Reconstruction d’images tomographiques avec des approches de réseau neuronal direct

Tomographic image reconstruction with direct neural network approaches

• Auteur / Autrice : Venkata Sai Sundar Kandarpa
• Direction : Dimitris Visvikis, Alexandre Bousse
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 31/03/2022
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest, Finistère)
• Jury : Président / Présidente : Andrew Reader
• Jury : Examinateurs / Examinatrices : Dimitris Visvikis, Alexandre Bousse, Andrew Reader, Kuang Gong, Voichiţa Theodora Maxim, Alessandro Perelli
• Jury : Rapporteurs / Rapporteuses : Andrew Reader, Kuang Gong

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Traitement d'images -- Techniques numériques

Imagerie médicale -- Qualité de l'image

Mots clés libres

Reconstruction d’images

Apprentissage en profondeur

TEP

Image reconstruction

Deep learning

PET

Sparse-view CT

Résumé

Les réseaux de neurones sont largement utilisés dans le domaine de l’imagerie médicale pour la segmentation d’images biomédicales, le diagnostic du cancer, l’analyse d’images, etc. Les progrès de la puissance de calcul (GPU) et l’utilisation efficace de la mémoire ont propulsé la propagation des réseaux de neurones profonds dans divers domaines. La principale motivation derrière l’utilisation des approches de réseaux de neurones est une prédiction plus rapide (par rapport aux méthodes traditionnelles) sans compromettre la qualité du résultat. La reconstruction d’images médicales implique la tâche de cartographier les données de mesure brutes collectées par le détecteur en images compréhensibles pour un radiologue. Un algorithme de reconstruction d’images médicales se rapproche essentiellement de cette cartographie pour prédire la meilleure image possible.L’utilisation des réseaux de neurones dans la reconstruction par tomographie par émission de positrons (TEP) et par tomodensitométrie (CT) a été explorée dans cette thèse. De nouveaux cadres appelés DUG-RECON (Double U-Net Generator) pour la reconstruction d’images TEP, CT et LRR-CED (Low-Reconstruction Aware Convolutional Encoder-Decoder) pour la reconstruction d’images CT clairsemées sont proposés dans ce manuscrit.

Neural Networks are extensively used in the field of medical imaging for biomedical image segmentation, cancer diagnosis, image analysis, etc. The advancements in computation power (GPUs) and efficient memory utilization have propelled the spread of deep neural networks into various domains.The main motivation behind the use of neural network approaches is faster prediction (compared to traditional methods) without compromising on the quality of the result. Medical image reconstruction involves the task of mapping raw measurement data collected by the detector to images that are comprehensible to a radiologist. A medical image reconstruction algorithm essentially approximates thismapping to predict the best possible image.The use of neural networks in Positron Emission Tomography (PET) and Computed Tomography (CT) reconstruction has been explored in this thesis. Novel frameworks called DUG-RECON (Double U-Net Generator) for PET, CT image reconstruction, and LRR-CED (Low-Resolution Reconstruction aware Convolutional Encoder-Decoder) for sparse-view CT image reconstruction are proposed in this manuscript.