Thèse soutenue

Modélisation de la tâche clinique en reconstruction pour la tomosynthèse numérique du sein

FR  |  
EN
Auteur / Autrice : Maissa Sghaier
Direction : Jean-Christophe Pesquet
Type : Thèse de doctorat
Discipline(s) : Traitement du signal et des images
Date : Soutenance le 18/12/2020
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Centre de vision numérique (Gif-sur-Yvette, Essonne)
référent : CentraleSupélec (2015-....)
Jury : Président / Présidente : Denis Kouamé
Examinateurs / Examinatrices : Amel Benazza, Ioannis Sechopoulos, Serge Müller, Emilie Chouzenoux, Aurélia Fraysse, Laurent Najman
Rapporteurs / Rapporteuses : Amel Benazza, Ioannis Sechopoulos

Résumé

FR  |  
EN

La reconstruction en tomosynthèse numérique du sein est considérée comme un problème inverse, pour lequel les méthodes itératives régularisées permettent de fournir une bonne qualité d'image. Bien que la tâche clinique joue un rôle crucial lors de l’examen des images par le radiologue, elle n'a pas été jusqu'à présent directement prise en compte dans le processus de reconstruction des images de tomosynthèse. Dans cette thèse, nous introduisons une nouvelle formulation variationnelle de la reconstruction des images en tomosynthèse numérique du sein qui intègre la tâche clinique du radiologue, notamment la détection des microcalcifications. Le but de cette approche est de permettre à la fois le rehaussement de la détectabilité des microcalcifications et une restauration de bonne qualité des tissus mammaires.Tout d'abord, nous proposons une nouvelle approche qui vise à rehausser la détectabilité des microcalcifications. Nous formulons une nouvelle fonction de détectabilité inspirée d’observateurs mathématiques. Nous l’intégrons, par la suite, dans une fonction objectif minimisée par un algorithme de reconstruction dédié. Nous montrons finalement l'intérêt de notre approche à l'égard des méthodes standards de reconstruction. Dans une deuxième partie, nous introduisons une nouvelle régularisation, Spatially Adaptive Total Variation (SATV), en complément de la fonction de détectabilité dans le problème de reconstruction en tomosynthèse. Nous proposons une formulation originale où l’opérateur de gradient est remplacé par un opérateur adaptatif appliqué à l'image qui incorpore efficacement la connaissance a priori relative à la localisation de petits objets. Ensuite, nous dérivons notre régularisation SATV et l'intégrons dans une nouvelle approche de reconstruction. Les résultats expérimentaux montrent que SATV est une piste prometteuse pour améliorer les méthodes de régularisation de l’état de l'art. Dans une troisième partie, nous étudions l'application de l’algorithme de Majoration-Minimisation à Mémoire de Gradient (3MG) à notre problème de reconstruction. Dans le but d’accroître sa vitesse de convergence, nous proposons deux améliorations numériques. Dès lors, les performances numériques sont évaluées en comparant la vitesse de convergence de la méthode proposée avec celles d'algorithmes d'optimisation convexe concurrents. La dernière partie de la thèse porte sur l'évaluation quantitative des contributions de l'approche de reconstruction proposée en tomosynthèse numérique du sein. Nous menons une étude de lecture d'images impliquant quatorze lecteurs dont neuf radiologues avec différents niveaux d'expertise et cinq experts en mammographie de GE Healthcare. Les résultats démontrent l'intérêt de notre approche de reconstruction par rapport à l'approche standard non-régularisée selon des critères visuels spécifiques.