Thèse Segmentation Fonctionnelle Spatialisée de Données Spect Dynamiques pour la Caractérisation de l'Hétérogénéité Tumorale H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : BSB - Biologie, Santé, Biotechnologies Laboratoire de recherche : INTHERES - Innovations Thérapeutiques et Résistances Direction de la thèse : Peggy GANDIA ORCID 0000000243857894 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-30T23:59:59 L'imagerie Single Photon Emission Computed Tomography (SPECT) constitue un outil majeur en médecine nucléaire pour suivre la distribution spatio-temporelle des radiotraceurs au sein de l'organisme. En oncologie, ces données donnent accès à des processus fonctionnels tels que la perfusion, la fixation spécifique ou la clairance du traceur. Chaque voxel d'une acquisition dynamique est associé à une courbe temps-activité (TAC) reflétant des propriétés locales du tissu.

Malgré ce potentiel, l'analyse des données SPECT dynamiques reste largement dominée par des approches par régions d'intérêt (ROI) basées sur des segmentations anatomiques ou fonctionnelles préalables. Bien que robustes, ces méthodes ne permettent pas de décrire l'hétérogénéité intra-tumorale, aujourd'hui reconnue comme un facteur majeur influençant la réponse aux traitements et la planification thérapeutique. Les approches voxel par voxel ont été proposées comme alternative, mais leur utilisation demeure limitée en raison du faible nombre de points temporels, du bruit de comptage élevé et de la faible résolution spatiale des données SPECT dynamiques. Ces contraintes rendent difficile l'estimation de modèles complexes à l'échelle du voxel et conduisent souvent à des résultats instables ou peu interprétables.

Dans ce contexte, ce projet de thèse vise à développer un cadre méthodologique robuste permettant d'exploiter conjointement les dimensions temporelle et spatiale des données SPECT dynamiques. L'objectif n'est pas d'attribuer directement une nature tissulaire aux voxels, mais d'identifier des régions fonctionnelles homogènes définies par la similarité des cinétiques du traceur. Ces structures seront ensuite analysées en lien avec les données cliniques afin d'évaluer leur pertinence pour la caractérisation de l'hétérogénéité tumorale.

L'approche proposée repose sur une stratégie progressive conciliant ambition méthodologique et faisabilité. Dans un premier temps, le projet se concentrera sur la représentation des TAC voxelisées. En raison du nombre limité de points temporels, l'utilisation directe de modèles pharmacocinétiques complets peut poser des problèmes d'identifiabilité. Différentes représentations adaptées seront donc explorées, allant de modèles pharmacocinétiques simplifiés à des descripteurs fonctionnels plus robustes, tels que des indicateurs intégratifs ou des bases de fonctions contraintes. Ces approches seront comparées sur données simulées et réelles afin d'identifier celles offrant le meilleur compromis entre richesse descriptive et robustesse au bruit.

Une seconde étape portera sur le développement de méthodes de segmentation fonctionnelle intégrant explicitement l'information spatiale. L'hypothèse est que des voxels voisins partagent fréquemment des propriétés fonctionnelles similaires, ce qui peut contribuer à stabiliser les estimations. Plusieurs stratégies seront étudiées, incluant des approches de clustering associées à des mécanismes de régularisation spatiale. Des modèles de type Markov Random Field pourront notamment être explorés. Différentes formulations seront comparées afin d'évaluer l'apport réel des contraintes spatiales et leur sensibilité aux paramètres de régularisation.

Les méthodes développées seront ensuite évaluées à partir de données simulées et de données cliniques issues d'acquisitions SPECT au 177Lu fournies par les centres partenaires. L'évaluation reposera sur des critères tels que la robustesse au bruit, la reproductibilité des segmentations, leur cohérence spatiale et leur capacité à discriminer des régions d'intérêt cliniquement définies.

Au-delà de ses contributions méthodologiques, ce projet vise à améliorer la caractérisation de l'hétérogénéité fonctionnelle des tumeurs en imagerie SPECT et pourrait contribuer au développement de l'imagerie quantitative et de stratégies personnalisées de dosimétrie en radiothérapie interne vectorisée. L'imagerie SPECT dynamique permet de suivre la distribution spatio-temporelle de radiotraceurs et fournit un accès direct à des processus fonctionnels tels que la perfusion, la fixation spécifique ou la clairance des traceurs. Chaque voxel peut être associé à une courbe temps-activité reflétant des propriétés locales du tissu.

Cependant, l'exploitation de ces données repose encore majoritairement sur des approches par régions d'intérêt (ROI), qui ne permettent pas de décrire l'hétérogénéité intra-tumorale, pourtant reconnue comme un facteur majeur de variabilité de la réponse thérapeutique en cancérologie.

Les approches voxel par voxel représentent une alternative prometteuse mais restent limitées par plusieurs contraintes intrinsèques aux données SPECT dynamiques : faible nombre de points temporels, bruit de comptage élevé et résolution spatiale limitée. Ces difficultés rendent l'estimation de modèles complexes instable et limitent l'interprétation clinique des résultats.

Dans ce contexte, le développement de méthodes robustes combinant information temporelle et spatiale constitue un enjeu important pour l'imagerie quantitative et la médecine personnalisée. L'objectif principal du projet est de développer un cadre méthodologique robuste permettant l'analyse conjointe des dimensions temporelle et spatiale des données SPECT dynamiques afin de mieux caractériser l'hétérogénéité fonctionnelle intra-tumorale.

Plus spécifiquement, le projet vise à :
-développer des représentations robustes des courbes temps-activité voxelisées ;
-proposer des méthodes de segmentation fonctionnelle intégrant explicitement l'information spatiale ;
-identifier des régions tumorales homogènes sur le plan fonctionnel ;
-évaluer l'apport des approches spatialisées par rapport aux méthodes conventionnelles basées sur des régions d'intérêt (ROI) ;
-contribuer au développement d'approches quantitatives en médecine nucléaire et, à terme, à l'amélioration des stratégies personnalisées de dosimétrie en radiothérapie interne vectorisée. Le projet reposera sur une approche méthodologique progressive en plusieurs étapes :
-développement et comparaison de différentes représentations des courbes temps-activité voxelisées (modèles pharmacocinétiques simplifiés, indicateurs intégratifs, bases de fonctions contraintes) ;
-développement de méthodes de segmentation fonctionnelle intégrant des contraintes spatiales ;
-exploration d'approches de clustering et de modèles de régularisation spatiale, notamment de type Markov Random Field ;
-évaluation des méthodes sur données simulées puis sur données cliniques issues d'acquisitions SPECT au 177Lu ;
-comparaison systématique avec les approches ROI conventionnelles.

Une attention particulière sera portée à la robustesse au bruit, à la stabilité des segmentations et à leur interprétabilité clinique.

Le projet nécessite un profil interdisciplinaire à l'interface entre imagerie médicale, traitement du signal et modélisation pharmacocinétique/pharmacodynamique.

Le doctorant devra disposer de solides bases en modélisation pharmacocinétique/pharmacodynamie, en modélisation ainsi qu'en programmation dans les langages les plus courants (R et Python).

Le projet nécessitera par ailleurs :
-une capacité à développer, implémenter et évaluer des approches méthodologiques robustes ;
-une aptitude à travailler sur des données complexes, bruitées et multidimensionnelles ;
-de la rigueur scientifique, de l'autonomie et de solides capacités d'analyse critique ;
-une aptitude au travail collaboratif dans un environnement multidisciplinaire associant cliniciens, pharmaciens, physiciens, biostatisticiens et méthodologistes ;
-de bonnes capacités de communication scientifique, à l'écrit comme à l'oral, en français et en anglais.

Un parcours associant formation biomédicale, modélisation pharmacocinétique/pharmacodynamique et compétences en programmation scientifique, notamment dans des langages tels que R ou Python, apparaît particulièrement adapté à la conduite de ce projet doctoral.