Estimation par apprentissage profond de la diffusion et de l'atténuation en imagerie TEP

Deep learning based scatter and attenuation estimation in PET imaging

• Auteur / Autrice : Baptiste Laurent
• Direction : Nicolas Boussion
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 11/05/2022
• 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 : David Brasse
• Jury : Examinateurs / Examinatrices : Nicolas Boussion, David Brasse, Claude Comtat, Frédéric Lamare, Catherine Cheze-Le Rest, Dimitris Visvikis
• Jury : Rapporteur / Rapporteuse : David Brasse, Claude Comtat, Frédéric Lamare

Mots clés

Mots clés contrôlés

Apprentissage profond

Traitement d'images -- Techniques numériques

Imagerie médicale -- Qualité de l'image

Tomographie par émission

Mots clés libres

Tomographie par émission de positons

Reconstruction

Correction

Diffusion

Atténuation

Apprentissage profond

Positron emission tomography

Reconstruction

Correction

Scatter

Attenuation

Deep learning

Résumé

Afin d’obtenir des images TEP quantitatives, essentielles au diagnostic et au suivi thérapeutique en oncologie, l’étape de reconstruction nécessite de prendre en compte les phénomènes de diffusion et d’atténuation, liés aux interactions que subissent les photons en se propageant dans les tissus. Dans ces travaux nous exploitons la puissance des techniques d’apprentissage profond pour proposer des méthodes d’estimation des sinogrammes de diffusion et d’atténuation basées sur des réseaux de neurones convolutifs. Appliquée à un large jeu de données issues de simulations Monte-Carlo d’acquisitions TEP réalistes, la méthode d’estimation de la diffusion développée montre des résultats précis, indépendamment de la durée d’acquisition, la région anatomique, la taille et la morphologie du patient. Les évaluations de la méthode sur les données simulées et sur des données cliniques, montrent une amélioration de la quantification et une réduction des artefacts, comparé à l’algorithme SSS couramment utilisée sur les systèmes TEP cliniques. La méthode d’estimation de l’atténuation proposée présente quant à elle un réel intérêt pour les systèmes TEP non couplés à une acquisition TDM. Elle montre des résultats prometteurs, et permet de restituer efficacement l’activité de lésions pulmonaires ou hépatiques. Ces travaux démontrent la capacité des réseaux de neurones convolutifs à effectuer des corrections précises et robustes dans l’espace sinogramme, tout en étant compatibles avec les contraintes temporelles qu’impose une utilisation clinique.

To obtain quantitative PET images, essential for diagnosis and therapy follow-up in oncology, the reconstruction process requires to take in account the scattering and attenuation effects, due to photons interactions during their path to the detectors. In this work, we take advantage of deep-learning techniques power to propose scatter and attenuation sinograms estimation methods, based on convolutional neural networks. Applied to a large Monte-Carlo simulations dataset of realistic PET acquisitions, the developed scatter estimation method shows precise results, regardless of time acquisition, anatomical region patient size and morphology. Method evaluations on both simulated and clinical data, show quantification improvement and artifacts reduction compared to the SSS algorithm, widely used on clinical PET systems.Meanwhile, proposed attenuation estimation method is of great interest for PET systems not coupled with a CT acquisition. It shows promising results and allows a precise activity recovery of pulmonary and hepatic lesions.This work demonstrate the ability of convolutional neural networks to perfom precise and robust corrections in the sinogram space, while fitting with clinical time constraits.