© G.Daniel et al., Engineering Applications of AI, 2024
Trois laboratoires CEA (SGLS/ISAS/DES, DPHP/IRFU, BioMaps/SHFJ/JOLIOT) ont associé leurs savoir-faire pour développer un algorithme de Deep Learning innovant pour l’amélioration de la reconstruction d’images TEP acquises dans le cadre du projet ClearMind, une technologie basée sur la détection des photons gamma par un détecteur utilisant des cristaux monolithiques de tungstate de plomb. Un pas vers une imagerie TEP plus précise.
Dans le domaine de la médecine nucléaire, la Tomographie par Émission de Positrons (TEP) est une méthode d’imagerie essentielle au diagnostic en oncologie, neurologie et cardiologie. Au cours de l’examen, des atomes radioactifs émetteurs de positrons sont injectés au patient sous la forme d’un produit radiopharmaceutique. La désintégration du radiotraceur émet des positrons, qui s'annihilent en deux photons γ émis dos à dos et atteignent une paire de détecteurs opposés entourant le patient. Ces photons détectés en coïncidence sont utilisés pour reconstituer la distribution du traceur dans le corps du sujet. La précision de cette imagerie dépend donc de la capacité des détecteurs à localiser et dater les interactions des photons γ dans les scintillateurs.
Récemment, le projet ClearMind a proposé un concept innovant de détecteur TEP composé de cristaux monolithiques de tungstate de plomb (PbWO4) sensibles à la position des photons γ. Ce scintillateur offre une sensibilité supérieure aux détecteurs pixellisés traditionnels, mais introduit une complexité supplémentaire dans le traitement des signaux pour la reconstruction spatiale des interactions.
Schéma du principe de détection de photons dans le détecteur ClearMind. Les photons gamma interagissent en émettant des photons optiques par effet Cherenkov et de scintillation qui sont ensuite détectés par une photocathode couplée à un photomultiplicateur qui crée le signal enregistré par le détecteur.
© G.Daniel et al., Engineering Applications of AI, 2024
Dans cette étude, le consortium de chercheurs des trois laboratoires de l’ISAS, du DPHP-Irfu et du SHFJ-Joliot a développé une méthode innovante de Deep Learning pour améliorer la localisation des interactions des photons γ dans les scintillateurs développés par le projet ClearMind. L’équipe a utilisé un réseau de neurones à densité (Density Neural Network), entraîné sur des simulations du détecteur, avec une fonction de perte intégrant les contraintes physiques du détecteur (notamment près des bords), ainsi qu’une estimation de l’incertitude inhérente au processus de reconstruction. Cette combinaison unique a permis des estimations de position plus robustes et plus fiables et les résultats obtenus démontrent l'efficacité de l'approche proposée en mettant en évidence les avantages significatifs de l'estimation des incertitudes par le modèle.
En atteignant leur objectif de reconstruction plus fiable et précise des coordonnées spatiales des interactions γ pour l'imagerie TEP, les auteurs discutent le fait que leur méthode pourrait s'appliquer à d'autres domaines nécessitant des analyses de données de capteurs complexes. Ils prévoient que leur approche pourrait transformer la manière dont les reconstructions spatiales sont réalisées, ouvrant la voie à des applications élargies ainsi qu’à une imagerie médicale plus précise et fiable en lien avec l’IA de confiance.
Contacts Irfu DPHP: Viatcheslav Sharyy, Dominique Yvon
