Evaluation du potentiel de réduction de dose en tomodensitométrie à l'aide d'un logiciel de reconstruction utilisant le "deep learning" PDF Download
Are you looking for read ebook online? Search for your book and save it on your Kindle device, PC, phones or tablets. Download Evaluation du potentiel de réduction de dose en tomodensitométrie à l'aide d'un logiciel de reconstruction utilisant le "deep learning" PDF full book. Access full book title Evaluation du potentiel de réduction de dose en tomodensitométrie à l'aide d'un logiciel de reconstruction utilisant le "deep learning" by Lucas Graber. Download full books in PDF and EPUB format.
Author: Lucas Graber Publisher: ISBN: Category : Languages : fr Pages : 0
Book Description
Introduction : Les progrès techniques et la préoccupation croissante au sujet de l'exposition aux rayonnements ionisants ont conduit au développement d'algorithmes de reconstruction d'images utilisant la technologie de Deep Learning (DLR). Peu d'études à ce jour ont étudié l'impact des algorithmes de DLR en terme de réduction de dose en vie réelle et à grande échelle. Matériels et méthodes : Notre étude est rétrospective et monocentrique. Elle porte sur une population globale de 10306 patients ayant réalisé un examen sur un scanner utilisant un algorithme de reconstruction par DLR (CT-DLR) ou un algorithme de reconstruction par reconstruction itérative (CT-IR) selon un parmi quatre protocoles d'imagerie différents. La qualité des images a été évaluée à la fois qualitativement par un opérateur et quantitativement par la mesure de rapports Signal sur bruit et Contraste sur bruit standardisés. Résultats : La diminution d'irradiation globale du groupe CT-DLR par rapport au groupe CT-IR est estimée à environ 20%, plus marquée pour le protocole « Thorax standard » (22%) et moins marquée pour le protocole « crâne standard » (19%). Le groupe CT-DLR présente une qualité diagnostique d'images supérieure à celle du groupe CT-IR. Conclusion : Ces résultats sont en accord avec ceux déjà publiés dans la littérature : les algorithmes de DLR permettent une diminution notable de la dose d'irradiation tout en obtenant une qualité d'image supérieure par rapport aux algorithmes d'IR. Au total, il serait recommandé d'utiliser les algorithmes de DLR à large échelle.
Author: Lucas Graber Publisher: ISBN: Category : Languages : fr Pages : 0
Book Description
Introduction : Les progrès techniques et la préoccupation croissante au sujet de l'exposition aux rayonnements ionisants ont conduit au développement d'algorithmes de reconstruction d'images utilisant la technologie de Deep Learning (DLR). Peu d'études à ce jour ont étudié l'impact des algorithmes de DLR en terme de réduction de dose en vie réelle et à grande échelle. Matériels et méthodes : Notre étude est rétrospective et monocentrique. Elle porte sur une population globale de 10306 patients ayant réalisé un examen sur un scanner utilisant un algorithme de reconstruction par DLR (CT-DLR) ou un algorithme de reconstruction par reconstruction itérative (CT-IR) selon un parmi quatre protocoles d'imagerie différents. La qualité des images a été évaluée à la fois qualitativement par un opérateur et quantitativement par la mesure de rapports Signal sur bruit et Contraste sur bruit standardisés. Résultats : La diminution d'irradiation globale du groupe CT-DLR par rapport au groupe CT-IR est estimée à environ 20%, plus marquée pour le protocole « Thorax standard » (22%) et moins marquée pour le protocole « crâne standard » (19%). Le groupe CT-DLR présente une qualité diagnostique d'images supérieure à celle du groupe CT-IR. Conclusion : Ces résultats sont en accord avec ceux déjà publiés dans la littérature : les algorithmes de DLR permettent une diminution notable de la dose d'irradiation tout en obtenant une qualité d'image supérieure par rapport aux algorithmes d'IR. Au total, il serait recommandé d'utiliser les algorithmes de DLR à large échelle.
Author: Théo Leuliet Publisher: ISBN: Category : Languages : en Pages : 0
Book Description
The purpose of tomography is to reconstruct a volume from its projections. In Computed Tomography (CT), X-rays are transmitted to a patient and attenuated by their tissues: the projections are obtained from the measured attenuation. For Positron Emission Tomography (PET), a radionuclide injected inside a patient emits a positron that generates two gamma photons in opposite directions. The projections correspond to the set of lines of response between each pair of simultaneously detected photons. Tomographic reconstruction for PET or CT amounts to solving an inverse problem. Analytical methods are fast but their efficiency is limited when data are under-sampled or noisy. Iterative methods are efficient for noise and artefacts removal, but the computation time represents a major drawback for practical use. Deep learning based methods have the potential to overcome those limits. The first objective of this thesis is to study the impact of the training loss on medical diagnosis-oriented evaluation metrics. We perform this study on bone microarchitecture CT imaging and show that in this case L1 loss should be used regarding all the considered metrics. Networks trained with perceptual losses show better transcription of structural features, at the cost of a deteriorated resolution. Adversarial losses improve the accuracy of the reconstruction in terms of density distribution. We then focus on Time of Flight (TOF) PET data for intraoperative surgical applications; our aim is to design a reconstruction method to improve the detectability of small tumors in the context of breast cancer. We propose a neural network called PAVENET that simultaneously retrieves the image and the image-dependent point-spread function (PSF) from a poor-quality initial reconstruction. We present in this thesis the proof of concept for PAVENET with experiments on Monte-Carlo simulations reproducing acquisitions from an innovative detector studied in the Radiation Physics Instrumentation Laboratory (RPIL) in Boston.
Author: Jong Chul Ye Publisher: Cambridge University Press ISBN: 1009051024 Category : Technology & Engineering Languages : en Pages : 366
Book Description
Discover the power of deep neural networks for image reconstruction with this state-of-the-art review of modern theories and applications. Including interdisciplinary examples and a step-by-step background of deep learning, this book provides insight into the future of biomedical image reconstruction with clinical studies and mathematical theory.
Author: Dmitri Matenine Publisher: ISBN: Category : Languages : en Pages : 123
Book Description
La présente thèse s'inscrit dans le domaine de la physique médicale et, plus précisément, de l'imagerie médicale tridimensionnelle (3D) et de la dosimétrie 3D pour la radiothérapie. L'objectif global du travail était de concevoir et évaluer un nouvel algorithme de reconstruction itératif rapide pour la tomodensitométrie (TDM) à faisceau conique, une modalité consistant à créer des images 3D des densités du sujet imagé à partir de mesures d'atténuation partielle d'un faisceau de radiation incidente. Cet algorithme a été implanté sur matériel graphique (GPU), une plate-forme de calcul hautement parallèle, menant à la conception de stratégies d'optimisation originales. En premier lieu, un nouvel algorithme itératif statistique régularisé, dénommé OSC-TV, a été conçu et implanté sur GPU. Il a été évalué sur des ensembles de projections synthétiques et cliniques de TDM à rayons X à faisceau conique. L'algorithme proposé a démontré une qualité d'image supérieure à celle de méthodes semblables pour des acquisitions basse-dose, ainsi que des temps de reconstruction compatibles avec les activités cliniques. L'impact principal de ce travail est la capacité d'offrir au patient une réduction de dose de radiation ionisante de deux à quatre fois par rapport aux protocoles d'acquisition usuels. En second lieu, cet algorithme a été testé sur des données expérimentales en tomographie optique à faisceau conique, donnant lieu à l'une des premières études de ce genre. La résolution spatiale des images 3D résultantes a été améliorée et le bruit a été réduit. L'on a aussi démontré l'importance de considérer le spectre de la source lumineuse afin d'assurer la justesse de l'estimation des densités. Le principal impact de l'étude est la démonstration de la supériorité de la reconstruction itérative pour des données affectées par les aberrations propres à la tomographie optique à faisceau conique, résultant potentiellement en l'amélioration de la dosimétrie 3D par gel radiochromique en radiothérapie. En troisième lieu, différentes approches de gestion de la matrice-système de type exact à rayons fins ont été évaluées pour la TDM à faisceau conique. Le pré-calcul et le stockage complet de la matrice-système dans la mémoire vive du GPU s'est montré comme l'approche la plus rapide, mais la moins flexible en termes de géométries représentables, en raison de la taille limitée de la mémoire vive. Le traçage de rayons à la volée est apparu très flexible, offrant aussi des temps de reconstruction raisonnables. En somme, les trois études ont permis de mettre en place et d'évaluer la méthode de reconstruction proposée pour deux modalités de tomographie, ainsi que de comparer différentes façons de gérer la matrice-système.
Author: Pierre-André Zimmermann Publisher: ISBN: Category : Languages : en Pages : 28
Book Description
Objectif : Apport de reconstruction millimétrique de la TEP numérique pour détecter les métastases en transit de mélanome primitif des membres, par rapport à la reconstruction standard et la reconstruction EARL. Matériel et Méthodes : Quarante-six examens acquis sur Vereos TEP/CT ont été reconstruit en (i) reconstruction standard, (ii) en reconstruction utilisant des voxels de 1mm3, (iii) en reconstruction EARL. Une comparaison de ces reconstructions a été réalisée par une relecture à l'aveugle pour évaluer la présence de métastase en transit et la qualité d'image, ainsi que le rapport Tumeur/Bruit de fond (T/B) et le bruit de fond dans les organes de référence. Résultats : Sept des trente-deux examens classés négatif en EARL sont positif en reconstructions 1mm3PSF, et 5 des 6 examens indéterminé sont positifs (P=0.01). En utilisant les reconstructions 1mm3PSF, 20 examens sont classés positif pour des métastases en transit dont quatre faux positifs. Vingt-quatre sont classés négatif, aucun d'entre n'a présenté de métastase en transit au cours des 17 mois. Comparativement aux données de la reconstruction EARL, les rapports T/B sont augmentés d'un facteur 2.84 (P
Author: Marion Colevray Publisher: ISBN: Category : Languages : en Pages : 0
Book Description
Le but de cette étude était de développer un réseau neuronal convolutif (CNN) capable d'évaluer automatiquement le surcroît d'exposition sur l'axe Z liée à une longueur d'exploration inappropriée en scanner pulmonaire. 250 scanners thoraciques ont servi de données d'entrainement et 100 scanners de base de validation des résultats. Un marquage de la première et de la dernière coupe pulmonaire a été effectué sur chaque scanner par le CNN et 2 radiologues indépendants afin de définir trois zones (cervicale, pulmonaire et abdominale) pour ainsi évaluer la surexposition cervicale et abdominale. La précision du CNN a été calculée après la phase d'entrainement et la concordance CNN-radiologues a été obtenue par utilisation de statistiques kappa après la phase de validation. Une fois le logiciel validé, le CNN a été utilisé pour mesurer la longueur des trois aires anatomiques et la surexposition Z totale sur une cohorte rétrospective de 1000 patients. Une précision du CNN de 0.99 a été retrouvée pour l'ensemble des données d'entrainement et une bonne concordance CNN-radiologues a été obtenue (kappa=0.98) lors de la phase de validation. La surexposition globale atteignait 22.8% en utilisant le CNN et 22.2% avec les radiologues. La surexposition calculée par le CNN sur la cohorte de 1000 patients était de 22.6%. Notre étude montre une surestimation significative de la longueur d'exploration en scanner pulmonaire et de ce fait une surexposition aux rayons ionisants. Cette surexposition peut facilement être évaluée de manière fiable et rapide à l'aide de notre CNN.
Author: Lucas Graber
Author: Lucas Graber
Author: Théo Leuliet
Author: Jong Chul Ye
Author: Dmitri Matenine
Author: Khawla Brahim
Author: Pierre-André Zimmermann
Author: Marion Colevray