La
tomographie par émission de positons (TEP) est un outil
couramment utilisé en clinique pour diagnostiquer
cancers,
maladies neurodégénératives ou
troubles cardiaques.
Lorsque les
données collectées sont
peu nombreuses (soit du fait de la réduction de la dose injectée au patient, d'un examen dynamique ou d'une acquisition plus rapide), les
images reconstruites deviennent
plus incertaines et l'interprétation plus difficile. Les
méthodes classiques de reconstruction itérative d'images basées sur des modèles sont robustes mais sont peu performantes dans leur modélisation des images médicales recherchées, conduisant à des
images reconstruites dégradées dans un
contexte fortement bruité.
A l'inverse, les
méthodes utilisant l'apprentissage profond peuvent conduire à
améliorer la qualité des images reconstruites, mais au prix d'instabilités liées au bruit de mesure et à des données d'entrainement souvent limitées.
Une approche hybride
Une
équipe de BioMaps (SHFJ) introduit
une approche hybride dite Plug-and-Play (PnP), permettant de
bénéficier des avantages des modèles classiques et de l'apprentissage et de passer à l'échelle dans des problèmes de grande dimension comme en TEP :
un algorithme d'optimisationassure tout
à la fois la
cohérence de l'image reconstruite avec les données mesurées et avec les propriétés satisfaites par les images médicales apprises à partir d'une base d'entraînement, dans un cadre mathématiquement maîtrisé. En effet, le
réseau de neurones est
entraîné de façon à garantir la convergence de l'ensemble du processus, et en utilisant dans l'apprentissage l'équation de point fixe satisfaite à convergence.
Validée sur des simulations réalistes de réduction de dose et appliquée à des données patient, cette méthode de reconstruction est
compétitive par rapport à des approches « classiques » basées sur des modèles et des méthodes de l'état de l'art utilisant l'apprentissage lors de la reconstruction. Elle
préserve mieux les structures fines,
réduit le bruit dans les régions homogènes et
généralise particulièrement bien à des cas non vus pendant l'entraînement, y compris pour des lésions simulées ou dans des exemples de pathologie non présente dans la base d'entraînement pour les données réelles.
Cette méthode
offre une voie prometteuse pour réduire la dose injectée en PET sans sacrifier la précision diagnostique. Elle ouvre également des perspectives pour d'autres modalités d'imagerie où stabilité et qualité sont cruciales.
Contact Institut des sciences du vivant Frédéric-Joliot :