Cette thématique récente pour l’imagerie TEP (travaux initiaux présentés en 2019) est une piste très prometteuse d’amélioration de la qualité des images reconstruites. Les premiers travaux réalisés laissent entrevoir la possibilité d’une meilleure quantification et/ou d’une réduction de la dose injectée au patient avec un faible impact sur la qualité des images reconstruites (sur le niveau de bruit, la résolution des images, la récupération de contraste).
La régularisation d’un problème inverse consiste à apporter des informations supplémentaires lors de la reconstruction. Elle se traduit classiquement par l’utilisation de modèles statistiques ou de contraintes sur les paramètres à estimer qui vont permettre de réduire le niveau de bruit dans les images reconstruites. Les modèles de régularisation utilisés classiquement sont souvent génériques, non spécifiques aux images médicales considérées.
Nous développons dans notre laboratoire des approches de reconstruction innovantes utilisant l’apprentissage profond pour obtenir des méthodes de régularisation adaptées à un protocole, voire potentiellement à un patient. Ces méthodes respectent tout à la fois les spécificités de la reconstruction TEP (reconstruction tomographique en présence de bruit de Poisson) et une régularisation dédiée plus adaptée.
Un enjeu fondamental de ces travaux est la fiabilité de ces approches. Il s’agit de s’assurer que nos méthodes soient robustes à de faibles variations dans les données et que l’on puisse caractériser les images reconstruites (méthodes « explicables », convergence du schéma itératif, incertitudes etc.), , ce qui est critique dans notre application médicale. Il s’agit en particulier d’éviter des instabilités qui se traduisent dans les images reconstruites par la création de signaux « artificiels », non justifiés par les données (aussi appelées « hallucinations »). Nos travaux portent également sur la caractérisation de ces instabilités.
Nous explorons ainsi des méthodes dites « hybrides » combinant un modèle direct connu et des méthodes de régularisation basées sur l’apprentissage supervisé. C’est dans ce cadre que nous avons proposé récemment une méthode de reconstruction TEP dite « ADMM Plug-and-Play » toute à la fois performante en terme de débruitage et avec garantie de convergence du schéma itératif.
Détails dans Sureau et al 2023.
Détails dans Sureau et al 2023.
CONTACT : Florent SUREAU