Étude sur la décomposition multi-matériaux basée sur l’échantillonnage postérieur par diffusion spectrale

Introduction contextuelle

Dans le domaine de l’imagerie médicale, la technologie CT (tomodensitométrie) est largement utilisée pour le diagnostic des maladies et la planification des traitements. Récemment, la tomodensitométrie spectrale (spectral CT), qui fournit des informations d’atténuation dépendantes de l’énergie, est devenue un sujet de recherche important. Le spectral CT reconstruit les distributions de densité de différents matériaux à partir de données de projection multi-énergétiques, un processus appelé décomposition matérielle (material decomposition). Cependant, la décomposition matérielle est un problème inverse fortement non linéaire, et les méthodes traditionnelles telles que la décomposition analytique (analytical decomposition) et la décomposition basée sur des modèles itératifs (iterative/model-based decomposition) présentent plusieurs limitations, comme une faible efficacité de calcul, un bruit élevé et une forte dépendance au modèle. De plus, bien que les méthodes de décomposition basées sur l’apprentissage profond aient montré une amélioration significative en termes de précision et de vitesse, elles manquent souvent d’une utilisation explicite du modèle physique, entraînant un manque de robustesse.

Pour résoudre ces problèmes, une équipe de recherche de l’Université Johns Hopkins et de l’Université de Pennsylvanie a proposé un nouveau cadre : l’échantillonnage postérieur par diffusion spectrale (spectral diffusion posterior sampling, spectral DPS). Cette méthode combine les informations a priori basées sur l’apprentissage et les modèles physiques, visant à réaliser une décomposition multi-matériaux rapide, précise et stable. L’étude a été publiée en 2023 dans la revue IEEE Transactions on Biomedical Engineering.

Équipe de recherche et informations de publication

Cette recherche a été réalisée conjointement par Xiao Jiang, Grace J. Gang et J. Webster Stayman. Xiao Jiang et J. Webster Stayman sont issus du département de génie biomédical de l’Université Johns Hopkins, tandis que Grace J. Gang provient du département de radiologie de l’Université de Pennsylvanie. L’étude a bénéficié d’un financement partiel des National Institutes of Health (NIH), et l’article a été publié officiellement en 2023.

Processus de recherche et détails

1. Objectifs et méthodes de recherche

L’objectif principal de cette étude était de développer un cadre capable de combiner les modèles physiques et les informations a priori basées sur l’apprentissage pour améliorer la précision et la robustesse de la décomposition matérielle dans le spectral CT. Pour ce faire, l’équipe de recherche a proposé la méthode échantillonnage postérieur par diffusion spectrale (spectral DPS), qui repose sur le cadre de l’échantillonnage postérieur par diffusion (diffusion posterior sampling, DPS), combinant un entraînement inconditionnel et un modèle système physique.

2. Construction du cadre spectral DPS

L’idée centrale derrière le spectral DPS est d’entraîner de manière inconditionnelle un modèle génératif basé sur des scores (score-based generative model, SGM) afin de capturer la distribution du domaine cible. Ensuite, les paramètres de l’image sont estimés via un processus inverse, alternant entre un échantillonnage inverse SGM et des mises à jour basées sur le modèle, garantissant ainsi que l’image générée respecte à la fois la distribution cible et les données mesurées.

Plus précisément, le cadre spectral DPS inclut les étapes clés suivantes :

1. Entraînement inconditionnel : Tout d’abord, un ensemble de données à deux matériaux (eau et calcium) est généré à partir d’un jeu de données CT public. Ensuite, un réseau UNet résiduel est entraîné de manière inconditionnelle pour apprendre la distribution a priori des matériaux.
2. Échantillonnage inverse : Pendant le processus inverse, les chercheurs ont réduit les coûts de calcul et la variabilité de l’échantillonnage grâce à des stratégies comme l’échantillonnage par saut (jumpstart sampling), le calcul simplifié du Jacobien (simplified Jacobian computation) et l’optimisation multi-pas (multi-step optimization).
3. Intégration du modèle physique : Le spectral DPS combine le modèle physique du spectral CT avec l’échantillonnage postérieur par diffusion, réalisant la décomposition matérielle en maximisant la probabilité a posteriori.

3. Conception expérimentale et évaluation

L’équipe de recherche a évalué le spectral DPS sur des systèmes simulés de CT double couche et de kV-switching CT, ainsi que sur une plateforme de test de CT à faisceau conique (CBCT) physique. Les étapes expérimentales spécifiques sont les suivantes :

1. Expériences simulées : En simulant la génération de 720 projections, l’équipe de recherche a comparé les performances du spectral DPS avec plusieurs autres algorithmes de décomposition matérielle, y compris la décomposition dans le domaine image (image-domain decomposition, IDD), la décomposition basée sur des modèles (model-based material decomposition, MBMD), InceptNet et le modèle probabiliste de débruitage conditionnel (conditional DDPM).
2. Expériences physiques : Sur un système CBCT physique, un modèle thoracique biomimétique a été scanné et décomposé. La performance du spectral DPS sur des données réelles a été évaluée en comparaison avec les images reconstruites par FB mono-énergie.
3. Optimisation des paramètres : L’équipe de recherche a déterminé la meilleure combinaison de paramètres hyperparamétriques du spectral DPS par balayage de paramètres, notamment le nombre de pas temporels de saut, le nombre de sous-ensembles et la taille des pas, afin de minimiser la variabilité de l’échantillonnage.

4. Résultats principaux

1. Résultats des expériences simulées : Le spectral DPS a montré d’excellentes performances sur les systèmes CT double couche et kV-switching CT, réduisant significativement la variabilité de l’échantillonnage et les coûts de calcul. Par rapport au DPS de base, le spectral DPS a montré une amélioration significative en termes de précision d’imagerie et de robustesse, en particulier dans le traitement des structures à faible contraste.
2. Résultats des expériences physiques : Dans les expériences CBCT physiques, le spectral DPS a réussi à préserver les détails des bronches pulmonaires et des os, avec une erreur inférieure à 1 % dans l’estimation de la densité des régions homogènes. De plus, le spectral DPS a excellé dans l’évitement des artefacts, réduisant la variabilité de l’échantillonnage de 65,34 % par rapport au DPS de base.
3. Résultats de l’optimisation des paramètres : Grâce à l’optimisation des paramètres, le spectral DPS a non seulement minimisé la variabilité de l’échantillonnage, mais a également amélioré significativement le PSNR (rapport signal/bruit de crête) et le SSIM (indice de similarité structurelle), indiquant que l’optimisation des paramètres a réduit la variabilité tout en améliorant la qualité de l’image.

Conclusion et signification

Le cadre d’échantillonnage postérieur par diffusion spectrale (spectral DPS) proposé dans cette étude combine avec succès les modèles physiques et les informations a priori basées sur l’apprentissage profond, réalisant une décomposition multi-matériaux rapide, précise et stable dans le spectral CT. Comparé aux méthodes traditionnelles de décomposition, le spectral DPS montre une amélioration significative en termes de précision d’imagerie, de robustesse et d’efficacité de calcul. De plus, la caractéristique d’entraînement inconditionnel du spectral DPS lui permet de s’adapter à différents systèmes de spectral CT sans nécessiter de re-entraînement spécifique, offrant un large potentiel d’application.

Points forts de la recherche

1. Cadre innovant : Le spectral DPS applique pour la première fois l’échantillonnage postérieur par diffusion à la décomposition matérielle dans le spectral CT, combinant les modèles physiques et les informations a priori basées sur l’apprentissage, résolvant ainsi les limites des méthodes traditionnelles.
2. Efficacité et robustesse : Grâce à des stratégies comme l’échantillonnage par saut, le calcul simplifié du Jacobien et l’optimisation multi-pas, le spectral DPS réduit considérablement la variabilité de l’échantillonnage et améliore l’efficacité de calcul.
3. Large applicabilité : La capacité d’entraînement inconditionnel du spectral DPS lui permet de s’adapter à différents systèmes de spectral CT, sans nécessiter de re-entraînement spécifique pour chaque système, offrant un potentiel d’application étendu.

Autres informations de valeur

L’équipe de recherche a également exploré le potentiel d’application du spectral DPS dans la décomposition multi-matériaux et l’imagerie CT à faible dose, et prévoit d’optimiser davantage l’architecture du réseau et les paramètres dans des recherches futures pour améliorer encore ses performances. De plus, l’application réussie du spectral DPS ouvre de nouvelles perspectives pour la résolution de problèmes inverses dans d’autres domaines de l’imagerie médicale.