Utilisation d’un réseau de neurones artificiels pour la simulation des mouvements pulmonaires

RésuméObjectif de l’étudeUne des possibilités pour améliorer la balistique d’une radiothérapie pulmonaire consiste à mieux connaître le mouvement des poumons propre à chaque patient. En effet, grâce à cette connaissance, il devient possible de suivre l’évolution du tracé du volume cible anatomoclinique (clinical target volume) défini par un ensemble de points en fonction de la phase respiratoire. Cet article présente l’étude de faisabilité d’une méthode originale pour simuler les positions de points dans les poumons pour toute phase respiratoire.Patients et méthodesCette approche, basée sur un réseau de neurones artificiels, a permis d’apprendre le mouvement pulmonaire sur plusieurs personnes pour ensuite le simuler pour de nouveaux patients dont seules les informations en début et en fin de respiration sont connues. Le réseau de neurones a été entraîné sur plus de 600 points tracés par un médecin, répartis sur trois patients et concentrés sur une zone précise du poumon.RésultatsLes premiers résultats ont été très prometteurs car une précision moyenne de 1 mm pour une résolution spatiale de 1 × 1 × 2,5 mm3 a été obtenue.ConclusionNous avons montré qu’il était possible de simuler le mouvement pulmonaire avec précision à l’aide d’un réseau de neurones artificiels. À l’avenir, nous souhaitons améliorer la précision de notre méthode à l’aide de nouvelles données et d’une couverture totale des poumons par les points de l’ensemble d’apprentissage.

PurposeA way to improve the accuracy of lung radiotherapy for a patient is to get a better understanding of its lung motion. Indeed, thanks to this knowledge it becomes possible to follow the displacements of the clinical target volume (CTV) induced by the lung breathing. This paper presents a feasibility study of an original method to simulate the positions of points in patient's lung at all breathing phases.Patients and methodsThis method, based on an artificial neural network, allowed learning the lung motion on real cases and then to simulate it for new patients for which only the beginning and the end breathing data are known. The neural network learning set is made up of more than 600 points. These points, shared out on three patients and gathered on a specific lung area, were plotted by a MD.ResultsThe first results are promising: an average accuracy of 1 mm is obtained for a spatial resolution of 1 × 1 × 2.5 mm3.ConclusionWe have demonstrated that it is possible to simulate lung motion with accuracy using an artificial neural network. As future work we plan to improve the accuracy of our method with the addition of new patient data and a coverage of the whole lungs.