Cet axe porte sur le développement et la validation de méthodes dédiées à la modélisation dans les applications en oncologie.

La première partie de l'axe est liée aux modèles prédictifs multiparamétriques s'appuyant sur la radiomique et d'autres données associées.

Des activités de recherche sont menées en lien avec l'analyse d'images et le traitement d'images pour extraire des informations à partir d'images multimodales TEP/CT et IRM, également appelées radiomics. Des méthodes d'apprentissage automatique (en profondeur) sont exploitées pour entraîner et valider des modèles combinant la radiomique avec des données contextuelles cliniques et d'autres -omiques, pour prédire divers paramètres cliniques (diagnostic et biopsies virtuelles, réponse à la (chimio)radiothérapie, survie, etc.) dans un certain nombre des types de cancer (poumon, col de l'utérus, œsophage, tête et cou, rectum, tumeurs cérébrales, etc.) et pour personnaliser, optimiser et orienter les stratégies de traitement.

Le workflow radiomics en parallèle avec le pipeline d'apprentissage automatique standard. Les développements sont réalisés par l'équipe (1 post-doctorant et 4 doctorants) pour chacune des différentes "boîtes" du pipeline ci-dessus :

• Des stratégies d'harmonisation pour permettre la réalisation d'études multicentriques robustes combinant des caractéristiques extraites d'images produites par différents centres.
• Méthodes de pré-traitement d'images telles que le débruitage, l'interpolation et la correction partielle des effets de volume.
• Détection et segmentation entièrement automatisées des tumeurs à partir de la TEP, de la TDM et de l'IRM.
• Amélioration des fonctionnalités radiomiques en termes de stabilité, de reproductibilité, de robustesse et de pouvoir discriminant, ainsi que développement de nouvelles « fonctionnalités artisanales » originales.
• Utilisation de réseaux de neurones profonds pour extraire des « caractéristiques profondes ».
• Comparaison des méthodes de sélection de caractéristiques et des classificateurs associés incluant les réseaux de neurones profonds, pour les tâches de classification et de régression, ainsi que des méthodes de fusion de plusieurs classificateurs.

Une autre partie de cet axe traite des simulations de tumeurs au niveau des populations cellulaires dans le cadre de la radiothérapie et de la dosimétrie.