Soutenance de thèse : Suzanne BUSSOD

Méthodes de décomposition par apprentissage profond en tomographie spectrale : Application à l'arthrose du genou

Doctorante : Suzanne BUSSOD

Laboratoire INSA : CREATIS
Ecole doctorale : EDA160 : Électronique, Électrotechnique, Automatique

La tomographie spectrale est une nouvelle modalité d'imagerie à rayons X qui permet d'acquérir des données avec une dimension énergétique. Cela est possible grâce aux détecteurs à comptage de photons qui classent les photons en fonction de leur énergie. En exploitant cette dimension énergétique, nous pouvons estimer les matériaux constituant l'objet ou reconstruire des images mono-énergétiques. La décomposition en matériaux est un problème inverse non linéaire et mal posé. De nombreuses méthodes de décomposition de matériaux ont été développées. Certaines sont basées sur l'inversion d'un modèle un physique. Toutefois, les algorithmes d'apprentissage profond peuvent également être utilisés pour résoudre des problèmes inverses. Des travaux récents en tomographie ont montré que ceux-ci peuvent améliorer la qualité des reconstructions et sont plus rapides. Le but de la thèse est de développer des algorithmes d'apprentissage profond pour la décomposition de matériaux et la reconstruction d'images mono-énergétiques en tomographie spectrale, et de les évaluer par rapport à des méthodes basées sur des techniques d'optimisation. Nous nous sommes particulièrement focalisés sur l'application de la tomographie spectrale à l'arthrose du genou sans produit de contraste. Des genoux humains excisés ont été scannés à l'aide d'un prototype de scanner spectral mais aussi par tomographie synchrotron mono- énergétique, afin d'avoir une image de référence. Des fantômes de genoux ont été générés à partir de ces volumes synchrotron. Puis, les projections spectrales sont simulées en utilisant des modèles de scanners spectraux. Nous avons ensuite développé un algorithme d'apprentissage profond basé sur U-net afin d'effectuer la décomposition de matériaux. Les résultats sont comparés à un algorithme de Gauss Newton régularisé. Nous reconstruisons également les images mono- énergétiques. Les méthodes sont comparées en calculant l'erreur quadratique moyenne et l'indice de similarité. Finalement, les méthodes basées sur le modèle et d'apprentissage sont appliquées sur des données réelles issues du prototype clinique de scanner spectral.