3D CBCT Artefact Removal Using Perpendicular Score-Based Diffusion Models

Cet article propose une méthode d'inpainting 3D basée sur des modèles de diffusion à score perpendiculaires pour éliminer les artefacts causés par les implants dentaires dans les images CBCT en modélisant les corrélations entre les projections, contrairement aux approches 2D existantes.

L'essentiel

🦷 Le Problème : La "Tache de Café" sur la Photo Dentaire

Imaginez que vous prenez une photo de votre bouche pour voir vos dents en 3D (c'est ce qu'on appelle un CBCT). C'est comme un scanner dentaire très précis. Mais il y a un gros problème : si vous avez des implants en métal ou des plombages, le métal agit comme un bouclier qui bloque les rayons X.

Résultat ? Sur l'image finale, cela crée de grosses taches noires et des déformations (des artefacts), un peu comme si quelqu'un avait renversé du café sur votre photo de famille. Le dentiste ne peut plus voir ce qui se passe autour de l'implant, ce qui rend le diagnostic difficile.

🧩 La Solution Habituelle (et ses limites)

Jusqu'à présent, les ordinateurs essayaient de "réparer" ces photos taches en regardant chaque image 2D (chaque tranche de la photo) une par une, comme si on réparait les pages d'un livre individuellement.

• Le souci : Comme chaque page est réparée seule, les images ne s'alignent pas toujours parfaitement. Quand on remet tout ensemble en 3D, ça fait des "cous" bizarres ou des images floues. C'est comme essayer de reconstruire un puzzle en regardant chaque pièce isolément sans voir l'image globale.

🎨 La Nouvelle Idée : Les "Deux Peintres" qui Travaillent Ensemble

Les chercheurs de cette étude (Schaub et son équipe) ont eu une idée brillante. Au lieu d'utiliser un seul peintre (un seul modèle d'intelligence artificielle) qui regarde les images une par une, ils ont créé deux peintres experts qui travaillent en équipe.

Voici comment ça marche, avec une analogie simple :

1. Le Peintre Principal (Vue de Face) : Il regarde les images de face, comme d'habitude. Il sait comment réparer les taches sur une image plate.
2. Le Peintre Secondaire (Vue de Profil) : Lui, il regarde les images de côté (perpendiculairement). Il voit les mêmes taches, mais sous un angle différent.

L'astuce magique : Au lieu de les laisser travailler séparément, ils les font alterner.

• Le premier peintre répare une partie de l'image.
• Le deuxième peintre vient vérifier et ajuster cette réparation en regardant de côté.
• Ils reviennent au premier, puis au deuxième, encore et encore.

C'est comme si vous essayiez de deviner la forme d'un objet caché dans une boîte en le touchant avec votre main de face, puis en la tournant de 90 degrés pour le toucher de côté. En combinant les deux sensations, vous comprenez parfaitement la forme 3D de l'objet.

🤖 Comment l'ordinateur apprend-il ? (Les "Score-Based Diffusion Models")

C'est ici que la magie mathématique opère. Imaginez que vous avez une photo très bruitée, comme une neige sur un vieux téléviseur.

• L'IA apprend d'abord à ajouter du bruit à de belles photos de dents saines (pour savoir à quoi ressemble le chaos).
• Ensuite, elle apprend à enlever le bruit (à "dénuder" l'image) pour retrouver la photo propre.

Dans cette étude, l'IA utilise deux "dénudeurs" différents (les deux peintres) qui apprennent ensemble. Quand ils doivent réparer la zone où l'implant manque (la tache de café), ils ne devinent pas au hasard. Ils utilisent ce qu'ils ont appris sur les dents saines pour "inventer" ce qui devrait être là, en respectant la structure 3D de la mâchoire.

🏆 Les Résultats : Plus Rapide et Plus Précis

Les chercheurs ont testé leur méthode sur des mâchoires de cochons (pour s'entraîner sans risquer de blesser des humains) avec des implants ajoutés artificiellement.

• Résultat : Leur méthode (appelée TPDM) a produit des images beaucoup plus nettes que les anciennes méthodes.
• L'analogie : Si les anciennes méthodes donnaient une photo un peu floue avec des bords irréguliers, leur méthode donne une photo HD où l'on voit parfaitement les os autour de l'implant, même si celui-ci est caché dans une zone difficile.
• Vitesse : C'est aussi plus rapide ! L'ancienne méthode prenait beaucoup de temps à calculer, comme un cuisinier qui coupe chaque légume au couteau. Leur méthode est comme un robot qui coupe tout en une fois, mais avec la précision du couteau.

💡 Pourquoi c'est important pour vous ?

Pour le patient, cela signifie que dans le futur :

1. Le dentiste verra mieux ce qui se passe autour de vos implants.
2. Le diagnostic sera plus précis (moins d'erreurs).
3. On pourrait avoir besoin de moins de rayons X, car l'IA peut "deviner" et réparer les parties manquantes de manière intelligente.

En résumé : Cette recherche remplace un seul réparateur qui regarde les images de face par une équipe de deux experts (un de face, un de côté) qui collaborent pour reconstruire une image 3D parfaite, sans les taches gênantes causées par le métal. C'est une avancée majeure pour la dentisterie de précision !

Résumé technique

1. Problématique

La tomographie conique (CBCT) est une technique d'imagerie 3D largement utilisée en dentisterie pour sa haute résolution et sa faible exposition aux radiations. Cependant, elle est très sensible aux artéfacts de durcissement du faisceau (beam hardening) et aux artefacts de diffusion causés par des objets de haute densité, tels que les implants dentaires ou les matériaux de obturation endodontique.
Ces artéfacts se manifestent par des distorsions dans l'image reconstruite, compromettant la qualité diagnostique.

• Limites des approches actuelles : La plupart des méthodes d'inpainting (réparation d'image) basées sur l'apprentissage profond opèrent soit dans le domaine de l'image reconstruite (où les informations sont déjà dégradées), soit dans le domaine des projections 2D. Les méthodes 2D traitent chaque projection de manière indépendante, ce qui néglige les corrélations entre les différentes vues, entraînant des incohérences dans la reconstruction 3D finale.
• Défi spécifique : Les implants situés en dehors du champ de vue (FOV) mais dans la zone d'exomasse (entre la source et le détecteur) posent un défi particulier, car les algorithmes intégrés aux scanners échouent souvent à réduire leurs artéfacts.

2. Méthodologie

Les auteurs proposent une approche novatrice appelée TPDM (Perpendicular Score-Based Diffusion Models) pour l'inpainting des implants directement dans le domaine des projections 3D.

A. Modélisation par Diffusion Score-Based

L'approche repose sur les modèles de diffusion basés sur le score (Score-Based Diffusion Models), qui apprennent à inverser un processus de bruitage pour générer des données.

• Stratégie 2D pour un problème 3D : Au lieu d'entraîner un modèle 3D complet (coûteux en calcul et en données), l'équipe utilise deux modèles de diffusion 2D distincts mais interconnectés.
• Modèles Orthogonaux :
  1. Modèle Primaire ($s_\theta$) : Entraîné sur les projections originales (plan $i-j$, parallèle à l'axe de rotation).
  2. Modèle Secondaire ($s_\phi$) : Entraîné sur des projections perpendiculaires (plan $j-k$), créant une vue orthogonale des données.
• Distribution 3D : La distribution 3D complète des projections est modélisée comme le produit des deux distributions 2D, normalisé par une fonction $Z$. Cela permet de capturer les corrélations inter-tranches sans entraîner un réseau 3D massif.

B. Échantillonnage et Inférence (Algorithm 1)

Le processus d'inférence alterne itérativement entre les deux modèles pour reconstruire le volume 3D cohérent :

1. Alternance : À chaque étape de débruitage, l'algorithme choisit soit le modèle primaire, soit le secondaire (selon un ratio contrôlé par le paramètre $K$).
2. Échantillonnage conditionnel (DPS) : Lors de l'utilisation du modèle primaire, l'échantillonnage est conditionné par les données mesurées (les projections avec les masques d'implants) en utilisant la technique de Diffusion Posterior Sampling (DPS). Cela force la génération à respecter les données observées tout en remplissant les zones masquées.
3. Pas de conditionnement pour le secondaire : Le modèle secondaire opère sans condition directe sur la mesure $Y$, servant à régulariser la cohérence 3D via la géométrie perpendiculaire.

3. Contributions Clés

• Première approche 3D par diffusion : C'est la première méthode qui étend l'inpainting par modèles de diffusion aux piles de projections 3D pour les implants dentaires, exploitant les corrélations inter-coupes.
• Efficacité computationnelle : En entraînant des modèles 2D plutôt que 3D, la méthode contourne le besoin de vastes quantités de données 3D et réduit considérablement les coûts de calcul, tout en maintenant une haute qualité de reconstruction 3D.
• Indépendance du masque : L'entraînement est effectué de manière inconditionnelle (sur des projections sans implants), ce qui rend le modèle robuste et indépendant des caractéristiques spécifiques des masques d'implants lors de l'inférence.
• Gestion de l'exomasse : La méthode est capable de traiter des implants situés à la fois dans et en dehors du champ de vue (FOV), y compris dans la zone d'exomasse.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur un jeu de données préclinique composé de mandibules de porcs (10 sujets, 4 scanners différents, FOV petits et grands). Des implants synthétiques ont été ajoutés pour simuler les artéfacts.

• Métriques : Comparaison basée sur le SSIM (Similarité Structurelle), le PSNR (Rapport Signal sur Bruit) et le RMSE (Erreur Quadratique Moyenne) sur les projections inpainties et les reconstructions 3D finales (via l'algorithme FDK).
• Performance :
  • TPDM surpasse systématiquement l'interpolation linéaire (LI) et la méthode de diffusion 2D standard (DPS sans modèle secondaire).
  • Sur les projections : TPDM atteint un SSIM de 0.929 contre 0.911 pour DPS et 0.883 pour LI.
  • Sur les reconstructions 3D : TPDM obtient un SSIM de 0.985 et un PSNR de 50.39 dB, surpassant légèrement DPS (0.9848 SSIM) et nettement LI (0.9810 SSIM).
• Vitesse : Bien que l'échantillonnage par diffusion soit lent, TPDM est plus rapide que DPS (8,5 heures contre 14 heures pour une série de projections) tout en utilisant la même quantité de mémoire VRAM (~20 Go).
• Qualité visuelle : Les cartes de différence montrent que TPDM produit les écarts les plus faibles par rapport à l'image de référence, confirmant une meilleure cohérence structurelle.

5. Signification et Conclusion

Cette étude démontre qu'il est possible de résoudre efficacement le problème inverse de l'inpainting d'implants en 3D en combinant intelligemment deux modèles de diffusion 2D orthogonaux.

• Impact Clinique : La méthode offre une solution prometteuse pour améliorer la qualité d'image et la précision diagnostique en imagerie dentaire, en particulier pour les cas complexes impliquant des implants dans l'exomasse ou avec des FOV réduits.
• Limites et Perspectives : L'étude n'a pas pu être validée sur des données cliniques réelles en raison du manque de jeux de données publics contenant des projections CBCT réelles avec une géométrie de scanner connue. De plus, la modélisation de la diffusion (scatter) n'est pas encore intégrée. Les travaux futurs viseront à intégrer des données cliniques réelles et à optimiser le processus d'échantillonnage pour une applicabilité clinique en temps réel.

En résumé, l'approche TPDM représente une avancée significative en combinant la puissance générative des modèles de diffusion avec une architecture efficace pour la reconstruction 3D, surpassant les méthodes d'interpolation classiques et les approches 2D isolées.