Développement d'algorithmes d'apprentissage profond pour la tomographie spectrale : Application à l’arthrose du genou

Deep learning based methods for decomposition in spectral computed tomography : Application to knee osteoarthritis

• Auteur / Autrice : Suzanne Bussod
• Direction : Françoise Peyrin
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et de l'image
• Date : Soutenance le 08/12/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....)
• Jury : Président / Présidente : Philippe Douek
• Jury : Examinateurs / Examinatrices : Françoise Peyrin, Philippe Douek, Thomas Rodet, Dimitris Visvikis, Yannick Boursier, Christine Chappard, Nicolas Ducros
• Jury : Rapporteur / Rapporteuse : Thomas Rodet, Dimitris Visvikis

Mots clés

Mots clés contrôlés

Tomographie par émission

Imagerie médicale

Mots clés libres

Imagerie médicale

Tomographie spectrale

Apprentissage Profond

Décomposition de matériaux

Imagerie à rayons X

Arthrose du genou

Reconstruction d'images

Tomographie par rayon X

Problème inverse

Reconstruction tomographique

Medical Imaging

Spectral tomography

Deep Learning

Material decomposition

X-Ray Imaging

Knee osteoarthritis

Image Reconstruction

X-Ray tomography

Inverse problem

Tomographic Reconstruction

Résumé

La tomographie spectrale est une nouvelle modalité d'imagerie à rayons X qui permet d'acquérir des données avec une dimension énergétique. Cela est possible grâce aux détecteurs à comptage de photons qui classent les photons en fonction de leur énergie. En exploitant cette dimension énergétique nous pouvons estimer les matériaux constituant l'objet ou reconstruire des images mono-énergétiques. Dans le domaine médical, la décomposition de matériaux est souvent opérée sur des bases de matériaux anatomiques tels que les tissus mous et l'os, combinés à des produits de contraste. D'un point de vue mathématique, la décomposition en matériaux est un problème inverse non linéaire et mal posé. De nombreuses méthodes de décomposition de matériaux ont été développées. Certaines sont basées sur l'inversion d'un modèle physique prenant en compte la source, la réponse du détecteur et l'atténuation théorique des matériaux constituant l'objet. Toutefois, les algorithmes d'apprentissage profond peuvent également être utilisés pour résoudre des problèmes inverses. Des travaux récents en tomographie ont montré que ceux-ci peuvent améliorer les qualités des reconstructions et sont plus rapides que les algorithmes basés sur le modèle. Le but de la thèse est de développer des algorithmes d'apprentissage profond pour la décomposition de matériaux et la reconstruction d'images mono-énergétiques en tomographie spectrale et de les évaluer par rapport à des méthodes basées sur des techniques d'optimisation. Nous nous sommes particulièrement focalisés sur l'application de la tomographie spectrale à l'arthrose du genou sans produit de contraste. Des genoux humains excisés ont été scannés à l'aide d'un prototype de scanner spectral mais aussi par tomographie synchrotron mono-énergétique afin d'avoir une image de référence. Des fantômes de genoux ont été générés à partir de ces volumes synchrotron en segmentant les matériaux tels que les tissus mous, l'os et potentiellement le cartilage. Puis, les projections spectrales sont simulées en utilisant des modèles de scanners spectraux. Nous avons ensuite développé un algorithme d'apprentissage profond basé sur U-net afin d'effectuer la décomposition de matériaux (tissus mous et os) dans le domaine des projections. Les résultats sont comparés à un algorithme de décomposition itératif basé sur le modèle, Gauss-Newton régularisé. Nous reconstruisons également les images mono-énergétiques soit grâce à la décomposition de matériaux, soit directement grâce à une adaptation de la méthode d'apprentissage. Les méthodes sont comparées en calculant l'erreur quadratique moyenne et l'indice de similarité. Finalement, les méthodes basées sur le modèle et d'apprentissage sont appliquées sur des données réelles issues du prototype clinique de scanner spectral.

Spectral computed tomography is an emerging modality of X ray imaging that allows to acquire energy resolved data thanks to photon counting detectors. They are able to sort photons according to their energy. This extra energy dimension allows to decompose the objet into its material constituents or to reconstruct virtual mono-energetic images. In the medical field, material decomposition is often based on anatomic materials like soft tissue and bone, combined with contast agents. From a mathematical point of view, material decomposition is an ill posed non linear inverse problem. Several material decomposition methods have been developped. Ones are based on the inversion of a physical model taking into account the source spectrum, detector reponse function and theoritical material constituents' attenuation. However, a lot of deep learning algorithms can be used to solve inverse problems. Recent studies in tomography show that they can improve reconstructions accuracy and are faster than the model-based one. The goal of this thesis is developping deep learning algorithms for material decomposition and mono-energetic images reconstruction and evaluating them with respect to methods based on optimization. In particular, we focus on the application of spectral computed tomography to knee osteoarthritis without contrast agent. Excised human knees are scanned with a spectral computed tomography scanner but also with synchrotron mono-energetic computed tomography to have a gold standard. Phantoms are generated from this synchrotron computed tomography volumes, segmenting materials as soft tissue, bone and potentially cartilage. Then, spectral projections are simulated using spectral computed tomography scanners models. After, we developped a learning algorithm based on U-net to decompose materials (soft tissue and bone) in the projection domain. Results are compared with a model-based iterative decomposition algorithm, regularized Gauss-Newton. We also reconstruct mono-energetic images thanks to decomposed material maps, or directly with an adaptation of the learning method. We compare the methods computing the mean squared error and the structural similarity matrix. Finally, model-based and learning-based methods are applied to real data from the spectral computed tomography clinic prototype.