Développement de méthodes itératives pour la reconstruction en tomographie spectrale

Iterative methods for spectral computed tomography reconstruction

• Auteur / Autrice : Souhil Tairi
• Direction : Christian Morel, Yannick Boursier, Sandrine Anthoine
• Type : Thèse de doctorat
• Discipline(s) : Optique, image et signal
• Date : Soutenance le 20/06/2019
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Physique et Sciences de la Matière (Marseille)
• Partenaire(s) de recherche : Laboratoire : Centre de physique des particules de Marseille (CPPM)
• Jury : Président / Présidente : Cristinel Diaconu
• Jury : Examinateurs / Examinatrices : Sandrine Anthoine, Frederic Noo, Francis R. Verdun
• Jury : Rapporteurs / Rapporteuses : Emilie Chouzenoux, Françoise Peyrin

Mots clés

Mots clés contrôlés

Marqueurs biologiques

Infographie

Tomographie en cohérence optique

Recherche linéaire (optimisation mathématique)

Mots clés libres

Problème inverse

Optimisation

Tomographie Spectrale

Algorithmes proximaux

Données réelles

Traitement d'image

Inverse problem

Optimization

Spectral CT

Proximal algorithm

Real data

Image processing

Résumé

Depuis quelques années les détecteurs à pixels hybrides ont ouvert la voie au développement de la tomographie à rayon X spectrale ou tomodensitométrie (TDM) spectrale. La TDM spectrale permet d’extraire plus d’information concernant la structure interne de l’objet par rapport à la TDM d’absorption classique. Un de ses objectifs dans l’imagerie médicale est d’identifier et quantifier des composants d’intérêt dans un objet, tels que des marqueurs biologique appelés agents de contraste (iode, baryum, etc.). La majeure partie de l’état de l’art procède en deux étapes : - la "pré-reconstruction" qui consiste à séparer les composants dans l’espace des projections puis reconstruire, - la "post-reconstruction", qui reconstruit l’objet puis sépare les composants.On s’intéresse dans ce travail de thèse à une approche qui consiste à séparer et reconstruire simultanément les composants de l’objet. L’état de l’art des méthodes de reconstruction et séparation simultanées de données de TDM spectrale reste à ce jour peu fourni et les approches de reconstruction existantes sont limitées dans leurs performances et ne tiennent souvent pas compte de la complexité du modèle d’acquisition.L’objectif principal de ce travail de thèse est de proposer des approches de reconstruction et séparation tenant compte de la complexité du modèle afin d’améliorer la qualité des images reconstruites. Le problème à résoudre est un problème inverse, mal-posé, non-convexe et de très grande dimension. Pour le résoudre, nous proposons un algorithme proximal à métrique variable. Des résultats prometteurs sont obtenus sur des données réelles et montrent des avantages en terme de qualité de reconstruction.

In recent years, hybrid pixel detectors have paved the way for the development of spectral X ray tomography or spectral tomography (CT). Spectral CT provides more information about the internal structure of the object compared to conventional absorption CT. One of its objectives in medical imaging is to obtain images of components of interest in an object, such as biological markers called contrast agents (iodine, barium, etc.).The state of the art of simultaneous reconstruction and separation of spectral CT data methods remains to this day limited. Existing reconstruction approaches are limited in their performance and often do not take into account the complexity of the acquisition model.The main objective of this thesis work is to propose better quality reconstruction approaches that take into account the complexity of the model in order to improve the quality of the reconstructed images. Our contribution considers the non-linear polychromatic model of the X-ray beam and combines it with an earlier model on the components of the object to be reconstructed. The problem thus obtained is an inverse, non-convex and misplaced problem of very large dimensions.To solve it, we propose a proximal algorithmwith variable metrics. Promising results are shown on real data. They show that the proposed approach allows good separation and reconstruction despite the presence of noise (Gaussian or Poisson). Compared to existing approaches, the proposed approach has advantages over the speed of convergence.