Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

Imaginez que vous essayez de prendre une photographie parfaite d'un trésor caché à l'intérieur d'une grotte aux parois épaisses et embrumées. Dans le monde de l'imagerie médicale, ce « trésor » est un minuscule signal provenant d'un traceur radioactif à l'intérieur du corps d'un patient, et la « caméra » est une machine appelée SPECT (tomographie par émission de photons uniques). Normalement, pour obtenir une image nette, les médecins utilisent un filtre spécial appelé collimateur qui agit comme un ensemble de minuscules tunnels, ne laissant passer les rayons lumineux (ou dans ce cas, les rayons gamma) que suivant des lignes droites. Mais voici le problème : pour obtenir une image vraiment nette, il faut beaucoup de ces tunnels. Si vous entassez trop de tunnels les uns avec les autres, leurs vues commencent à se chevaucher, comme si l'on regardait à travers un kaléidoscope où les motifs s'écrasent les uns sur les autres pour former un fouillis déroutant. De plus, les parois de la grotte (le corps du patient) absorbent et font rebondir les rayons, rendant l'image floue et sombre. Pendant des décennies, pour corriger ces désordres flous et chevauchants, il fallait effectuer un second examen par rayons X, dangereux, afin de cartographier les parois de la grotte, ce qui ajoutait une dose de radiation supplémentaire et augmentait les coûts. Les scientifiques recherchent depuis longtemps un moyen de démêler ce désordre et de dissiper le brouillard sans cet examen X supplémentaire, dans l'espoir de rendre la caméra plus rapide, moins chère et plus sûre pour tout le monde.

Ce document présente une nouvelle astuce ingénieuse utilisant un type d'intelligence artificielle appelée Réseau de Neurones Convolutifs (CNN), qui est comme un détective numérique super intelligent entraîné pour résoudre des énigmes visuelles. Les chercheurs, travaillant avec un système SPECT stationnaire équipé d'un immense réseau de 44 sténopés (de minuscules tunnels), ont été confrontés à un double problème : les vues provenant de ces 44 trous se chevauchaient comme une pelote de laine emmêlée, et les rayons étaient déformés par le corps du patient. Au lieu de tenter de démêler la pelote avec des mathématiques complexes qui prennent un temps infini, ils ont appris à leur détective IA un nouveau jeu. Ils ont fourni à l'IA une entrée « désordonnée » : les données chevauchantes, floues et bruitées générées en simulant la façon dont les rayons gamma rebondissent et sont absorbés à l'intérieur d'un cerveau. Ensuite, ils ont montré à l'IA la cible « parfaite » : ce à quoi l'image devrait ressembler s'il n'y avait ni chevauchements, ni flou, ni bruit. En s'entraînant sur des milliers de ces cas de cerveaux simulés, l'IA a appris à séparer instantanément la pelote de laine emmêlée en fils individuels bien nets et à effacer simultanément le brouillard et le bruit.

Les résultats de cette simulation ont été très prometteurs. Lorsque les chercheurs ont testé leur IA sur des images cérébrales, elle a réussi à démêler les projections chevauchantes des 44 sténopés et à corriger les distorsions physiques sans avoir besoin de cartes de rayons X supplémentaires. L'IA a produit des images nettement plus claires et plus précises que celles réalisées avec d'anciennes méthodes. Par exemple, la nouvelle méthode a atteint un « rapport signal sur bruit de crête » (une mesure de la clarté de l'image) de 18,38 ± 0,79 dB, ce qui est supérieur aux 15,54 ± 1,35 dB obtenus avec un système utilisant seulement 11 sténopés (où il n'y a pas de chevauchement) et aux 15,93 ± 1,12 dB d'une caméra standard à faisceau en éventail. L'étude a également comparé leur méthode à une technique traditionnelle appelée méthode de correction de Moore ; l'approche de l'IA a produit des images beaucoup plus nettes avec moins d'erreurs, atteignant une erreur quadratique moyenne normalisée (NMSE) de 0,1 de 0,18 ± 0,02 contre 0,24 ± 0,06 pour la configuration à 11 sténopés.

Cependant, il est important de se rappeler que ces résultats proviennent de simulations informatiques, et non encore de patients réels. Les chercheurs ont simulé un cerveau avec une quantité spécifique de traceur radioactif (370 MBq) et ont utilisé une caméra virtuelle avec 44 sténopés. Ils ont constaté que, bien que l'IA puisse gérer les données « désordonnées » des 44 sténopés, elle fonctionnait de manière optimale lorsque la caméra se déplaçait très légèrement (une configuration « quasi-stationnaire » où les détecteurs tournent de 60 degrés une seule fois), ce qui aidait à réduire davantage les artefacts restants. Le document écarte explicitement l'idée qu'il soit nécessaire d'effectuer un scanner CT séparé pour corriger l'image ; l'IA a appris à effectuer elle-même la « correction d'atténuation » (corriger le brouillard). Bien que la méthode ait montré un grand potentiel pour l'imagerie cérébrale, où les « parois de la grotte » sont relativement uniformes, les auteurs notent qu'il pourrait être plus difficile de l'appliquer à d'autres parties du corps, comme le cœur, où la densité varie considérablement. En fin de compte, cette étude suggère qu'une IA intelligente pourrait bientôt permettre aux médecins d'utiliser des caméras multi-sténopés à haute sensibilité pour obtenir des images cérébrales quantitatives de haute qualité, plus rapidement et sans la dose de radiation supplémentaire d'un scanner CT, mais des tests supplémentaires avec des données humaines réelles sont nécessaires pour confirmer si cette magie fonctionne dans le monde réel.