Méthodes Monte Carlo avancées en physique médicale – MoCaMed

L’approche du projet MoCaMed a consisté à explorer des méthodes innovantes et récentes dans le domaine du Quasi-Monte Carlo (QMC) et de l'Intelligence Artificielle (IA), notamment par l’apprentissage profond (AP). C’est domaine ouvrent de nouvelles voies pour améliorer la SMC.

Le principe du QMC, utilisé en rendu pour l'infographie, consiste à modifier la manière dont la simulation échantillonne les particules afin d'améliorer leur distribution. Cette distribution plus régulière réduit naturellement le bruit des observables obtenues par la simulation. Pour une qualité équivalente, il est donc possible de réduire le nombre de particules utilisées, et ainsi de diminuer le temps de calcul. Cette approche ne peut être utilisée que sur des observables où la granularité du résultat a un impact, comme une image médicale ou une carte de dose en radiothérapie. Cette mécanique est très complexe, car l'adaptation de l'échantillonnage ne se fait pas lors de la génération des particules, mais sur leurs impacts dans l'environnement après leur parcours. Cela incite à modifier en profondeur la SMC, notamment les processus de génération aléatoire utilisés pour déterminer les interactions physiques avec la matière.

L'apprentissage automatique (AP), quant à lui, permet d'apprendre des tâches complexes à partir de grandes quantités de données. L'idée ici est de générer un grand nombre de simulations SMC afin d'apprendre ensuite comment la simulation fonctionne. Bien entendu, la simulation complète ne peut pas être prédite par l'AP de façon générique, mais notre approche a consisté à remplacer certaines parties de la simulation, qui sont chronophages, par des éléments d'AP. L'avantage principal est que la prédiction d'un résultat par un AP est beaucoup plus rapide que la simulation du transport et des interactions des particules dans le milieu. Par exemple, cela peut être utilisé pour transporter plus rapidement les particules dans le corps du patient ou encore pour produire rapidement la distribution de l'énergie déposée par les particules dans les tissus.

Pour la première fois, l'utilisation de séquences quasi-aléatoires (QMC) a été explorée pour accélérer les simulations de Monte Carlo (SMC) dans le domaine médical. Cette étude a impliqué la modification des générateurs de nombres aléatoires utilisés dans les simulations. Les résultats obtenus montrent une amélioration significative des taux de convergence dans des cas simples, avec des augmentations pouvant atteindre 50 %. Cependant, une limitation substantielle a été identifiée lors de l'application de cette méthode à des scénarios plus réalistes, où la dimensionnalité de la SMC en physique médicale s'avère trop élevée. En effet, la forte consommation de nombres aléatoires, due aux nombreuses interactions dans la matière, rend pratiquement impossible le déploiement efficace de méthodes QMC. Ce résultat, très important, a été identifié pour la première fois dans ce contexte.

Dans le domaine de l'intelligence artificielle, et plus particulièrement de l'apprentissage profond, diverses méthodes ont été développées pour optimiser les temps de simulation en imagerie médicale. Par exemple, une approche innovante a consisté à générer des particules émanant directement du patient sans simuler leur transport à l’intérieur, ce qui permet d'augmenter la vitesse de simulation jusqu'à 20 fois. Cette méthode a été évaluée dans le contexte d'applications médicales réalistes en tomographie par émission monophotonique (SPECT). Dans ce même contexte, l’utilisation de l’apprentissage profond a été employée pour générer rapidement des particules issues de sources radioactives à l’intérieur du corps humain, réduisant ainsi les temps de calcul jusqu'à 100 fois.

Par ailleurs, d'autres modèles ont été explorés afin d'accélérer le calcul des doses déposées par les particules dans le patient, notamment dans le contexte de la radiothérapie. Une première stratégie a consisté à prédire le dépôt de dose en fonction de l'anatomie spécifique du patient et des énergies des particules incidentes. Cette méthode a permis de réduire de manière significative le temps de calcul, avec un facteur d'accélération de 100. Une autre solution innovante utilise l'apprentissage profond pour reconstruire des cartes de dose à haute résolution à partir de cartes de dose à basse résolution (avec peu de particules). Cette approche a atteint un facteur d'accélération de 300, ouvrant ainsi de nouvelles perspectives pour des simulations plus rapides et plus précises en radiothérapie. Les résultats utilisant ces méthodes d’accélération ont une erreur en moyenne autour de 5 % par rapport à une simulation classique, ce qui est à peu près le même niveau d’incertitude utilisé habituellement en SMC dans ce contexte d’application.

Certaines de ces méthodes ont été intégrées et partagées avec la communauté via la dernière version du logiciel open-source de SMC pour la physique médicale, OpenGATE 10.

Les perspectives de ce projet incluent plusieurs axes principaux. Nous prévoyons d'abord de tester la robustesse et la généralisation de nos méthodes sur diverses applications médicales pour en valider l'efficacité et l'adaptabilité. Ensuite, nous continuerons à utiliser l'apprentissage profond pour remplacer des parties des simulations Monte Carlo, ce qui a déjà montré des résultats prometteurs en termes de réduction des temps de calcul.

Un autre axe de recherche consistera à explorer des approches proches du quasi-Monte Carlo pour réduire la dimensionnalité des problèmes, ce qui est crucial pour améliorer l'efficacité des simulations dans des scénarios réalistes. Enfin, nous intégrerons les éléments validés dans la plateforme OpenGATE, permettant ainsi à la communauté scientifique de bénéficier de ces avancées et de les appliquer dans leurs propres recherches et pratiques cliniques. Ces étapes sont essentielles pour faire progresser le domaine de la physique médicale et améliorer les soins aux patients.

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.