TDM, elle a démontré une bonne précision lors de la détermination du volume tumoral en terme du coefficient de Dice (DSC) avec le meilleur compromis entre la sensibilité (SE) et la valeur prédictive positive (PPV) par rapport à la vérité terrain.This thesis is a part of the development of more personalized and preventive medicine, for which a fusion of multi modal information and diverse representations of the same modality is needed in order to get accurate and reliable quantification of medical images in oncology. In this study we present two applications for image processing analysis: PET denoising and multimodal PET/CT tumor segmentation. The PET filtering approach called "WCD" take benefit from the complementary features of the wavelet and Curvelets transforms in order to better represent isotropic and anisotropic structures in PET images. This algorithm allows the reduction of the noise while minimizing the loss of useful information in PET images. The PET/CT tumor segmentation application is performed through a Markov model as a probabilistic quadtree graph namely a Hidden Markov Tree (HMT).Our motivation for using such a model is to provide fast computation, improved robustness and an effective interpretational framework for image analysis on oncology. Thanks to two efficient aspects (multi observation and multi resolution), when dealing with Hidden Markov Tree (HMT), we exploit joint statistical dependencies between hidden states to handle the whole data stack. This model called "WCHMT" take advantage of the high resolution of the anatomic imaging (CT) and the high contrast of the functional imaging (PET). The denoising approach led to the best trade-off between denoising quality and structure preservation with the least quantitative bias in absolute intensity recovery. PET/CT segmentation's results performed with WCHMT method has proven a reliable segmentation when providing high Dice Similarity Coeffcient (DSC) with the best trade-off between sensitivity (SE) and positive predictive value (PPV)
- …
