ANR MOCAMED (ANR MOCAMED)

Méthodes Monte Carlo avancées en physique médicale.

Les simulations Monte Carlo (MC) sont largement utilisées en physique médicale pour le développement des systèmes d'imagerie et de planification de traitement en radiothérapie. Cependant, le besoin croissant de simulations détaillées et précises entraîne toujours des temps de calcul très importants. Des techniques de réduction de variance (TRV) ont été développées depuis des années mais restent limitées à des applications spécifiques. Des méthodes utilisant des architectures GPU ont également été étudiées mais s’avèrent difficiles à maintenir et à généraliser. Par conséquent, il existe encore des besoins importants pour améliorer l'efficacité des simulations MC à la fois en imagerie et en radiothérapie.

Les développements récents sur la TRV asymptotique tels que le Quasi-Monte Carlo (QMC) et l'intelligence artificielle (IA) ouvrent de nouvelles voies. Les approches QMC, principalement développées dans le domaine de l'infographie, améliorent l'efficacité en considérant des échantillons qui sont autant que possible uniformément distribués. En ce qui concerne les méthodes d'IA en MC, des approches récentes ont montré la faisabilité d'apprendre la fonction de réponse angulaire d'un système collimateur-détecteur TEMP et de prédire la distribution de dose en radiothérapie. Cependant, ces méthodes sont encore limitées à certaines applications spécifiques et ne révolutionnent pas les bases de la simulation MC pour la physique médicale.

L'ambition du projet MoCaMed est de concevoir, développer et d’évaluer des méthodes avancées d'échantillonnage et de Deep Learning pour améliorer les simulations MC en physique médicale. Pour réaliser de telles avancées, trois principes fondamentaux des simulations MC seront revisités à travers trois objectifs, allant des problèmes théoriques aux exemples d'applications réalistes tout en construisant l'infrastructure logicielle nécessaire pour héberger les futurs développements. Le premier objectif concerne l'adaptation des techniques QMC et de transport optimal aux applications de la physique médicale. Nous espérons ainsi développer de nouvelles stratégies d'échantillonnage et de nouvelles façons de représenter des distributions de probabilités. Le deuxième objectif est de développer des méthodes alternatives pour accélérer le transport des particules dans les fantômes et les détecteurs basées sur les réseaux de neurones notamment avec un GAN. Le troisième objectif permettra de prédire rapidement et précisément la distribution de la dose en combinant la simulation MC et l’IA, en particulier via les approches Deep Learning. Deux modèles seront proposés, un pour les photons et un pour les électrons. Enfin, tous les développements seront intégrés dans le logiciel open-source GATE, l'une des principales plates-formes open-source pour les simulations en physique médicale, en médecine nucléaire et radiothérapie, avec des démonstrateurs réalistes complets (simulation SPECT d’un traitement de thérapie moléculaire, curiethérapie de la prostate, radiothérapie externe hypo-fractionnée).

Le consortium du projet rassemble des chercheurs des laboratoires LaTIM, CREATIS et LIRIS (INSERM, CNRS), expérimentés en infographie, en IA et en simulation en physique médicale. Toutes les méthodes et tous les résultats développés seront disponibles pour les chercheurs et les industriels et serviront de base aux développements futurs. En fournissant de nouvelles méthodes MC accessibles et efficaces via la plate-forme GATE, de nombreux groupes de recherche et entreprises (tels que Philips, GE, Siemens, Elekta, IBA avec lesquels nous collaborons régulièrement) en bénéficieront. Nous nous concentrons ici sur des applications en physique médicale, mais les algorithmes de MC proposés pourront également être utiles dans d'autres domaines tels qu’en vision par ordinateur ou en finance.