Reconstruction bimodale d'images TEP/IRM assistée par intelligence artificielle

Résumé: "L’imagerie TEP/IRM est une méthode d’imagerie médicale qui gagne progressivement en popularité. Sa capacité à coupler une image anatomique de haute résolution fournie par l’IRM avec l’information fonctionnelle fournie par la TEP en font un outil prometteur en oncologie ou en neurosciences. Une contrainte majeure de cette technique d’imagerie est sa durée d’acquisition pouvant monter jusqu’à une heure. Diminuer le temps d’acquisition est ainsi un enjeu majeur qui permettrait d’augmenter le confort des patients et augmenter la disponibilité des machines. L’objectif dans cette thèse est de mettre au point de nouvelles méthodes de reconstruction faisant usage de la présence des deux modalités pour obtenir des images d’une qualité standard dans la pratique clinique avec des temps d’acquisitions plus courts. Est ainsi proposée dans un premier temps une méthode de reconstruction TEP guidée par IRM s’appuyant sur un autoencodeur variationnel bimodal pré entraîné sur des données de qualité clinique standard. Celui-ci est utilisé pour contraindre les solutions du problème inverse et permet, à travers son espace latent, d’obtenir une représentation jointe des deux modalités. Cette méthode apparaît robuste au bruit comparée à des méthodes classiques, témoignant ainsi de l’utilisation de l’information de la deuxième modalité pour compenser l’ajout de bruit sur les données. Cette méthode est ensuite étendue à la reconstruction jointe de la TEP et de l’IRM et sont explorées différentes architectures de VAE. Cette étude met notamment en avant un partage de l’information de l’IRM vers la TEP bien supérieur à celui de la TEP vers l’IRM . Finalement, cette thèse explore aussi l’utilisation des récents modèles de diffusion pour résoudre le problème de la reconstruction jointe."

Mots-clés: Intelligence Artificielle, Imagerie Médicale, Multimodal, Problèmes inverses

Jury: