Tomographie par Émission de positron à faible dose par échantillonnage d’Images et apprentissage automatique

Towards Reduced Dose Positron Emission Tomography Imaging Using Sparse Sampling and Machine Learning

• Auteur / Autrice : Ramiro German Rodriguez Colmeiro
• Direction : Thomas Grosges, Daniel Minsky, Claudio Verrastro
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Soutenance le 18/05/2021
• Etablissement(s) : Troyes en cotutelle avec Universidad Tecnológica Nacional. Facultad Regional Buenos Aires (Buenos Aires, Argentine)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Conseil national de la recherche scientifique et technique (Argentine) : CONICET (Consejo Nacional de Investigaciones Científicas y Técnicas)
• Partenaire(s) de recherche : Laboratoire : Automatic mesh generation and advanced methods / Gamma3
• Jury : Président / Présidente : Mitra Fouladirad
• Jury : Examinateurs / Examinatrices : Mitra Fouladirad, Claudio Augusto Delrieux, Frédéric Morain-Nicolier, Tijani Gharbi, Su Ruan
• Jury : Rapporteurs / Rapporteuses : Claudio Augusto Delrieux, Frédéric Morain-Nicolier

Mots clés

Mots clés contrôlés

Calcul adaptatif

Apprentissage automatique

Tomographie par émission

Imagerie médicale

Mots clés libres

Imagerie médicale

Tomographie par émission

Apprentissage automatique

Calcul adaptatif

Réseaux adverses génératifs

Imaging systems in medicine

Tomography, emission

Machine learning

Adaptive meshing

Generative adversarial network

Résumé

Cette thèse étudie le problème de dose de radiation dans les études de Tomographie par Émission de Positons (PET). Trois aspects du PET-scan sont analysées. La première partie de cette thèse est dédiée à la technologie PET-scan. Deux techniques sont développées pour le PET-scan à faible dose : l’AR-PET. Une première stratégie de sélection et de placement de photomultiplicateurs est proposée, augmentant la résolution énergétique. Une technique de localisation d’impacts des photons gamma dans les cristaux solides de scintillation est développé. Cette technique est basée sur des réseaux de neurones artificiels et sur une acquisition unique de champ. Nous montrons qu’une augmentation de la sensibilité du détecteur est obtenue. Dans la deuxième partie de cette thèse, la reconstruction de l’image PET avec l’aide de maillages est étudiée. Un algorithme de reconstruction qui utilise une série de maillages 2D pour décrire la distribution 3D du radiotraceur est proposé, résultant en une diminution du nombre de points d’échantillonnage et rendant possible l’optimisation et la parallélisation des maillages. Enfin, la génération de l’image d’atténuation au moyen de réseaux de neurones artificiels profonds est explorée. L’apprentissage du réseau de neurones se fait à travers une transformation d’images PET FDG sans correction d’atténuation pour produire une image de tomodensitométrie (CT) synthétique. La conclusion des travaux de cette thèse pose la base pour l’usage de PET-scan à bas coût et a faible dose, via l’usage d’une image d’atténuation artificielle.

This thesis explores the reduction of the patient radiation dose in screening Positron Emission Tomography (PET) studies. It analyses three aspects of PET imaging, which can reduce the patient dose: the data acquisition, the image reconstruction and the attenuation map generation. The first part of the thesis is dedicated to the PET scanner technology. Two optimization techniques are developed for a novel low-cost and low-dose scanner, the AR-PET scanner. First a photomultiplier selection and placement strategy is created, improving the energy resolution. The second work focuses on the localization of gamma events on solid scintillation crystals. The method is based on neural networks and a single flood acquisition, resulting in an increased detector’s sensitivity. In the second part, the PET image reconstruction on mesh support is studied. A mesh-based reconstruction algorithm is proposed which uses a series of 2D meshes to describe the 3D radiotracer distribution. It is shown that with this reconstruction strategy the number of sample points can be reduced without loosing accuracy and enabling parallel mesh optimization. Finally the attenuation map generation using deep neural networks is explored. A neural network is trained to learn the mapping from non attenuation corrected FDG PET images to a synthetic Computerized Tomography. With these approaches, this thesis lays a base for a low-cost and low-dose PET screening system, dispensing the need of a computed tomography image in exchange of an artificial attenuation map.