Estimation postérieure des paramètres d'absorption de traceur PET Quantitatif à l'aide d'auto-encodeurs variationnels : Application aux images du cerveau

Posterior Estimation of Quantitative PET tracer uptake parameters using variational auto-encoders: Application to brain images

• Auteur / Autrice : Ismaël Mounime
• Direction : Elsa Angelini
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 09/01/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Traitement et Communication de l'Information
• Partenaire(s) de recherche : Equipe de recherche : IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse

Mots clés

Mots clés libres

Intelligence artificielle

Inférence variationelle

Imagerie PET

Artificial Intelligence

Variational inference

PET Imaging

Résumé

L'imagerie PET quantitative permet d'estimer des mesures physiologiques ( par ex. l'absorption d'un radiotraceur, les paramètres cinétiques tels que le potentiel de liaison etc.) à partir des données acquises au cours d'un examen PET. La quantification de l'incertitude des estimations est un outil important pour le diagnostic clinique, mais qui a été largement négligé, essentiellement en raison du coût prohibitif associé aux méthodes disponibles pour estimer l'incertitude. Les méthodes de Monte Carlo par chaîne de Markov, MCMC, sont souvent considérées comme standard pour ce type de tâches, car elles produisent des estimations asymptotiquement non biaisées de la distribution postérieure. Elles reposent sur un échantillonnage par rejet pour produire des échantillons suivant une distribution s'approchant progressivement de la vraie distribution postérieure. Cependant, ce type de méthodes nécessite l'application répétée du modèle d'imagerie, ce qui devient peu pratique pour l'imagerie médiale, en raison de la haute dimensionnalité des données. Le candidat explorera et développera des méthodes pour estimer la distribution postérieure (décrivant l'incertitude) des images PET et des cartes de paramètres cinétiques en utilisant un cadre d'apprentissage profond. Dans un cadre d'estimation bayésienne, la distribution postérieure peut être estimée à partir d'un antécédent donné et d'un terme de vraisemblance basé sur le modèle prévisionnel du système. Dans ce projet, le candidat estimera la distribution antérieure à partir d'une population de scans PET en utilisant un réseau neuronal profond de type auto-encodeur variationnel, échantillonnera à partir de cette distribution antérieure pour générer des données d'entraînement pour un réseau de prédiction postérieure variationnel qui sera ensuite entraîné à prédire des échantillons de la distribution postérieure. Le modèle sera validé par rapport aux méthodes d'estimation a posteriori existantes lorsque cela est possible, y compris MCMC et le calcul bayésien approximatif (ABC). Des travaux initiaux ont été réalisés pour démontrer l'utilisation de l'apprentissage profond pour l'estimation a posteriori, en particulier sur une tâche de modélisation cinétique du PET. Dans cette simulation, la distribution postérieure des paramètres cinétiques obtenus par ajustement cinétique à partir des courbes d'activité temporelle d'un seul pixel a été estimée à l'aide de l'apprentissage profond et comparée à la méthode MCMC. Le candidat étendra ce travail pour estimer les images PET postérieures complètes, en incluant le processus de formation de l'image PET dans le modèle et en utilisant des données PET in-vivo.

Quantitative PET imaging estimates physiological measures (e.g. radiotracer uptake, kinetic parameters such as binding potential, etc.) from data acquired during a PET scan. Quantification of the uncertainty of the estimates is an important tool for clinical diagnosis, but one that has been mostly overlooked, mainly due to the prohibitive cost associated with the available methods to estimate uncertainty. Markov chain Monte Carlo, MCMC methods are often considered standard for this type of tasks, since they produce asymptotically unbiased estimates of the posterior distribution. They rely on rejection sampling to produce samples following a distribution progressively approaching the true posterior. However, this type of methods requires the repeated application of the imaging forward model, which becomes impractical for medial imaging, due to the high dimensionality of the data. The candidate will explore and develop methods to estimate the posterior distribution (describing the uncertainty) of PET images and kinetic parameter maps using a deep-learning framework. In a Bayesian estimation framework, the posterior can be estimated from a given prior and a likelihood term based on the system's forward model. In this project, the candidate will estimate the prior distribution from a population of PET scans using a variational autoencoder deep neural network, sample from this prior to generate training data for a variational posterior prediction network which will be then trained to predict samples from the posterior distribution. The model will be validated against existing posterior estimation methods when possible, including MCMC and Approximate Bayesian Computing (ABC). Some initial work has been performed to demonstrate the use of deep learning for prior estimation, focusing on a PET kinetic modeling task. In this simulation study, the posterior distribution of kinetic parameters obtained by kinetic fitting from single pixel time activity curves was estimated using deep learning and compared to MCMC. The candidate will extend this work to estimate full posterior PET images, including the PET image formation process into the model and use in-vivo PET data.