Reconstruction d’images

Les différentes méthodes d’imagerie médicale ont atteint des performances exceptionnelles et sont donc utilisées couramment. On rencontre aujourd’hui le problème de l’accumulation des doses (X ou gamma) et donc de la recherche de leur minimisation qui conduit à une dégradation du rapport signal sur bruit du système et, par conséquent, de la qualité diagnostique des images obtenues ou de celle des doses mesurées.

De plus, dans le domaine de la radiothérapie et de l’imagerie médicale, on se heurte très fréquemment à devoir déterminer une quantité d’intérêt, basée sur des données expérimentales, qui n’est pas directement observable. On peut citer, parmi d’autres, des problèmes de reconstruction tomographique ou d’évaluation d’espace des phases basée sur des mesures de dépôt de dose en radiothérapie.

Modélisation statistique et imagerie

Les équipes de R&D présentes  à DOSEO ont développé une forte compétence en modélisation statistique, en particulier dans le domaine de l’inférence bayésienne non paramétrique pour l’analyse de données, le traitement du signal et de l’image. Cette approche statistique innovante consiste à appréhender la résolution du problème inverse comme un problème d’inférence statistique pour lequel la quantité d’intérêt est traitée en tant que mesure aléatoire. La modélisation bayésienne permet de régulariser des problèmes inverses mal posés, l’approche non paramétrique quant à elle fournit un cadre robuste et flexible pour l’estimation en donnant l’erreur associée.

Reconstruction d’images

Cette expertise est mise en œuvre pour aborder différents problèmes rencontrés en imagerie médicale et en radiothérapie :

• dans le domaine de l’imagerie TEP (Tomographie par émission de positons) pour réduire substantiellement les doses injectées, tout en conservant une qualité d’image identique ; et en obtenant une estimation des volumes fonctionnels et de leur erreur associée pour évaluer objectivement, par exemple, la réponse thérapeutique au cours du suivi des sujets.
• en radiothérapie, pour développer un algorithme innovant de débruitage des distributions de dose 2D et 3D obtenues par simulations Monte-Carlo ou développer des modèles de sources virtuelles non paramétriques pour modéliser un faisceau en couplant les résultats de simulations Monte-Carlo et de mesures

Quelques axes thématiques

• Développement d’algorithmes de traitement d’images pour l’imagerie multimodale (IRM, TEP, CT)
• Développement de modèles de source virtuelles basés sur un couplage entre les données issues de simulation Monte-Carlo et les méthodes statistiques bayésiennes non paramétriques.

Exemples d’applications de reconstruction d’images en TEP

L’application des méthodes statistiques d’inférence bayésienne non paramétrique a permis le développement d’un algorithme de reconstruction d’images en Tomographie par émission de positons (TEP), (3D et 3D+temps).

Le développement d’une méthode statistique de reconstruction d’images TEP 4D a permis d’obtenir :

• la reconstruction d’images acquises avec une dose injectée de radiotraceurs réduite d’un facteur d’au moins 10, tout en préservant la qualité d’interprétation ;
• une estimation des volumes fonctionnels et de leurs incertitudes associées qui permette d’évaluer objectivement, par exemple, la réponse thérapeutique au cours du suivi des patients.

Ce développement a été validé sur deux caméras pour des données cliniques pour des images correspondant à une dose divisée d’un facteur 10, tout en obtenant une résolution temporelle meilleure que la seconde.