FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

Résumé Technique : FlowPET : Flux de Correspondance Symplectique Informé par la Physique pour la Reconstruction PET à Faible Comptage

Énoncé du Problème
La reconstruction de la Tomographie par Émission de Positons (TEP) à faible comptage fait face à un défi critique : la récupération fidèle des signaux de lésions faibles, mais diagnostiquement vitaux, au milieu de niveaux de bruit élevés. Les paradigmes actuels d'apprentissage profond se heurtent à une limitation géométrique fondamentale. Les approches déterministes (par exemple, les CNN basés sur la régression) souffrent d'un phénomène de « régression vers la moyenne », lissant excessivement les textures à haute fréquence et supprimant les lésions subtiles. Inversement, les modèles génératifs stochastiques (par exemple, les modèles de diffusion, les SDE) reposent sur une dynamique dissipative. Ces modèles induisent une divergence strictement négative ($\nabla \cdot v < 0$) dans l'espace des phases, provoquant une contraction continue du volume. Dans les régimes à faible comptage, cette contraction est indiscriminée ; elle ne parvient pas à distinguer le bruit stochastique des caractéristiques pathologiques éparses, entraînant l'extinction numérique ou le « lessivage » (wash-out) des signaux de lésions faibles avant que des structures cohérentes ne puissent se former.

Méthodologie
Les auteurs proposent FlowPET, un cadre informé par la physique qui reformule la reconstruction TEP comme un problème de transport de conservation du volume au sein d'un Espace des Phases Symplectique.

1. Élévation en Espace des Phases Symplectique :
   Au lieu d'opérer sur le manifold d'image standard, FlowPET élève la reconstruction vers un espace des phases augmenté $Z = X \times P$, où $X$ représente la position de l'image et $P$ un espace de quantité de mouvement auxiliaire. La dynamique est régie par un Système Hamiltonien Séparable :
   $$H_\theta(t, x, p; y) = U_\psi(t, x; y) + K_\phi(t, p; y)$$
   où $U_\psi$ est un terme de potentiel (dépendant uniquement de la position) et $K_\phi$ est un terme cinétique (dépendant uniquement de la quantité de mouvement). Par le théorème de Liouville, cette structure garantit un champ de vecteurs sans divergence ($\nabla \cdot v = 0$), assurant que le volume de l'espace des phases occupé par les signaux faibles est invariant et n'est pas artificiellement contracté.

2. Frontières Conjuguées Informées par la Physique :
   Pour traiter la nature mal posée du problème inverse sans compter sur la contraction pour le débruitage, FlowPET introduit une stratégie de Décomposition Espace-Image/Espace-Noyau (Range-Null Space Decomposition) pour les conditions aux limites du flux :

   • Quantité de Mouvement de l'Espace Image ($p_0$) : À la frontière source, la quantité de mouvement est initialisée pour encoder le gradient de cohérence des données (la « force de rappel »). Cela tire la trajectoire vers le manifold des solutions cohérentes avec le sinogramme mesuré.
   • Quantité de Mouvement de l'Espace Noyau ($p_1$) : À la frontière cible, l'incertitude stochastique est injectée strictement dans l'espace nul orthogonal de l'opérateur TEP. Cela confine la génération de textures à haute fréquence à l'espace non observé, empêchant l'hallucination d'artefacts qui violeraient les contraintes physiques.

3. Correspondance de Flux Symplectique & Inférence :
   Le modèle est entraîné via la Correspondance de Flux Symplectique (SFM), minimisant la perte de régression entre le champ de vecteurs appris et la vitesse cible définie par l'interpolation linéaire des états frontières. Pour l'inférence, les auteurs utilisent un intégrateur de Leapfrog Symplectique (Störmer–Verlet). Contrairement aux solveurs standards (par exemple, Runge-Kutta) qui introduisent une dissipation numérique, l'intégrateur Leapfrog préserve le déterminant jacobien unitaire, garantissant une conservation exacte du volume et un transport sans perte de l'incertitude injectée de l'espace noyau vers la reconstruction finale.

Contributions Clés

• Cadre Génératif Symplectique : FlowPET utilise une dynamique hamiltonienne séparable pour assurer un transport sans divergence, empêchant théoriquement le « lessivage du signal » (signal wash-out) omniprésent dans les modèles de diffusion dissipatifs en maintenant l'invariance du volume de l'espace des phases.
• Orthogonalité Informée par la Physique : L'introduction d'une stratégie de décomposition espace-image/espace-noyau impose rigoureusement la cohérence des données dans l'espace image tout en confinant l'exploration stochastique à l'espace noyau, résolvant ainsi le compromis entre fidélité et diversité.
• Inférence Préservant la Structure : L'implémentation d'un intégrateur de Leapfrog symplectique démontre qu'une conservation géométrique stricte produit une récupération de texture supérieure par rapport aux méthodes de référence de l'état de l'art.

Résultats Expérimentaux
FlowPET a été évalué sur trois jeux de données : BrainWeb (20 % de comptage), un jeu de données pédiatrique interne (1 % de comptage) et UDPET Brain (1 % de comptage).

• Performance Quantitative : FlowPET a obtenu des résultats de pointe sur toutes les métriques (SSIM, PSNR, RMSE). Notamment, il a surpassé les méthodes déterministes et les bases stochastiques (par exemple, IR-SDE, DREAM, FourierPET) en termes de SSIM et de PSNR, tout en maintenant un RMSE plus faible, indiquant une récupération de texture supérieure sans artefacts de bruit.
• Analyse Qualitative : Les comparaisons visuelles sur les scanners pédiatriques ont révélé que les bases dissipatives présentaient un « lessivage du signal » dans les régions de lésions faibles. FlowPET a réussi à récupérer ces structures à faible contraste, montrant une fidélité structurelle proche de la référence à plein comptage.
• Analyse de Récupération du Signal : Une analyse de trajectoire suivant les ratios de la Valeur de Captation Standard (SUV) a démontré que, tandis que les solveurs dissipatifs provoquaient une saturation et un effondrement prématurés du signal, FlowPET présentait une récupération monotone et soutenue vers la vérité terrain, confirmant la protection de la masse du signal de la lésion contre l'extinction numérique.

Signification
L'article affirme que FlowPET offre une protection géométrique robuste pour les problèmes inverses médicaux dans des régimes de bruit élevé. En passant d'une contraction dissipative à un transport symplectique conservatif, la méthode traite le mode de défaillance spécifique des modèles génératifs actuels où les signaux de diagnostic faibles mais critiques sont perdus. Ce travail établit que l'imposition de contraintes structurelles hamiltoniennes n'est pas seulement un outil de simulation physique, mais un mécanisme nécessaire de conservation de l'information pour les problèmes inverses mal posés, garantissant que la masse de probabilité est transportée plutôt qu'éteinte.