Développement d'algorithmes d'apprentissage profond pour la tomographie spectrale : Application à l’arthrose du genou
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-....) |
Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) | |
Jury : | Président / Présidente : Philippe Douek |
Examinateurs / Examinatrices : Françoise Peyrin, Philippe Douek, Thomas Rodet, Dimitris Visvikis, Yannick Boursier, Christine Chappard, Nicolas Ducros | |
Rapporteur / Rapporteuse : Thomas Rodet, Dimitris Visvikis |
Mots clés
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.