Exposition à la radiation en chirurgie guidé par rayons x en utilisant l’apprentissage profond et la simulation Monte Carlo

L'utilisation de l'imagerie à rayons X dans les procédures interventionnelles surexpose le personnel médical à des rayonnements ionisants nocifs. Les techniques computationnelles peuvent améliorer la radioprotection en fournissant un retour d'information sur l'exposition en temps réel pendant l'intervention. Cependant, les méthodes existantes sont soit des approximations analytiques inexactes, soit des méthodes inadaptables en temps réel, notamment de la simulation de Monte Carlo (MCS). Dans cette thèse, nous avons proposé une approche alternative basée sur des réseaux neuronaux convolutionnels profonds (DCNN) entraînés sur des bases de données MCS. Cela permet une exécution en temps quasi réel avec une estimation de l'exposition aux radiations proche de la MCS. Nous avons d'abord évalué l'importance de l'exposition aux rayonnements dans la salle d'opération. Ensuite, nous avons généré un ensemble de données de cartes de doses aux patients en utilisant le MCS avec des données réelles de patients en 3D. Le scénario MCS utilisé a été validé cliniquement en effectuant des mesures de dose pendant les interventions. Nous avons conçu et entraîné un DCNN sur la base de données générée qui estime la dose du patient à l'aide de son scanner préopératoire et des paramètres d'acquisition, atteignant une erreur de dose à la peau de 6,2 %. L'approche a été étendue à l'exposition au rayonnement du personnel, ce qui a permis d'obtenir une erreur de 10,97 % dans l'estimation du rayonnement de la salle d'opération. La configuration MCS de cette méthode a été validée par des mesures effectuées dans une salle d'intervention expérimentale.The use of x-ray imaging in interventional procedures overexposes medical staff to harmful ionizing radiation. Computational techniques can improve radiation safety by providing realistic radiation exposure feedback during the intervention. However, existing methods are either inaccurate analytical approximations or inadaptable in realtime, i.e., Monte Carlo simulation (MCS). In this thesis, we proposed an alternative approach based on deep convolutional neural networks (DCNN) trained on MCS databases. This allows a near real-time execution with a radiation exposure estimation close to MCS. We first assessed the importance of the simulation elements in the behavior of radiation exposure in the operating room (OR). Then, we generated a dataset of patient dose maps using MCS with real 3D patient data. The employed MCS scenario was clinically validated by performing dose measurements during interventions. We designed and trained a DCNN on the generated database that estimates the patient dose using his pre-operative CT scan and the acquisition settings, reaching a skin dose error of 6.2 %. The approach was extended to the staff radiation exposure, providing an error of 10.97% in the OR radiation estimation. The MCS setup of this method was validated with measurements in an experimental interventional room