AIRPET: Virtual Positron Emission Tomography

Cet article présente AIRPET, une plateforme web assistée par l'IA qui rationalise le processus complexe et multi-étapes de la conception et de l'évaluation des scanners TEP en intégrant la simulation de détecteurs, la reconstruction d'images et la création de géométrie pilotée par LLM dans un flux de travail unique et accessible.

L'essentiel

Imaginez que vous vouliez construire un tout nouvel appareil photo de haute technologie capable de voir à l'intérieur du corps humain pour détecter des maladies. Ce n'est pas un appareil photo ordinaire ; c'est un scanner PET, un dispositif qui détecte de minuscules particules pour créer des images en 3D du fonctionnement des organes de votre corps.

Construire une telle machine est incroyablement difficile. C'est comme essayer de construire une Ferrari, de la conduire sur un circuit de course, puis d'agir comme le médecin diagnostiquant la santé du conducteur — tout cela par vous-même. Le document présente AIRPET, un nouvel outil basé sur le Web conçu pour rendre ce travail impossible beaucoup plus facile en agissant comme un « copilote » pour les scientifiques.

Voici comment fonctionne AIRPET, décomposé en étapes simples :

1. Le problème : Un monstre à trois têtes

Actuellement, la conception d'un scanner PET est divisée en trois tâches très difficiles qui nécessitent généralement des experts différents :

• L'Architecte : Conçoit la forme physique et les matériaux du détecteur (en utilisant des logiciels complexes de mathématiques et de physique).
• Le Simulateur : Effectue un « essai routier virtuel » pour voir comment la machine se comporterait si elle existait.
• Le Docteur : Observe les images résultantes pour voir si elles sont assez nettes pour diagnostiquer un patient.

La plupart des chercheurs ne peuvent maîtriser qu'un seul de ces métiers. Si vous êtes excellent en conception, vous pourriez avoir du mal avec le code de simulation. Si vous êtes un codeur, vous ne comprendrez peut-être pas l'aspect médical. Cela crée un « silo » où les experts ne peuvent pas facilement communiquer entre eux.

2. La solution : AIRPET (L'atelier tout-en-un)

AIRPET est un site web qui réunit ces trois tâches dans un atelier unique et facile d'utilisation. C'est comme un « kit Lego » pour les scanners PET, mais avec un robot intelligent en renfort.

• Le Robot Intelligent (Assistant IA) : Au lieu d'écrire des centaines de lignes de code déroutantes pour décrire votre machine, vous pouvez simplement taper une requête à l'IA. Vous pourriez dire : « Construis un anneau de 16 cristaux avec un rayon de 90 cm. » L'IA agit comme un traducteur, transformant vos mots simples en fichiers techniques complexes dont l'ordinateur a besoin pour construire la machine virtuelle.
• L'Essai Routier Virtuel (Simulation) : Une fois la machine « construite » dans l'ordinateur, AIRPET lance une simulation. Il projette des particules virtuelles à travers votre conception pour voir comment elles rebondissent, tout comme on testerait la résistance au crash d'une voiture dans un jeu vidéo avant de la construire réellement.
• Le Créateur d'Images (Reconstruction) : Après la simulation, l'outil prend les données et les transforme instantanément en une image 3D. Vous pouvez voir si votre conception produit réellement une image nette ou si elle est floue.

3. Un exemple concret : Le test « CRYSP »

Les auteurs ont testé cet outil en utilisant un design spécifique appelé CRYSP. Ils ont utilisé AIRPET pour construire un scanner virtuel composé de cristaux spéciaux. Ils ont placé un « fantôme » (une partie du corps factice faite d'eau avec six petites boules à l'intérieur) au centre.

Ils ont dit à l'ordinateur de simuler le scanner observant ces boules. En quelques minutes, AIRPET a généré une image 3D montrant les six boules clairement. Cela a prouvé que l'outil peut prendre une idée de conception, la simuler et montrer le résultat sans avoir besoin d'une équipe de dix experts.

4. Et après ? (L'atelier du futur)

Le document explique qu'AIRPET est encore en cours de construction, comme une maison dont les murs sont montés mais qui nécessite encore des meubles. Les auteurs prévoient d'ajouter :

• De meilleurs outils d'IA : Au lieu de simplement demander à l'IA d'« écrire du code », ils veulent donner à l'IA des « outils » spécifiques (comme une fonction pré-faite pour disposer les cristaux en cercle) afin qu'elle commette moins d'erreurs.
• Une bibliothèque de pièces : Une étagère numérique où les utilisateurs peuvent récupérer des pièces pré-faites (comme des objets de tests médicaux standards) au lieu de tout construire de zéro.
• Le « Docteur IA » : À terme, ils veulent ajouter une IA capable d'examiner les images 3D générées et de donner un deuxième avis sur la qualité de l'image, agissant ainsi comme un partenaire d'entraînement pour les vrais médecins.

L'essentiel

AIRPET est une plateforme basée sur le Web qui utilise l'intelligence artificielle pour aider les scientifiques à concevoir, tester et visualiser les scanners PET, le tout au même endroit. Cela abaisse la barrière à l'entrée, permettant à des équipes plus petites ou à des individus d'expérimenter de nouveaux designs de scanners sans avoir besoin d'être des maîtres à chaque étape du processus. C'est actuellement un outil de recherche pour construire de meilleures machines, et non un dispositif utilisé directement sur les patients pour le moment.

Résumé technique

Résumé Technique : AIRPET – Tomographie par Émission de Positons Virtuelle

Énoncé du Problème
La conception et l'évaluation de nouvelles technologies de scanners de Tomographie par Émission de Positons (TEP) constituent un processus complexe et multidisciplinaire, généralement divisé en trois étapes distinctes : (1) la conception et la simulation des détecteurs, (2) la reconstruction d'image, et (3) l'interprétation de l'image. Chaque étape exige une expertise spécialisée, ce qui crée une barrière à l'entrée significative pour les chercheurs et les ingénieurs qui ne peuvent pas facilement gérer ces trois aspects simultanément. De plus, le paysage actuel repose sur une variété d'outils logiciels spécialisés qui fonctionnent en silos, nécessitant un effort important pour l'intégration et empêchant souvent les experts d'un domaine de pleinement apprécier les implications de leur travail sur les autres étapes. Bien que les professionnels de santé effectuent l'interprétation finale, il existe un besoin d'outils capables d'aider à la génération de données d'entraînement et de fournir un « partenaire IA » pour comparer les diagnostics avec ceux des radiologues.

Méthodologie
Pour répondre à ces défis, les auteurs ont développé AIRPET (AI-driven Revolution in Positron Emission Tomography), une plateforme open-source basée sur le Web qui intègre l'ensemble du flux de travail de conception TEP dans une interface unique. Le système fonctionne selon un modèle client-serveur :

• Frontend : Construit avec HTML/JavaScript et three.js, il fournit un éditeur visuel pour la manipulation de la géométrie 3D.
• Backend : Construit avec Python/Flask, il gère l'état du projet, l'exécution de la simulation et la reconstruction d'image.

Le flux de travail suit les composants techniques suivants :

1. Conception du Détecteur : Les utilisateurs définissent la géométrie via un éditeur visuel ou des invites textuelles. Le système utilise une représentation JSON interne et prend en charge le format standard Geant4 GDML pour l'importation/exportation. Une caractéristique clé est l'intégration de modèles de langage étendus (LLM), supportant actuellement des modèles open-source hébergés localement (via Ollama) et des modèles basés sur le cloud (Google Gemini). Les utilisateurs peuvent saisir des commandes en langage naturel (par exemple, « créer une géométrie TEP minimale... ») que l'IA tente de traduire en la structure JSON nécessaire. Le système prend également en charge l'importation CAO via des fichiers STEP en utilisant la bibliothèque pythonocc.
2. Simulation du Détecteur : Lors de l'initiation par l'utilisateur, le backend génère des fichiers GDML et des macros Geant4 (.mac) basés sur la géométrie et les paramètres définis. La simulation s'exécute dans un thread séparé, fournissant des mises à jour de progression en temps réel. Les données de sortie, incluant les impacts de détecteurs (hits) et les traces de particules, sont stockées au format HDF5.
3. Reconstruction d'Image : Le système traite les interactions de rayons gamma de 511 keV simulées en Lignes de Réponse (LOR). Il applique des effets physiques de base des détecteurs, tels que le lissage gaussien pour la résolution de position et d'énergie. La plateforme s'interface avec la bibliothèque parallelproj pour effectuer la reconstruction d'image 3D à l'aide de l'algorithme d'Espérance Maximale de Vraisemblance (MLEM).
4. Évaluation Médicale (Proposée) : Les auteurs décrivent un futur module employant des LLM multimodaux pour fournir des évaluations qualitatives des images reconstruites, destiné à servir d'outil d'apprentissage plutôt que de substitut au diagnostic médical professionnel.

Contributions Clés et Résultats

• Flux de Travail Unifié : AIRPET comble avec succès le fossé entre la conception du détecteur, la simulation et la reconstruction d'image, permettant aux utilisateurs de passer de la définition de la géométrie à la visualisation d'une image TEP 3D au sein d'une interface web unique.
• Création de Géométrie Assistée par l'IA : La plateforme démontre la faisabilité de l'utilisation de LLM pour générer des géométries de détecteurs complexes à partir de prompts textuels, réduisant considérablement la charge de codage manuel, bien que les auteurs notent que cela nécessite actuellement un ajustement humain.
• Cas de Démonstration (CRYSP) : L'article présente un cas de validation modélisant une version simplifiée du scanner TEP corps entier CRYSP1M. Le système a simulé un fantôme rempli d'eau à 6 sphères avec des rayons et des rapports d'activité variables. En utilisant 108 désintégrations positon-électron et 10 itérations de l'algorithme MLEM, AIRPET a réussi à reconstruire une image 3D du fantôme, visualisant la distribution de l'activité. La normalisation a été effectuée à l'aide d'une matrice de sensibilité dérivée de LOR aléatoires simulés.

Signification et Revendications
Les auteurs positionnent AIRPET comme un outil pour démocratiser la recherche et le développement en TEP en abaissant les barrières techniques associées à l'intégration des outils de simulation et de reconstruction. La plateforme vise deux fonctions principales :

1. Un Terrain d'Entraînement : En générant des ensembles d'entraînement et des problèmes réalistes simulés, elle aide à l'éducation des chercheurs et au développement d'outils de diagnostic par l'IA.
2. Un Partenaire IA : Elle fournit un mécanisme pour comparer les diagnostics générés par l'IA avec ceux des radiologues, permettant potentiellement d'accélérer l'évaluation des nouveaux designs de scanners.

L'article maintient un ton modeste concernant ses capacités actuelles, reconnaissant que la création de géométrie assistée par l'IA n'est pas encore un remplacement pour les concepteurs humains qualifiés et que le module d'évaluation médicale est un objectif futur plutôt qu'une fonctionnalité actuelle. La principale proposition de valeur est l'intégration de ces étapes disparates en un flux de travail cohérent et accessible pour faciliter une conception de scanner TEP plus efficace.