Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning

Dans le monde de l'imagerie médicale, les médecins s'appuient souvent sur deux outils puissants pour voir à l'intérieur du corps humain : la tomographie par émission de positrons, ou TEP, qui révèle le fonctionnement des organes en suivant des traceurs radioactifs, et la tomodensitométrie, ou scanner (CT), qui utilise des rayons X pour créer des cartes détaillées de la densité des os et des tissus. Pour qu'un examen TEP soit utile, l'ordinateur doit savoir exactement quelle quantité de rayonnement les tissus du corps vont bloquer ou absorber lors de son passage ; ce processus est appelé correction d'atténuation. Traditionnellement, les médecins utilisent un scanner pour fournir cette carte. Cependant, un scanner ajoute une dose significative de rayonnement ionisant au patient, ce qui est préoccupant, surtout pour ceux qui nécessitent une surveillance fréquente. Le défi consiste donc à créer une version numérique de cette carte de densité — un « pseudo-CT » — en utilisant uniquement les informations déjà présentes dans l'examen TEP et une image par résonance magnétique, ou IRM, sans exposer le patient à des rayons X supplémentaires.

Une équipe de chercheurs de l'Université de Manchester a abordé ce problème en participant à une compétition conçue pour tester précisément cette capacité. Ils ont construit un système informatique sophistiqué capable d'analyser simultanément trois types différents d'images médicales : l'examen TEP brut, l'IRM et une image de projection en 2D appelée topogramme, qui est essentiellement un cliché rapide et à faible dose des rayons X montrant la forme globale du corps. Leur objectif était d'apprendre à une machine à combiner ces sources d'informations distinctes pour générer une carte de densité 3D de haute qualité capable de remplacer un scanner complet. Les chercheurs ont découvert qu'en traitant chaque type d'image différemment et en fusionnant ensuite soigneusement leurs enseignements, ils pouvaient créer un modèle produisant des cartes de densité précises, ce qui permet d'obtenir des images TEP plus claires et plus précises sans avoir recours à un scanner séparé.

Le cœur de leur approche était une architecture numérique conçue pour respecter la nature unique de chaque image. Contrairement aux méthodes précédentes qui pourraient simplement empiler les différentes images comme s'il s'agissait de couches d'un seul gâteau, cette équipe a reconnu que le scanner TEP, l'IRM et le topogramme 2D ne sont pas toujours parfaitement alignés dans l'espace. Au lieu de cela, ils ont construit des voies séparées pour les données 3D du TEP et de l'IRM, permettant à l'ordinateur d'apprendre les caractéristiques spécifiques de chaque modalité de manière indépendante. À mesure que ces flux d'informations distincts progressaient plus profondément dans le système, ils étaient réunis à plusieurs niveaux de détail. À chaque étape, le système utilisait un mécanisme pour pondérer l'importance de l'information combinée, garantissant que les détails les plus utiles du TEP et de l'IRM soient préservés tandis que le bruit moins pertinent était filtré.

Le topogramme 2D a été traité d'une manière unique car il représente l'ensemble du corps sous forme de projection plane plutôt que sous forme de volume 3D. Comme il ne peut pas être associé point par point avec les coupes 3D du TEP ou de l'IRM, les chercheurs l'ont utilisé comme un guide pour la forme générale et l'anatomie du patient. Ils ont injecté cette image 2D dans un système pré-entraîné qui extrayait un résumé de la forme du corps. Ce résumé a ensuite été utilisé pour guider et ajuster doucement la principale voie de traitement 3D, indiquant ainsi au système : « Rappelez-vous, ce patient a cette forme corporelle spécifique », sans forcer l'image 2D à s'insérer dans la grille 3D. Cette méthode a permis au système d'utiliser la vue globale du topogramme pour affiner les détails locaux de la carte générée, une technique qui s'est avérée plus efficace que de tenter de forcer un alignement spatial rigide entre les différents types d'images.

Lorsque les chercheurs ont testé leur système final sur quatre sujets issus d'un ensemble de validation interne, les résultats étaient prometteurs. Les cartes générées par l'ordinateur étaient remarquablement proches des scanners réels, avec des différences moyennes très faibles dans les valeurs de densité. Plus important encore, lorsque ces cartes générées ont été utilisées pour corriger les examens TEP, les images résultantes ont montré un degré élevé de précision. L'erreur moyenne dans les valeurs de captation standardisée (SUV) — une mesure clé de la quantité de traceur absorbée par le corps — était extrêmement faible, et le biais dans des organes spécifiques était minimal. Le système a également bien performé dans le cerveau, une zone critique pour la détection d'anomalies, avec très peu de valeurs aberrantes. Ces résultats suggèrent que la méthode a réussi à intégrer les forces complémentaires des différentes modalités d'imagerie pour créer un substitut fiable au scanner.

L'équipe a également exploré si l'ajout de variations supplémentaires aux données d'entraînement, comme le déplacement ou la rotation des images pour imiter les imperfections du monde réel, améliorerait les résultats. Ils ont constaté que ces techniques courantes n'ont pas aidé ; en fait, le modèle entraîné sur les données originales, non altérées, a obtenu de meilleurs résultats que toute version ayant subi ces augmentations. Cela indique que l'architecture spécifique qu'ils ont conçue, avec ses voies d'encodage séparées et la manière unique de traiter le topogramme 2D, était suffisamment robuste pour gérer les variations naturelles des données sans avoir besoin de trucs artificiels pour forcer l'apprentissage. L'étude conclut que cette approche multimodale offre une voie viable vers une correction d'atténuation TEP de haute qualité qui évite la dose supplémentaire de rayonnement d'un scanner, en s'appuyant plutôt sur une synthèse intelligente des données d'imagerie existantes.