Contexte : En médecine nucléaire, l’imagerie d’émission mono-photonique (TEMP en français, SPECT en anglais) à l’aide d’une caméra Compton est explorée pour réduire le temps d’acquisition, et par conséquent l’inconfort du patient. Les progrès en cours dans le domaine de l’instrumentation, ainsi que le début de la commercialisation de telles caméras en lien avec la production d’énergie par le nucléaire, conduisent à un intérêt important et croissant pour ces dispositifs en médecine. Leur fonctionnement, basée sur la détection en coïncidence de photons gamma, requiert des méthodes de reconstruction d’images spécifiques [1,2]. Sur la base d’un code C++ développé et utilisé pendant plusieurs années, nous avons récemment développé CoReSi, un code Python pour la reconstruction et pour la simulation de données caméra Compton. Ce code st destiné à devenir publique prochainement.
Objectif : Sur des images produites par ce code, le ou la stagiaire étudiera les méthodes d’augmentation de la résolution par déconvolution, en se focalisant sur les représentations neuronales implicites de type Neural Radiance Fields (NeRF). Ces méthodes d’apprentissage profond permettent une représentation non-voxelisée du volume et fonctionnent sans base de données d’apprentissage. Elles ont montré des résultats très intéressants en tomographie, en particulier en réduisant les artefacts dus à l’angle manquant et permettant la reconstruction de grands volumes [3,4]. Le/la stagiaire pourra être amené à échanger avec des chercheurs travaillant sur la caméra Compton, les aider à mettre en place la reconstruction d’images pour des configurations spécifiques de détecteurs. Il testera ses algorithmes sur images issues de différentes géométries d’acquisition, chacune conduisant à une fonction d’étalement du point (PSF) différente.
Lieu du stage : Le stagiaire sera intégré à l’équipe Tomoradio de CREATIS, laboratoire spécialisé en traitement d’images. Les développements informatiques se feront en Python. Le stage sera supervisé par Voichita Maxim (professeure à l’INSA Lyon). Il pourra être amené à collaborer avec des chercheurs partenaires en France ou à l’étranger.
Méthodologie : L’essentiel du travail concerne le développement de méthodes en Python. Il nécessite cependant l’acquisition de quelques notions de physique des particules afin de comprendre le fonctionnement des détecteurs ainsi que de se familiariser avec la reconstruction d’images. Les principales étapes du stage sont listées ci-dessous.
Familiarisation avec les principes de base de l’imagerie d’émission et de la déconvolution.
Familiarisation avec la tomographie SPECT caméra Compton et la simulation de données, à travers le code CoReSi.
Étude bibliographique sur les méthodes de déconvolution, particulièrement celles utilisées en imagerie et basées sur l’apprentissage profond.
Implémentation d’un algorithme de déconvolution utilisant la méthodologie NeRF, d’abord en 2D puis en 3D.
Test et analyse comparative selon la configuration d’acquisition. Comparaison avec des méthodes de la littérature et avec les résultats obtenus par modèles de diffusion [5].
Compétences requises et approfondies : Le candidat devra avoir des bases solides en mathématiques appliquées, en informatique ou en physique. Il doit maîtriser l’anglais à l’oral et à l’écrit. Des connaissances en imagerie médicale sont un plus. La maîtrise du langage Python est requise, la connaissance de la librairie PyTorch représente un atout. Les notes, la motivation, les compétences en mathématiques et en informatiques seront des critères d'évaluations de la candidature plus importants que la formation initiale. Le stagiaire devra faire preuve de curiosité et d’initiative. Il devra planifier son projet pour acquérir les différentes compétences requises et pour aboutir à une étude publiable des résultats et de leur analyse approfondie.
Informations complémentaires : Ce projet de stage est ouvert aux PFE, Master et PFE/Master. La durée du stage sera de 5-6 mois. La gratification du stage correspond à 1/3 du SMIC horaire. Pour candidater, envoyer CV et relevé de notes à voichita.maxim@creatis.insa-lyon.fr .
Bibliographie :
[1] Y. Feng, J.M. Létang, D. Sarrut, V. Maxim, “Influence of Doppler broadening model accuracy in Compton camera list-mode MLEM reconstruction”, Inverse Problems in Science and Engineering 29, no. 13, pages 3509–3529 (2021).
[2] E. Muñoz, A. Etxebeste, D. Dauvergne, JM Létang, D. Sarrut, V. Maxim, E. Testa, “Imaging of polychromatic sources through Compton spectral reconstruction”, Phys. Med. Biol. 67, 19 (2022).
[3] H. Kniesel, T. Ropinski, T. Bergner, K.S. Devan, “Clean Implicit 3D Structure from Noisy 2D STEM Images”, CVF 2022.
[4] L. Shen, J. Pauly and L. Xing, "NeRP: Implicit Neural Representation Learning With Prior Embedding for Sparsely Sampled Image Reconstruction," in IEEE Transactions on Neural Networks and Learning Systems, vol. 35, no. 1, pp. 770-782 (2024).
[5] T. Modrzyk, A. Etxebeste, E.. Bretin, V. Maxim, “Fast deconvolution using a combination of Richardson-Lucy iterations and diffusion regularization”, Eusipco, Lyon, France, pages 1–5 (2024).