4.9 Compléments au second article
4.9.4 Installation du système au CIMS
Avant de passer à l’évaluation de l’impact sur la qualité des images de l’utilisation de SIDOP, une dernière validation du système par les professionnels fut exigée pour limiter les risques de bris de cet équipement d’une grande valeur monétaire et académique. Pour
y arriver, un ordinateur portable incorporant SIDOP fut ajouté à la salle de contrôle du scanner LabPETTM sur lequel les expériences ont été conduites. Un système automatique
a été mis en place pour télécharger les informations requises par SIDOP toutes les nuits et ensuite, démarrer l’analyse. Les professionnels peuvent donc consulter les résultats de cette analyse à tous les jours sans aucun délai. En plus de permettre de faire la vali- dation efficacement, l’objectif de cette installation est qu’elle favorisera l’utilisation de SIDOP à long terme. L’installation fut un succès et a permis d’identifier et de corriger les entraves mineures au déploiement du système vers d’autres laboratoires opérants des scanners LabPETTM.
Après plusieurs séances de validations, les professionnels étaient d’accord pour incorporer les suggestions de SIDOP dans la configuration du scanner. Il a donc été possible de passer à la dernière étape de méthodologie, soit de mesurer l’impact de l’utilisation de SIDOP sur la qualité des images produites par le scanner.
ÉVALUATION DES PERFORMANCES
5.1
Avant-propos
Auteurs et affiliation
J. Charest Étudiant au doctorat1
J.-F. Beaudoin Professionnel de recherche2
M. Bergeron Post-doctorante2
J. Cadorette Professionnel de recherche2
L. Arpin Professionnel de recherche1
R. Lecomte Professeur titulaire2
C.-A. Brunet Professeur agrégé1
R. Fontaine Professeur titulaire1
1Université de Sherbrooke, Faculté de génie, Département de génie électrique et de génie
informatique.
2Université de Sherbrooke, Faculté de médecine et des sciences de la santé, Département
de médecine nucléaire et radiobiologie.
Publication
Date d’acceptation : 29-08-2016
État de l’acceptation : version finale publiée
Revue : IEEE Transactions on Nuclear Science Référence :
Charest, J., Beaudoin, J.-F., Bergeron, M., Cadorette, J., Ar- pin, L., Lecomte, R., Brunet, C.-A. et Fontaine, R. (2016). Im- pacts of intelligent automated quality control on a small animal APD-based digital PET scanner. IEEE Transactions on Nu- clear Science, volume 63, numéro 5, p. 2550–2557 c⃝ 2016 IEEE Reprinted, with permission.
Titre français : Impacts du contrôle de qualité automatique intelligent sur un scanner TEP numérique pour petits animaux à base de photo- diodes à avalanche
Contribution à la thèse
Les deux premiers articles décrivent en détail la conception et la validation de SIDOP. La validation faite dans ces travaux était indispensable pour convaincre les professionnels responsables des scanners que SIDOP ne représentait pas un risque pour ceux-ci, mais pouvait plutôt faciliter leurs tâches de QC. Cependant, la question de recherche posée à la section 1.2 vise à déterminer si un système tel que SIDOP peut avoir un impact positif sur la qualité des images produites par le scanner TEP. Dans cette optique, l’article suivant expose une évaluation complète de l’impact de l’utilisation de SIDOP sur la qualité des images. Une foule de paramètres d’images y sont évalués au fil de plusieurs itérations de corrections proposées par SIDOP sans influence externe. Les résultats recueillis répondent à la question de recherche et complètent ainsi les travaux de recherche initialement pro- posés.
Une version préliminaire des résultats présentés dans cet article fut présentée à l’oral au 2015 IEEE Nuclear Science Symposium and Medical Imaging Conference et fut publiée dans un acte de conférence [21].
Résumé français
Un niveau de performance stable est nécessaire afin de garantir la précision et la fiabilité des résultats biologiques reposant sur des études d’imagerie de tomographie d’émission par positrons (TEP) pour petits animaux. Cette exigence simple mène à imposer des pro- cédures de routine de contrôle de qualité (QC) afin de maintenir les scanners TEP à un niveau de performance optimal fiable. Toutefois, ces procédures peuvent devenir lourdes à mettre en œuvre pour les opérateurs de scanners, en particulier en tenant compte du nombre croissant de canaux d’acquisition de données des scanners TEP de prochaine géné- ration. Dans les systèmes utilisant des détecteurs pixelisés pour obtenir une amélioration de la résolution spatiale et du rapport de contraste sur bruit (CNR), la charge de travail de QC atteint rapidement un niveau ingérable en raison du nombre de canaux indépendants impliqués. Un système de QC à base d’intelligence artificielle, appelé Scanner Intelligent Diagnosis for Optimal Performance (SIDOP), a été proposé pour aider à réduire la charge de travail de QC en effectuant la détection et le diagnostic automatique de défauts de ca- naux. SIDOP se compose de quatre modules de haut niveau qui emploient des méthodes d’apprentissage machine pour effectuer leurs tâches : Extraction de paramètres, Détection de canaux en fautes, Priorisation de fautes et Diagnostic de fautes. Ultimement, SIDOP soumet une liste de canaux défectueux priorisée à l’opérateur et propose des mesures pour
les corriger. Pour valider que SIDOP peut effectuer des procédures de QC de manière adé- quate, il a été déployé sur un scanner LabPETTM et plusieurs indicateurs de performance
ont été extraits. Après plusieurs corrections sur des paramètres de scanner sous-optimaux, une amélioration de 8,5 % (avec un intervalle de confiance (CI) à 95% de [7,6, 9,3]) du CNR, une diminution de 17,0 % (CI : [15,3, 18,7]) du pourcentage de l’écart-type de l’uni- formité, et un gain en sensibilité globale de 6,8 % ont été observés. Ces résultats confirment que SIDOP peut être d’une aide dans l’exécution des procédures de QC et peut permettre de rétablir les performances à des niveaux optimaux.
5.2
Abstract
Stable system performance is mandatory to warrant the accuracy and reliability of biologi- cal results relying on small animal positron emission tomography (PET) imaging studies. This simple requirement sets the ground for imposing routine quality control (QC) pro- cedures to keep PET scanners at a reliable optimal performance level. However, such procedures can become burdensome to implement for scanner operators, especially ta- king into account the increasing number of data acquisition channels in newer generation PET scanners. In systems using pixel detectors to achieve enhanced spatial resolution and contrast-to-noise ratio (CNR), the QC workload rapidly increases to unmanageable levels due to the number of independent channels involved. An artificial intelligence based QC system, referred to as Scanner Intelligent Diagnosis for Optimal Performance (SIDOP), was proposed to help reducing the QC workload by performing automatic channel fault detection and diagnosis. SIDOP consists of four high-level modules that employ machine learning methods to perform their tasks : Parameter Extraction, Channel Fault Detection, Fault Prioritization, and Fault Diagnosis. Ultimately, SIDOP submits a prioritized faulty channel list to the operator and proposes actions to correct them. To validate that SIDOP can perform QC procedures adequately, it was deployed on a LabPETTM scanner and
multiple performance metrics were extracted. After multiple corrections on sub-optimal scanner settings, a 8,5 % (with a 95% confidence interval (CI) of [7,6, 9,3]) improvement in the CNR, a 17,0 % (CI : [15,3, 18,7]) decrease of the uniformity percentage standard deviation, and a 6,8 % gain in global sensitivity were observed. These results confirm that SIDOP can indeed be of assistance in performing QC procedures and restore performance to optimal figures.
Keywords
Artificial intelligence (AI), positron emission tomography (PET), biomedical imaging, fault diagnosis, fuzzy logic, expert systems, machine learning.
5.3
Introduction
The importance of performing proper quality control (QC) procedures on positron emis- sion tomography (PET) scanners cannot be overemphasized. Over time, mishandling QC procedures can have a detrimental effect on quantitative parameters [65, 102] as well as on clinical evaluations [18, 35]. Furthermore, variations in image quality during longitudinal
studies could lead researchers and physicians to erroneous conclusions. Now, while highly pixelated PET scanners can enhance spatial resolution and contrast, routine QC proce- dures can be challenging on these scanners due to the increased number of acquisition channels to monitor. Scanner operators often have a limited time window for such proce- dures and the increasing number of acquisition channels of newer generation scanners [15] will further increase the required QC effort. On the other hand, pixelated detector systems with truly independent readout channels lend themselves well to automated QC proce- dures, since the inherent pixel interdependence of detection systems based on light/charge sharing decoding schemes can be avoided.
To help scanner operators perform the QC procedures, an artificial intelligence based QC system designed to perform channel fault detection and diagnosis on the LabPETTM scan-
ner [40] has been proposed [24, 25]. The LabPETTM scanner is an avalanche photodiode
(APD) based PET scanner encompassing 3072 independent acquisition channels (for the 8 cm axial length version) and quasi-individual scintillator readout. Minimal coding was implemented to increase axial spatial resolution by coupling each APD to 2 different crys- tal types in the axial direction and an « adaptive filter » [100] is used to identify where the annihilation photon interaction occurred. These peculiar features make this scanner a prime candidate for channel fault detection and diagnosis.
Scanner operators can use the intelligent QC system to automatically identify and correct faulty channels of the scanner, allowing them to focus on other tasks than channel-by- channel QC. Whereas artificial intelligence has sometimes been used for data processing in PET, such as for inter-crystal scatter triple coincidence recovery using neural networks [68], an intelligent QC system has never been applied to PET scanners. However, similar systems have been used in high energy physics experiments [5, 9], where they have shown great promise [30, 57].
This paper assesses the impacts on scanner performance of the proposed intelligent QC system and investigates the feasibility of an adequate QC with minimal human intervention on PET systems based on pixel detectors and independent data acquisition channels.