Multi-channel computed tomographic image reconstruction by exploiting structural similarities - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Multi-channel computed tomographic image reconstruction by exploiting structural similarities

Reconstruction d’images tomographiques multicanaux en exploitant les structures similaire des images

Résumé

The multi-channel joint reconstruction technique is a highly suited method for multimodal medical imaging reconstruction. In the technique, the unknown images are reconstructed simultaneously by solving a single combined inverse problem and exploiting structural similarities between the images. The hypothesis behind this approach is that the image modalities inform each other during the reconstruction allowing artifact reduction and image quality enhancement. The present thesis develops three image reconstruction models for multi-channel image reconstruction. The first methodology consists of a Coupled Image-Motion Dictionary Learning algorithm for Motion Estimation Compensation in Cone-Beam Computed Tomography (CBCT). The second approach proposes a Multi-channel Convolutional Analysis Operator Learning (MCAOL) for Dual-Energy CT (DECT) Reconstruction. In the third technique, we focus on the sparse view single source fast KVp switching acquisition setup in Dual Energy CBCT to reduce the total dose delivered during a CT acquisition. The proposed methodologies were compared with the current state-of-the-art reconstruction algorithms for sparse-view and low-dose CT. The three methodologies outperform the methods used for comparison. They were published in peerreviewed journals and international conferences.
La technique de reconstruction multicanal est une méthode adaptée à la reconstruction multimodale en imagerie médicale. Dans la technique, les images inconnues sont reconstruites simultanément en résolvant un seul problème inverse et en exploitant les similitudes structurelles entre les images. L’hypothèse sous-jacente à cette approche est que les modalités de l’image s’informent mutuellement lors de la reconstruction permettant la réduction des artefacts et l’amélioration de la qualité de l’image. La présente thèse développe trois modèles de reconstruction d’images multicanaux. La première méthodologie consiste un algorithme d’apprentissage du dictionnaire couplé image et mouvement pour l’estimation et la compensation du mouvement en Cone Beam Computed Tomography (CBCT). La deuxième approche propose un apprentissage d’opérateur d’analyse convolutive multicanal (MCAOL) pour la reconstruction CT bi-énergie (DECT). Dans la troisième technique, nous nous concentrons sur la configuration d’acquisition de commutation KVp rapide à source unique à vue sparse dans le CBCT à double énergie pour réduire la dose totale délivrée lors d’une acquisition CT. Les méthodologies proposées ont été comparées aux algorithmes de reconstruction de pointe actuels pour la tomographie à faible dose et à vue sparse.Les trois méthodologies surpassent les méthodes utilisées par comparaison. Ils ont été publiés dans des revues à comité de lecture et des conférences internationales.
Fichier principal
Vignette du fichier
These-2022-BS-Analyse_et_traitement_de_l_information_et_des_images_medicales-ALFONSO_GARCIA_Suxer_Lazara.pdf (7.15 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03845150 , version 1 (09-11-2022)

Identifiants

  • HAL Id : tel-03845150 , version 1

Citer

Suxer Lazara Alfonso Garcia. Multi-channel computed tomographic image reconstruction by exploiting structural similarities. Medical Imaging. Université de Bretagne occidentale - Brest, 2022. English. ⟨NNT : 2022BRES0020⟩. ⟨tel-03845150⟩
121 Consultations
30 Téléchargements

Partager

Gmail Facebook X LinkedIn More