🔬 physics

Joint Reconstruction of Activity and Attenuation in PET by Diffusion Posterior Sampling in Wavelet Coefficient Space

Cet article propose un cadre de reconstruction conjoint de l'activité PET et de l'atténuation qui utilise des modèles de diffusion par ondelettes et l'échantillonnage de l'a posteriori par diffusion pour éliminer le besoin de scanners anatomiques auxiliaires, démontrant une performance supérieure aux méthodes existantes sur des données 3D TOF simulées tout en montrant un potentiel prometteur pour les applications cliniques non-TOF.

Auteurs originaux : Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

Publié 2026-07-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre un puzzle géant en 3D représentant l'intérieur du corps humain. Habituellement, pour voir l'image clairement, vous avez besoin de deux choses : une lampe de poche pour montrer où se trouvent les pièces brillantes (l'« activité » d'un traceur radioactif) et une carte du verre brumeux à travers lequel la lumière doit passer (la carte d'« atténuation », généralement obtenue via un scanner CT).

Pendant des décennies, les médecins ont compté sur cette carte CT supplémentaire pour corriger l'image. Mais obtenir un scanner CT signifie une dose de radiation supplémentaire, du temps en plus et un coût plus élevé. Et si vous pouviez résoudre le puzzle en utilisant uniquement les données de la lampe de poche ? C'est la grande question que traite cet article.

Les auteurs proposent une nouvelle méthode appelée JRAA-DPS. Considérez cela comme un détective IA super intelligent qui a étudié des milliers de puzzles résolus. Il sait que dans le corps humain, les parties « brillantes » (comme une tumeur) et les parties « brumeuses » (comme les os ou les muscles) s'assemblent généralement de manières spécifiques et prévisibles.

Voici comment la magie opère :

L'entraînement : L'IA a été entraînée sur des paires d'images (éclat + brume) provenant de 360 patients réels. Elle a appris les « règles » de la façon dont ces deux images se présentent ensemble, un peu comme un chef apprend qu'un gâteau parfait possède toujours un ratio spécifique entre la farine et le sucre.
L'astuce des ondelettes : Pour gérer la taille massive en 3D d'un corps humain sans faire planter l'ordinateur, l'équipe n'a pas injecté les images brutes à l'IA. Au lieu de cela, ils ont décomposé les images en « coefficients d'ondelettes ». Imaginez prendre une photo haute résolution et la transformer en un ensemble de notes musicales qui décrivent les formes et les textures. L'IA apprend à composer ces notes.
L'échantillonnage (la partie « DPS ») : Lorsque l'IA reçoit un nouveau puzzle bruité (juste les données de la lampe de poche), elle ne se contente pas de deviner. Elle part d'un nuage de statique aléatoire (bruit blanc) et affine l'image étape par étape. À chaque étape, elle pose deux questions : « Est-ce que cela ressemble à un corps humain réaliste ? » (basé sur son entraînement) et « Est-ce que cela correspond aux données de la lampe de poche que nous avons réellement mesurées ? » Elle ajuste l'image jusqu'à ce que les deux réponses soient « Oui ».

Ce que l'article a réellement trouvé (et ce qu'il n'a pas trouvé) :
Dans leurs simulations (puzzles générés par ordinateur), cette nouvelle méthode a été une star. Lorsque les données étaient en « Haut Comptage » (beaucoup de lumière, signal clair), la méthode JRAA-DPS a produit des images d'activité plus nettes et moins bruitées que les anciennes méthodes standards (appelées MLAA et MLAA-UNet). Elle a même réussi à fonctionner lorsque les informations de « Temps de Vol » (TOF) manquaient, bien que la qualité ait légèrement diminué.

Cependant, l'article est très honnête sur ses limites. Lorsque les données étaient en « Bas Comptage » (lumière très faible, comme un murmure ténu), la méthode avait du mal. La carte de la « brume » reconstruite (atténuation) devenait un peu instable et déformée, bien que l'image « brillante » (activité) paraisse encore correcte.

Ils ont également testé cela sur des données de patients réels provenant d'un scanner Siemens Biograph mMR. Ici, la méthode a réussi à reconstruire l'image d'un patient sans utiliser de carte CT ou MR pour l'atténuation. Elle a trouvé des tumeurs et des structures corporelles. Mais, il y avait un bémol : la méthode avait tendance à surestimer légèrement la luminosité dans les zones calmes (comme le foie) parce que son estimation de la lumière « diffusée » était un peu trop basse.

L'avertissement sur les « Hallucinations »
Parce que cette IA est un modèle génératif (elle crée des choses à partir de rien en se basant sur des modèles), elle peut parfois « halluciner ». Les auteurs ont remarqué que dans les cartes de brume reconstruites, certains détails minuscules comme de petites poches d'air dans les poumons ou des bords d'os spécifiques semblaient un peu étranges ou manquaient. L'article suggère que ces erreurs n'ont pas ruiné l'image brillante principale, mais qu'elles constituent une limite réelle. C'est comme un artiste qui peut peindre un paysage parfait mais qui pourrait accidentellement oublier de dessiner un petit rocher spécifique.

Le ralentissement
Il y a une chose de plus à garder à l'esprit : la vitesse. Alors que les anciennes méthodes prenaient environ 2 à 3 minutes pour résoudre le puzzle, ce nouveau détective IA a pris environ 43 minutes pour les données simulées et 77 minutes pour les données cliniques réelles. Les auteurs admettent que c'est lent, mais ils suggèrent qu'avec des ajustements mathématiques (comme l'utilisation d'un calendrier d'échantillonnage différent appelé DDIM), ce temps pourrait être considérablement réduit à l'avenir.

L'essentiel
Cet article suggère que nous pourrons peut-être un jour réaliser des scanners PET sans le scanner CT supplémentaire, économisant ainsi de la radiation et du temps. La méthode fonctionne bien dans les simulations et montre des promesses sur des données réelles, prouvant qu'elle peut reconstruire des images de haute qualité même sans carte préétablie. Mais ce n'est pas encore une solution parfaite et instantanée. Elle nécessite plus de travail pour mieux gérer les situations de faible luminosité, pour stopper les « hallucinations » dans les cartes de brume et pour fonctionner plus rapidement. Pour l'instant, c'est une étape très prometteuse vers une façon plus simple et plus sûre de voir à l'intérieur du corps.

Résumé Technique : Reconstruction Conjointe de l'Activité et de l'Atténuation en TEP par Échantillonnage de Diffusion Postérieur dans l'Espace des Coefficients de Wavelets

Énoncé du Problème
La tomographie par émission de positons (TEP) nécessite une correction de l'atténuation (AC) pour quantifier avec précision l'activité du radiotraceur. Les flux de travail conventionnels s'appuient sur des scanners de Tomographie Computée (CT) ou d'Imagerie par Résonance Magnétique (IRM) co-enregistrés pour générer des cartes d'atténuation. Cependant, ces examaux auxiliaires augmentent l'exposition aux radiations, compliquent les flux de travail et introduisent des artefacts de désalignement. Bien que la Reconstruction Conjointe de l'Activité et de l'Atténuation (JRAA) utilisant uniquement les données d'émission offre une solution, les méthodes existantes font face à des limitations significatives. Les approches traditionnelles telles que le Maximum de Vraisemblance de l'Activité et de l'Atténuation (MLAA) souffrent de diaphonie entre activité et atténuation lorsque la résolution du Temps de Vol (TOF) est insuffisante, et échouent totalement sans informations TOF. De plus, les méthodes d'apprentissage profond (DL) pour l'AC reposent souvent sur des correspondances directes image-à-image qui manquent de cohérence avec les données d'émission mesurées, ou sur des méthodes indirectes dépendant de reconstructions intermédiaires bruitées, ce qui les rend sensibles aux cas hors distribution (ex. : anatomie inhabituelle ou niveaux de comptage variables).

Méthodologie
Les auteurs proposent le JRAA-DPS, un cadre qui réalise la reconstruction conjointe de l'activité ( $\lambda$ ) et de l'atténuation ( $\mu$ ) uniquement à partir des données d'émission en utilisant un Échantillonnage de Diffusion Postérieur (DPS) guidé par un Modèle de Diffusion de Wavelets (WDM).

Modèle de Diffusion de Wavelets (WDM) : Pour gérer efficacement les grands volumes 3-D, les auteurs emploient un WDM entraîné sur des paires d'images d'activité et d'atténuation. Au lieu d'opérer dans l'espace image, le modèle apprend un a priori dans l'espace des coefficients de wavelets. Une transformée en ondelettes discrète (DWT) orthogonale décompose les paires d'images 3-D en huit canaux de coefficients de wavelets, réduisant la complexité computationnelle tout en préservant l'information structurelle. Le modèle est entraîné à l'aide d'un objectif de Modèle de Diffusion Probabiliste de Dénouage (DDPM) pour apprendre la distribution de probabilité conjointe $p(\lambda, \mu)$ .
Échantillonnage de Diffusion Postérieur (DPS) : Pendant la reconstruction, le WDM entraîné agit comme un a priori plutôt que comme un prédicteur direct. L'algorithme échantillonne la distribution postérieure $p(\lambda, \mu | y)$ $p (λ, μ ∣ y)$ , où $y$ $y$ représente les données d'émission mesurées. À chaque étape de diffusion, l'algorithme :
- Génère une estimation bruitée basée sur l'a priori appris.
- Met à jour les variables latentes d'activité et d'atténuation séparément en utilisant les gradients de la log-vraisemblance des données mesurées (cohérence des données).
- Incorpore explicitement le modèle de propagation (forward model), incluant la géométrie du scanner, la résolution TOF, la durée de l'examen et les caractéristiques du bruit, garantissant que la reconstruction reste cohérente avec les paramètres d'acquisition spécifiques sans nécessiter de réentraînement du modèle.
Estimation Conjointe de la Diffusion (Scatter) : Le cadre intègre une stratégie d'estimation conjointe de la diffusion où les paramètres de diffusion sont affinés progressivement pendant le processus d'échantillonnage par l'ascension de gradient, éliminant le besoin d'une carte d'atténuation pré-estimée pour calculer la diffusion.

Contributions Clés

Nouveau Cadre JRAA : Introduction d'une méthode JRAA basée sur la diffusion (JRAA-DPS) qui exploite un a priori de diffusion appris à partir de paires activité-atténuation pour reconstruire les deux cartes à partir des données d'émission seules.
Découplage de l'A Priori et de l'Acquisition : L'a priori de diffusion est indépendant du modèle d'acquisition. Un seul modèle entraîné peut être appliqué à divers contextes (différentes durées de scan, résolutions TOF et géométries de scanner), à condition que le modèle de propagation soit adapté aux données spécifiques, éliminant ainsi le besoin de réentraînement.
Scalabilité via les Wavelets : L'utilisation d'un WDM permet le traitement de grands volumes 3-D, surmontant les barrières computationnelles typiquement associées aux modèles de diffusion 3-D.
Intégration de la Diffusion Conjointe : La capacité d'effectuer une estimation conjointe de la diffusion au sein de la boucle DPS, réduisant davantage la dépendance aux a priori anatomiques externes.

Résultats Expérimentaux
La méthode a été évaluée sur des données simulées (Expérience 1) et des données cliniques réelles provenant d'un scanner Siemens Biograph mMR (Expérience 2).

Données Simulées : JRAA-DPS a surpassé MLAA et MLAA-UNet (un post-traitement U-Net de MLAA) en termes de rapport signal sur bruit de crête (PSNR), d'indice de similitude structurelle (SSIM) et d'erreur quadratique moyenne normalisée (NRMSE) pour la reconstruction de l'activité, tant dans les configurations à haut comptage (HC) que bas comptage (LC).
- TOF vs Non-TOF : Avec l'information TOF, JRAA-DPS produit des reconstructions de haute qualité et sans bruit. Dans les configurations non-TOF, les performances se dégradent, particulièrement dans les conditions LC, bien qu'il surpasse toujours MLAA et MLAA-UNet en termes de récupération d'activité.
- Reconstruction de l'Atténuation : Dans les réglages LC, MLAA-UNet produit des cartes d'atténuation plus lisses avec de meilleurs scores métriques, tandis que JRAA-DPS introduit certains détails erronés. Cependant, ces détails ne compromettent pas de manière significative la qualité de l'image d'activité reconstruite.
- Récupération des Lésions : JRAA-DPS a démontré une récupération robuste de l'intensité et du contraste des lésions, particulièrement dans les réglages LC avec un ajustement approprié des hyperparamètres.
Données Cliniques : La méthode a réussi à reconstruire des données cliniques non-TOF, récupérant des structures significatives telles que des tumeurs. Bien que MLAA-UNet ait obtenu des métriques de qualité d'image plus élevées (partiellement dues à des conditions de comparaison favorables utilisant le même algorithme OSEM et des estimations de diffusion), JRAA-DPS a reconstruit à la fois l'activité et l'atténuation sans dépendre de cartes d'atténuation dérivées de l'IRM.
Limitations Observées :
- Sous-estimation de la Diffusion : Dans les données cliniques, l'estimation conjointe de la diffusion tend à sous-estimer la diffusion, entraînant une surestimation de l'activité dans les régions de faible captation (ex. : le foie).
- Hallucinations : Comme pour les modèles génératifs, la méthode produit des "hallucinations" dans les cartes d'atténuation (ex. : détails osseux manquants, structures pulmonaires incohérentes), bien que celles-ci aient un impact minimal sur la reconstruction de l'activité.
- Coût Computationnel : La reconstruction est coûteuse en calcul, prenant environ 1 heure 20 minutes pour les données cliniques, contre environ 20 minutes pour les méthodes basées sur MLAA.

Signification et Revendications
L'article positionne JRAA-DPS comme une étape significative vers une imagerie TEP autonome, visant à réduire la dépendance aux modalités anatomiques (CT/IRM) tout en maintenant la précision de la quantification. Les auteurs affirment qu'en modélisant explicitement les facteurs d'acquisition dans le modèle de propagation, la méthode offre une robustesse aux différents niveaux de comptage et à la présence ou l'absence d'informations TOF sans nécessiter de réentraînement.

Les auteurs font preuve de modestie concernant l'état actuel de la méthode, reconnaissant que :

Limites LC Non-TOF : La qualité de la reconstruction dans les scénarios de bas comptage et non-TOF est significativement dégradée, limitant l'efficacité pratique dans ces contextes spécifiques.
Estimation de la Diffusion : La stratégie actuelle d'estimation conjointe de la diffusion est imparfaite et nécessite un affinement pour éviter la surestimation de l'activité.
Artefacts Génératifs : Le potentiel d'hallucinations de caractéristiques dans les cartes d'atténuation reste une limitation qui nécessite une validation clinique.
Vitesse : Le temps de reconstruction est actuellement un obstacle à l'adoption clinique, bien que les auteurs suggèrent que des méthodes d'échantillonnage accélérées (ex. : DDIM) pourraient atténuer ce problème.

En fin de compte, ce travail démontre la faisabilité de l'utilisation des a priori de diffusion pour la reconstruction TEP sans CT, offrant une voie vers la réduction de la dose de radiation et l'amélioration de l'efficacité des flux de travail, à condition que l'estimation de la diffusion et la vitesse d'échantillonnage soient davantage optimisées.

Articles similaires