Optimisation de l'imagerie TEP myocardique dynamique par l'IA : réduction du temps d'acquisition et modélisation prédictive

Abstract

La tomographie par émission de positrons (TEP) myocardique dynamique est une modalité d'imagerie essentielle pour l'évaluation de la perfusion myocardique et le diagnostic des maladies cardiovasculaires. Cependant, son adoption clinique est limitée par des temps d'acquisition prolongés, augmentant l'inconfort des patients, les artéfacts de mouvement et la charge de travail hospitalière. Cette recherche explore des solutions basées sur l'apprentissage profond pour améliorer l'efficacité de l'imagerie sans compromettre la précision diagnostique. La première étude vise à réduire le temps d'acquisition en prédisant les images TEP myocardiques dynamiques à l'aide de l'apprentissage profond. Nous avons mis en œuvre une architecture U-Net pour prédire les images tardives à partir des images initiales, en l'améliorant avec des couches d'auto-attention et un apprentissage résiduel pour développer un modèle avancé Attention ResNet. L'évaluation de trois architectures, U-Net, U-Net avec auto-attention et Attention ResNet sur 350 patients ayant subi des examens TEP au 13N-ammoniac a montré que les modèles basés sur l'attention surpassent les approches conventionnelles en maintenant la fidélité des images tout en réduisant considérablement le temps d'acquisition. Sur cette base, la deuxième étude introduit un cadre basé sur les transformeurs pour l'imagerie TEP-TDM myocardique dynamique ultra-rapide. Les modèles CNN ont démontré leur faisabilité, mais leurs performances sont limitées dans la capture des dépendances spatiales et temporelles à long terme. Nous avons implémenté SwinUNETR, une architecture de transformeurs optimisée pour l'imagerie volumétrique, permettant de prédire les huit dernières minutes des images dynamiques en utilisant seulement les quatre premières minutes. L'extension de la méthodologie à l'imagerie 3D a amélioré l'analyse de la perfusion myocardique. Les évaluations cliniques ont confirmé la supériorité des modèles basés sur les transformeurs par rapport aux CNN, avec une forte concordance avec les évaluations d'experts. La troisième étude va au-delà de la réduction du temps d'acquisition en tentant de supprimer certaines phases de l’acquisition. L'imagerie de perfusion myocardique (IPM) conventionnelle avec TEP au 13N-ammoniac suit un protocole en deux phases (stress-repos), entraînant un temps d'examen prolongé et une exposition accrue aux radiations. Nous avons développé un cadre d'apprentissage profond ensembliste capable de prédire directement les scores de perfusion au repos (SRS) à partir des images obtenues en phase de stress, supprimant ainsi le besoin d'une imagerie de repos. En intégrant les architectures ResNet-50, ResNet-101, VGG19 et VGG11 bn, ainsi que le score de stress (SSS) comme caractéristique auxiliaire, notre modèle améliore la précision de l'estimation du SRS. La validation clinique a démontré sa capacité à rationaliser les protocoles d'imagerie tout en maintenant l'intégrité diagnostique. Ensemble, ces études illustrent le potentiel de l'apprentissage profond pour transformer l'imagerie TEP myocardique dynamique, en passant de la prédiction d'images avec des CNN à l'analyse volumétrique basée sur les transformeurs et à l'élimination des phases d'imagerie via l'apprentissage ensembliste. Cette recherche ouvre la voie à des solutions d'imagerie cardiaque plus efficaces, confortables pour les patients et précises sur le plan diagnostique. Dynamic myocardial Positron Emission Tomography (PET) is a crucial imaging modality for assessing myocardial perfusion and diagnosing cardiovascular diseases. However, its clinical adoption is hindered by prolonged acquisition times, increasing patient discomfort, motion artifacts, and hospital workload. This research explores deep learning-based solutions to enhance imaging efficiency without compromising diagnostic accuracy. The first study focuses on reducing scan time in dynamic myocardial PET imaging using deep learning-based frame prediction. We implemented a U-Net architecture to predict later PET frames using initial frames, refining it with self-attention layers and residual learning to develop an advanced Attention ResNet model. Evaluating three architectures, U-Net, U-Net with self-attention, and Attention ResNet on 350 patients' 13N-ammonia PET scans, we found that attention-based models outperformed conventional approaches in maintaining image fidelity while significantly reducing acquisition time. Building on this, the second study introduces a transformer-based framework for ultra-fast dynamic myocardial PET-CT imaging. CNN-based models showed feasibility but struggled with long-range spatial and temporal dependencies. We implemented SwinUNETR, a transformer architecture optimized for volumetric imaging, predicting the final eight minutes of dynamic PET frames using only the initial four minutes. Extending the methodology to 3D imaging improved myocardial perfusion analysis. Clinical evaluations confirmed transformer models’ superiority over CNNs, demonstrating strong agreement with expert assessments. The third study addresses imaging efficiency beyond time reduction by attempting to eliminate certain phases of imaging acquisition. Conventional myocardial perfusion imaging with 13N-ammonia PET follows a two-phase stress-rest protocol, increasing scan time and radiation exposure. We developed an ensemble deep learning framework to predict Summed Rest Scores (SRS) directly from stress-phase PET images, removing the need for rest-phase imaging. Using ResNet-50, ResNet-101, VGG19, and VGG11_bn architectures, the model integrates Summed Stress Scores (SSS) as an auxiliary feature to refine SRS. Clinical validation demonstrated its ability to streamline imaging workflows while preserving diagnostic integrity. Together, these studies illustrate the potential of deep learning to transform dynamic myocardial PET imaging, advancing from CNN-based frame prediction to transformer-based volumetric analysis and phase elimination through ensemble learning. This research paves the way for more efficient, patient-friendly, and diagnostically robust cardiac imaging solutions.