méthodes par apprentissage profond pour la tomographie par rayons x en vues éparses

deep learning methods for sparse-view 3d x-ray computed tomography

• Auteur / Autrice : Romain Vo
• Direction : Etienne Decenciere
• Type : Projet de thèse
• Discipline(s) : Morphologie mathématique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CMM - Centre de Morphologie Mathématique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Tomographie par rayons X

Problème inverse

Apprentissage profond

Champ de neurones

Plug-and-play

Observateur

X-ray tomography

Inverse problem

Deep learning

Neural field

Plug-and-play

Observer

Résumé

La tomographie par rayons X, aussi appelée tomodensitométrie, consiste à reconstruire le volume 3D d'un objet à partir d'un ensemble de mesures appelées radiographies. C'est une technique d'imagerie essentielle dans le domaine médical, ainsi que dans le contrôle non destructif de composants industriels. Pour ces deux applications, on cherche à produire des images fiables et de haute qualité en utilisant un nombre minimal de radiographies. La réduction du nombre de mesures a pour but de limiter la dose de rayons ionisants reçue par le patient ou réduire le temps d'acquisition, le rendant compatible avec le contrôle de production en ligne. Malheureusement, la réduction du nombre de projections entraîne l'apparition d'artefacts dans l'image reconstruite, affectant considérablement sa qualité. Récemment, l'apprentissage profond a reçu une attention considérable pour sa capacité à traiter une grande quantité de données et résoudre une large gamme de problèmes en haute dimension. Cette thèse se concentre sur le développement de techniques et d'outils pour traiter le problème de tomographie 3D par rayons X. Plus particulièrement, ce travail se concentre sur l'utilisation de méthode d'apprentissage profond pour la reconstruction en vues éparses. Le travail dans ce manuscrit peut être divisé en trois directions principales. Dans la première partie, nous nous concentrons sur la description de l'état de l'art en méthodes d'apprentissage appliquées à la tomographie en vues éparses, et plus généralement aux problèmes inverses linéaires en imagerie. Nous fournissons une revue complète de la littérature, soulignant les principaux défis et les approches les plus prometteuses. Cette première partie nous permet d'identifier les lacunes dans la littérature actuelle et de proposer de nouvelles directions de recherche. La deuxième partie de cette thèse est consacrée au développement de nouvelles méthodes d'apprentissage profond pour la tomodensitométrie en vues éparses. Nous abordons ce problème avec deux approches principales. Dans un premier travail, nous proposons une méthode économe en mémoire pour reconstruire des images 3D à partir d'un nombre minimal de projections. Nous combinons les méthodes par champs de neurones avec de la régularisation par débruitage apprise pour développer une nouvelle méthode efficace et légère. Dans un second travail, nous essayons de combler l'écart de performance entre les méthodes Plug-and-Play (PnP) et les méthodes d'optimisation déroulées. Nous développons une nouvelle stratégie d'apprentissage pour construire des réseaux de restauration adaptées au problème de reconstruction tomographiques en vues éparses. Parallèlement à cette nouvelle stratégie d'apprentissage, nous développons également un schéma de relaxation simple qui permet d'utiliser une classe plus large de réseaux pour construire des mises à jour stables dans le cadre d'itérations PnP. Dans la dernière partie, nous nous concentrons sur l'évaluation de la qualité des images reconstruites. Nous montrons que les métriques standards de distorsion sont insuffisantes pour décider si la qualité d'une image est acceptable pour une application donnée. En conséquence, classer et promouvoir de nouveaux algorithmes basés sur ces métriques pourraient favoriser des méthodes qui ne sont pas nécessairement adaptées pour des tâches en aval utilisant des techniques d'imagerie physique. Nous proposons d'utiliser l'évaluation par observateur pour construire une procédure qui évalue et classe correctement les méthodes de reconstruction en fonction de leurs performances pour une tâche donnée. Nous présentons des premiers résultats suggérant que cette nouvelle méthode d'évaluation pourrait être plus robuste et fiable que les métriques standards de distorsion. Des travaux supplémentaires sont nécessaires pour tester cette approche sur une classe plus large de méthodes de reconstruction.

X-ray computed tomography (CT) involves the reconstruction of the 3D image of an object from a set of measurements called radiographs. It is an essential imaging technique in the medical field, as well as the non-destructive testing of industrial components. In these two applications, there is a common need to produce reliable and high-quality images using a minimal number of radiographs. Reducing the number of measurements is done to limit the patient's dose or reduce the acquisition time, making it compatible with online production control. Unfortunately, reducing the number of projections leads to the appearance of artifacts in the reconstructed image, significantly affecting its quality. Recently, deep learning has received considerable attention for its ability to address a wide range of high-dimensional problems by leveraging pairwise information in a collection of data. This thesis focuses on building a family of techniques and tools to tackle the problem of sparse-view 3D X-ray CT using deep learning methods. The work in this manuscript can be divided into three main directions. In the first part, we focus on describing the current state of the art in deep learning methods for sparse-view CT and linear imaging inverse problems in general. We provide a comprehensive review of the literature, highlighting the main challenges and the most promising approaches. This first part allows us to identify gaps in the current literature and propose new research directions. The second part of this thesis is dedicated to developing new deep-learning methods for sparse-view CT. We tackle this problem with two main approaches. In the first work, we propose a memory-efficient procedure to reconstruct 3D images from a minimal number of projections. We combine the Neural Field framework with learned Regularization by Denoising to develop a new method that is efficient and demonstrates state-of-the-art performance. In a second work, we try to bridge the performance gap between Plug-and-Play (PnP) methods and unrolled optimization methods. We design a new training strategy to build restoration priors tailored for the sparse-view CT reconstruction problem. Along with this new training strategy, we also develop a simple relaxation scheme that allows using a large class of networks to build stable updates for the PnP framework. In the last part, we focus on evaluating the quality of a reconstructed image. We show that standard distortion metrics are insufficient to decide if an image's quality is acceptable for a given application. Consequently, ranking and pushing new algorithms based on these metrics might favor methods that are not necessarily the best for downstream tasks based on computational imaging. We propose to use the observer framework to build a procedure that correctly evaluates and ranks reconstruction methods based on their performance for a given task. We present first results suggesting that this new framework might be more robust and reliable than standard distortion metrics. Further investigations are needed to test the observer framework on a larger class of reconstruction methods.