Title: Vers une simulation Monte Carlo de la distribution de dose d
1- Vers une simulation Monte Carlo de la
distribution de dose déposée dans un patient en
hadronthérapie. - 1. Introduction des données anatomiques dun
patient dans les simulations.
Doctorante Nathalie DUFOUR (CLB-IPNL) Directeurs
de thèse M. Boutemeur (IPNL) D. Sarrut
(Creatis)
2Ma thèse en quelques mots
- Nathalie DUFOUR (22/06/1982)
- Ingénieur Génie Biomédical (Marseille) / Master 2
Rayonnement et Imagerie en Médecine (Toulouse) - Physicienne médicale (DQPRM en cours)
- Début de ma thèse 15.11.2005
- Simulation à laide du code Monte Carlo GEANT4 de
la distribution de dose reçue par un patient dans
le cadre dun traitement en hadronthérapie.
3Un contexte
- Mise en place dun programme de travail dans le
cadre du GDR dosimétrie (MI2B) - Lévaluation, lutilisation et lamélioration de
GEANT4 pour la radiothérapie et lhadronthérapie. - DAPNIA Paris S. Kerhoas
- LPC Clermont Ferrand G. Montarou, Z. Francis
- IPN Lyon M Boutemeur, MC Ricol, N Dufour
- CLB Lyon N Dufour, D Sarrut
- LPC Caen D. Cussol
- CENBG Bordeaux S. Incerti
- CNDRI INSA Lyon N Freud, JM Létang
- Liris Lyon M. Beuve
- CREATIS Lyon L Guigues, D Sarrut
-
4Plan de traitement
- Le scanner X constitue la technique de référence
pour détecter et délimiter la région cible à
partir de laquelle sont réalisés les calculs de
planification dosimétrique - La planimétrie d'un traitement consiste (à partir
des données des patients et des paramètres du
faisceau) à - calculer la distribution de dose sur ordinateur
(méthode analytique, Monte Carlo (référence),
hybride) - choisir et valider la technique dirradiation
5La méthode Monte Carlo
- Simuler le parcours des ions carbones dans la
matière. - Prérequis
- Les processus dinteractions des ions 12C
- Les sections efficaces dinteraction avec les
atomes de la cible - Gestion de géométries complexes dans les
simulations (données patients) - Segmentation
- Navigation
6Le scanner X
- Une mesure l'atténuation du faisceau de rayons
X causée par la traversée des éléments du corps
du patient qui se trouvent sur l'axe
tube/détecteur. - L'ensemble des mesures permet de calculer le
coefficient d'atténuation linéaire (µ) de chaque
élément du volume examiné. - La valeur en un point dune image obtenue est une
unité Hounsfield (IH ou HU) qui correspond à la
densité par rapport à leau des tissus situés
dans le volume associé.
7Que nécessite les simulations Monte Carlo ?
- Informations concernant
- La composition atomique du tissu (ex du pancréas
H(10.6), C(16.9), N(2.2), O(69.4),
P(0.2)) -
- La densité du tissu
8Corrélation entre les HU et les paramètres des
tissus
- Méthode de Schneider et al (2000).
- Calibration réalisée sur le scanner GEMINI
(Philips) du Centre Léon Bérard.
9La méthode (1) Quelques équations
- Le coefficient datténuation linéaire dun tissu
de composition donnée - Les valeurs datténuation sont converties en
unités Hounsfield
(1)
(2)
10La méthode (1)
- Section efficace (Rutherford) dans la gamme
dénergie de la scanographie -
- En remplaçant cette valeur dans léquation (1)
(3)
(4)
11La méthode (1)
- On exprime ainsi le rapport des atténuations de
la façon suivante - Avec
- K1Ksca/Kkn
- K2Kph/Kkn
(5)
K1 et K2 sont scanner-dépendants
12Détermination des K1 K2 du Gemini (Philips)
- Utilisation du fantôme CIRS 062
- Le fantôme
- 10 matériaux différents de densité et de
composition atomique connus. - Mode tête / abdomen
- La mesure
- 140 kV (120 mAs)
- Extraction des valeurs HU dans chaque insert
(incertitude sur la mesure denviron 3 HU)
13L obtention des K1 K2
- Résolution de la méthode des moindres carrés
(minimiser la différence entre la mesure et le
modèle) - Trouver les valeurs de K1 K2 tel que la
différence entre la mesure et le modèle soit
minimale
Modèle
Mesure
14Résultats sur le fantôme
15Tables de Woodward et White
- Calcul des valeurs HU pour les tissus mous et
osseux à partir des paramètres tissulaires
répertoriés.
16 Densité H C N O P Ca HU (calc)
A 1 12 14 16 31 40
Z 1 6 7 8 15 20
Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous
Lung, blood-filled 0,26 10,3 10,5 3,1 74,9 0,2 0 -745,172731
Adipose tissue 3 0,93 11,6 68,1 0,2 19,8 0 0 -93,2391676
Adipose tissue 2 0,95 11,4 59,8 0,7 27,8 0 0 -72,402205
Adipose tissue 1 0,97 11,2 51,7 1,3 35,5 0 0 -51,6027647
Mammary gland 1 0,99 10,9 50,6 2,3 35,8 0 0 -35,0994672
Mammary gland 2 1,02 10,6 33,2 3 52,8 0 0 -1,81635609
Brain, cerebrospinal 1,01 11,1 0 0 88 0 0 0,91634824
Adrenal gland 1,03 10,6 28,4 2,6 57,8 0,1 0 9,42322969
Small intestine 1,03 10,6 11,5 2,2 75,1 0,1 0 15,9947559
Urine 1,02 11 0,5 1 86,2 0,1 0 7,27367274
Gallbladder bile 1,03 10,8 6,1 0,1 82,2 0 0 16,8863087
Lymph 1,03 10,8 4,1 1,1 83,2 0 0 17,4239164
Pancreas 1,04 10,6 16,9 2,2 69,4 0,2 0 22,3364219
Prostate 1,04 10,5 8,9 2,5 77,4 0,1 0 25,0303344
Brain, white matter 1,04 10,6 19,4 2,5 66,1 0,4 0 19,3840462
Testis 1,04 10,6 9,9 2 76,6 0,1 0 23,6790521
Brain, grey matter 1,04 10,7 9,5 1,8 76,7 0,3 0 23,730712
Muscle, skeletal 1 1,05 10,1 17,1 3,6 68,1 0,2 0 25,7212468
Stomach 1,05 10,4 13,9 2,9 72,1 0,1 0 32,0136274
17 Densité H C N O P Ca HU (calc)
A 1 12 14 16 31 40
Z 1 6 7 8 15 20
Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous Tissus mous
Lung, blood-filled 0,26 10,3 10,5 3,1 74,9 0,2 0 -745,172731
Adipose tissue 3 0,93 11,6 68,1 0,2 19,8 0 0 -93,2391676
Adipose tissue 2 0,95 11,4 59,8 0,7 27,8 0 0 -72,402205
Adipose tissue 1 0,97 11,2 51,7 1,3 35,5 0 0 -51,6027647
Mammary gland 1 0,99 10,9 50,6 2,3 35,8 0 0 -35,0994672
Mammary gland 2 1,02 10,6 33,2 3 52,8 0 0 -1,81635609
Brain, cerebrospinal 1,01 11,1 0 0 88 0 0 0,91634824
Adrenal gland 1,03 10,6 28,4 2,6 57,8 0,1 0 9,42322969
Small intestine 1,03 10,6 11,5 2,2 75,1 0,1 0 15,9947559
Urine 1,02 11 0,5 1 86,2 0,1 0 7,27
Gallbladder bile 1,03 10,8 6,1 0,1 82,2 0 0 16,8863087
Lymph 1,03 10,8 4,1 1,1 83,2 0 0 17,4239164
Pancreas 1,04 10,6 16,9 2,2 69,4 0,2 0 22,3364219
Prostate 1,04 10,5 8,9 2,5 77,4 0,1 0 25,0303344
Brain, white matter 1,04 10,6 19,4 2,5 66,1 0,4 0 19,3840462
Testis 1,04 10,6 9,9 2 76,6 0,1 0 23,6790521
Brain, grey matter 1,04 10,7 9,5 1,8 76,7 0,3 0 23,730712
Muscle, skeletal 1 1,05 10,1 17,1 3,6 68,1 0,2 0 25,7212468
Stomach 1,05 10,4 13,9 2,9 72,1 0,1 0 32,0136274
18La méthode (3)
- Les HU séchelonnent entre -1000 et 2000 dans le
corps humain - 3000 matériaux différents à décrire !!
- Pas dintérêt
- Incertitudes dans les mesures (/- 3 HU)
- Fantôme avec seulement 10 tissus connus
- Interpolation des éléments chimiques avec des
écarts jusquà 20 dincertitude pour certains. -
19La méthode (3)
- Hypothèses simplificatrices
- Pour les milieux composés de deux éléments
20La méthode (3)
- Les tissus osseux
- Interpolation entre le skeleton cortical bone
et le red/yellow narrow - Correspondance entre les densités massiques
calculées et celles issues des tables
Erreur 0.4
21La méthode (3)
- Correspondance entre les compositions chimiques
calculées et celles issues des tables
22Écarts
Erreur moyenne ()
Oxygène 10.6
Carbone 13.3
Hydrogène 1.3
Calcium 2.7
23La méthode (3)
- Les tissus mous
- Composés de 3 éléments (graisse, protéines et
eau) - Deux sous classes
- 1. Interpolation entre ladipose tissu 3 et
ladrenal gland (forte proportion deau) - 2. Interpolation entre le cortical tissue et
le small intestine (forte proportion de
graisse)
24La méthode (3)
- Correspondance entre les compositions chimiques
calculées et celles issues des tables
25Écarts
Erreur moyenne ()
Oxygène 4.9
Carbone 19.5
Hydrogène 1.5
26Bilan
- En terme de densité massique
27Bilan
- En terme de composition chimique
- Découpage en 24 plages HU
- --gtRéduction du temps de calcul
- Limité à H, C, N, O, P, Ca
28Résultats (1)
29Résultats (2)
30Résultats (3)
31Conclusion perspectives
- Mise en place dune méthode détalonnage
permettant la conversion dun scanner en une
description adaptée à un logiciel Monte Carlo. - Mais
- Une image scanner 26 millions de voxels
- ? Inconvénient majeur en terme de temps de calcul
- Pourquoi ??
- Le suivi du parcours des particules nest pas
adapté à ce genre de données dans Geant4. - Solution en cours
- Optimisation de la navigation (D. Sarrut, L.
Guiges, A. Vacavant)