Implémentation d’un algorithme de reconstruction itératif pour la tomodensitométrie spectrale par comptage de photons

Abstract

Les quantités physiques des tissus imagés par tomodensitométrie (CT) peuvent être calculées à l'aide d'algorithmes de caractérisation de tissus. Le développement de nouvelles technologies d'imagerie par tomodensitométrie spectrale a stimulé le domaine de nouvelles méthodes de caractérisation de tissus, et de multiples algorithmes existent aujourd'hui à cette fin. Afin de faciliter la comparaison de ces méthodes de caractérisation de tissus, un étudiant du laboratoire de tomodensitométrie spectrale Lambda-lab a récemment développé la librairie Python lambda-lab, une librairie de calcul permettant d'établir un environnement de simulation robuste et fidèle à la réalité pour la tomodensitométrie spectrale. Or, cette librairie de calcul n'inclut qu'un seul type de méthodes de caractérisation de tissus, soit les méthodes de type post-reconstruction. La comparaison de ces méthodes avec des méthodes de type pré-reconstruction est donc impossible actuellement dans la librairie. Afin de résoudre ce problème, ce projet a pour but d'implémenter l'algorithme SIRAS (Algorithme de Reconstruction Statistique pour le CT à comptage de photons), une méthode de caractérisation de tissus pré-reconstruction développée au Lambda-Lab, qui a été conçue pour apporter les bénéfices des méthodes pré-reconstructions aux données bruitées des CT à comptage de photons (SPCCT). Chaque partie de l'algorithme nouvellement implémenté est validée dans un environnement réaliste pour SPCCT à l'aide de méthodes rigoureuses. L'algorithme est implémenté sous la forme d'un paquet Python et intégré à la librairie lambda-lab. Une optimisation de sa performance en termes de temps de calcul est également réalisée, et un gain en rapidité de 3 à 20 fois est obtenu dépendamment de la fonction optimisée. Finalement, une étude comparative est réalisée afin d'observer l'impact des paramètres de régularisation sur la performance de l'algorithme en termes de précision et d'exactitude des paramètres physiques reconstruits. Des résultats similaires à ceux obtenus dans l'implémentation originale de l'algorithme sont obtenus dans l'étude réalisée. Les résultats de cette dernière, combinées aux résultats des différentes validations réalisées, attestent de la qualité excellente de l'implémentation réalisée. La nouvelle implémentation réalisée dans ce travail sera éventuellement testée sur les images réelles produites par le micro-SPCCT de la compagnie MARS Bioimaging, disponible au laboratoire Lambda-lab. Physical quantities of tissues imaged by computed tomography (CT) can be calculated using tissue characterization algorithms. The development of new spectral CT imaging technologies has spurred the field of new tissue characterization methods, and multiple algorithms exist today for this purpose. To facilitate the comparison of these tissue characterization methods, a student from the spectral CT laboratory Lambda-lab recently developed the Python library lambda-lab, a computational library that establishes a robust and realistic simulation environment for spectral CT. However, this computational library includes only one type of tissue characterization methods, namely post-reconstruction methods. Thus, comparing these methods with pre-reconstruction methods is currently impossible in the library. To solve this problem, this project aims to implement the SIRAS algorithm (Statistical Image Reconstruction Algorithm for Photon-Counting CT), a pre-reconstruction tissue characterization method developed at Lambda-lab, which was designed to bring the benefits of pre-reconstruction methods to the noisy data of photon-counting CT (SPCCT). Each part of the newly implemented algorithm is validated in a realistic environment for SPCCT using rigorous methods. The algorithm is implemented as a Python package and integrated into the lambda-lab library. Performance optimization in terms of computation time is also carried out, and a speed increase of 3 to 20 times is achieved depending on the optimized function. Finally, a comparative study is conducted to observe the impact of regularization parameters on the algorithm's performance in terms of the accuracy and precision of the reconstructed physical parameters. Similar results to those obtained in the original implementation of the algorithm are achieved in the study. The results of this study, combined with the results of the various validations performed, attest to the excellent quality of the implementation. The new implementation developed in this work will eventually be tested on real images produced by the MARS Bioimaging micro-SPCCT available at the Lambda-lab.