Reconstruction des images médicales de tomodensitométrie spectrale par apprentissage profond

Spectral computed tomographic image reconstruction using deep learning

• Auteur / Autrice : Zhihan Wang
• Direction : Alexandre Bousse, Franck Vermet
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 20/12/2024
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest ; 2012-....)
• Jury : Président / Présidente : Mathieu Hatt
• Jury : Examinateurs / Examinatrices : Alexandre Bousse, Franck Vermet, Mathieu Hatt, Laurent Desbat, Simon Rit, Voichiţa Theodora Maxim
• Jury : Rapporteurs / Rapporteuses : Laurent Desbat, Simon Rit

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle en médecine

Scanographie

Mots clés libres

Tomodensitométrie spectrale

Apprentissage profond

Régularisation synergique

Reconstruction d’image

Débruitage

Spectral computed tomography

Deep learning

Synergistic regularization

Image reconstruction

Denoising

Résumé

La tomodensitométrie se concentre sur deux sujets clés : la réduction de la dose de radiation et l’imagerie multi-énergétique, qui sont interconnectés. La tomodensitométrie spectrale, une avancée émergente, capture des données sur plusieurs énergies de rayons X pour mieux distinguer les matériaux, minimisant le besoin de scans répétés et ainsi réduisant l’exposition globale aux radiations.Cependant, la réduction du nombre de photons dans chaque bin d’énergie rend les méthodes de reconstruction traditionnelles sensibles au bruit. Ainsi, l’apprentissage profond, qui a montré un potentiel considérable dans l’imagerie médicale, est envisagé.Cette thèse introduit un nouveau terme de régularisation intégrant des réseaux de neurones convolutifs pour relier les bins d’énergie à une variable latente, exploitant l’ensemble des données des bins pour une reconstruction synergique. À titre de preuve de concept, nous proposons Uconnect et sa variante MHUconnect, utilisant respectivement U-Nets et un UNet à multi-têtes en tant que réseaux de neurones convolutifs, où l’image d’un bin d’énergie spécifique sert de variable latente pour l’apprentissage supervisé. Ces méthodes ont été validées comme étant plus performantes que plusieurs méthodes existantes dans les tâches de reconstruction et de débruitage.

Computed tomography (CT), a cornerstone of diagnostic imaging, focuses on two contemporary topics: radiation dose reduction and multi-energy imaging, which are inherently interconnected. As an emerging advancement, spectral CT can capture data across a range of X-ray energies for bettermaterial differentiation, reducing the need for repeat scans and thereby lowering overall radiationexposure. However, the reduced photon count in each energy bin makes traditional reconstruction methods susceptible to noise. Therefore, deep learning (DL) techniques, which have shown great promise in medical imaging, are being considered. This thesis introduces a novel regularizationterm that incorporates convolutional neural networks (CNNs) to connect energy bins to a latent variable, leveraging all binned data for synergistic reconstruction. As a proof-of concept, we propose Uconnect and its variant MHUconnect, employing U-Nets and the multi-head U-Net, respectively, as the CNNs, with images at a specific energy bin serving as the latent variable for supervised learning.The two methods are validated to outperform several existing approaches in reconstruction and denoising tasks.