Résumé :
La tomographie par émission monophotonique (TEMP) est une modalité d'imagerie nucléaire notamment utilisée en oncologie pour la détection et le suivi des tumeurs. La quantification par TEMP est également devenue cruciale pour la dosimétrie dans le cadre des Radiothérapies Internes Vectorisées (RIV) au 177Lu-PSMA ou 177Lu-DOTATATE. Dans cette thèse, nous explorons deux sujets: 1) une méthode Quasi Monte Carlo (QMC) qui pourrait potentiellement accélérer les simulations 2) la correction des effets de volume partiel (EVPs) des images TEMP par apprentissage profond. Les simulations Monte Carlo (MC) jouent un rôle essentiel en médecine nucléaire, notamment pour le calcul de dose, la conception de nouveaux systèmes TEMP et l'évaluation des algorithmes de reconstruction. Bien que très réalistes et précises les simulations MC sont coûteuses en calcul et lentes à converger. La première contribution de cette thèse est l’investigation de l’usage des séquences quasi-aléatoires pour l’échantillonnage dans les simulations MC pour la médecine nucléaire. Les séquences quasi-aléatoires sont conçues pour remplir l'espace d'échantillonnage de manière plus homogène que les générateurs de nombres pseudo-aléatoires couramment utilisés. Une suite de Sobol a été utilisée dans Geant4/Gate pour échantillonner les positions, directions et l'énergie des gamma primaires, ainsi que leurs premières interactions Compton. Bien que les premiers résultats ont montré des réductions d'erreur prometteuses allant jusqu'à 40 % pour le suivi des particules gamma dans le vide, d'autres expériences, notamment dans l’eau, ont montré que lorsque le nombre de dimensions requises augmentait, le gain induit par l'échantillonneur quasi-aléatoire se réduisait à seulement quelques pourcents. Une autre limite de la dosimétrie basée sur l’image TEMP est que leur résolution spatiale reste limitée, en raison des EVP. Les EVPs sont une sous-estimation ou surestimation de l’intensité des voxels dans les images reconstruites. Généralement, les EVPs se manifestent par le flou des bords des petites régions ou par la contribution des régions environnantes à l'activité estimée d'un objet. Leur cause principale est la réponse du collimateur-détecteur, définie par sa fonction d'étalement du point (PSF), qui peut être corrigée en la modélisant dans les algorithmes de reconstruction itératifs. Cette méthode n’étant pas suffisante, la deuxième contribution de cette thèse est PVCNet-sino, une méthode de correction de EVPs basée sur l'apprentissage profond, entraînée sur un grand jeu de données de sinogrammes synthétiques pour corriger la PSF sur les projections, avant reconstruction. Les données d’entraînement ont été générées à l'aide de scanner de patients utilisés pour créer 10 000 sources d'activité aléatoires, projetées analytiquement 1) avec modélisation de la PSF et du bruit et 2) sans PSF. Un 3d-Unet a été entraîné pour inverser l'effet du PSF sur ces sinogrammes. La méthode proposée ne repose pas sur une segmentation de l’image, à l’inverse de la plupart des méthodes de correction de EVPs. Après reconstruction, PVCNet-sino permet une meilleure réduction des EVPs par rapport à d'autres méthodes de correction et a été évaluée sur des données simulées, des expériences sur fantôme et des données de patients. La correction avec PVCNet-sino a également été comparée à d'autres approches basées sur l'apprentissage profond: une dans le domaine image (PVCNet-img) et une approche opérant dans les deux domaines (PVCNet-sino-img). Les résultats indiquent que l'entraînement à la fois sur les projections et sur l'image mène à la meilleure correction, visuellement et quantitativement. Cependant, toutes les méthodes basées sur l'apprentissage profond proposées dans cette thèse ont montré des difficultés à corriger les petites lésions. A l’avenir, ce travail pourrait améliorer la quantification basée sur la TEMP dans le cadre des RIV et être une alternative aux méthodes basées sur la segmentation.
Composition du jury:
Andrew READER, King’s College London, Royaume-Uni, Rapporteur
Claude COMTAT, Université Paris-Saclay, Orsay, France, Rapporteur
Irène BUVAT, Université Paris-Saclay, Orsay, France, Examinatrice
Johannes TRAN-GIA, University Hospital Würzburg, Germany, Examinateur
David SARRUT, INSA Lyon, Directeur de thèse
Ane ETXEBESTE, INSA Lyon, Co-encadrante
Mots-clés : TEMP, Monte Carlo, Deep Learning, PVE, Quasi Monte Carlo