ECOLE CENTRALE DE MARSEILLE TOMOGRAPHIE MEDICALE
Denis Mariano-Goulart
Faculté de médecine & CHRU de Montpellier
http:\\scinti.etud.univ-montp1.fr
FONCTIONNELLE
Imagerie médicale
ANATOMIQUE METABOLIQUE
IMAGERIE TRACEURS RADIOACTIFS SCINTIGRAPHIE DIAGNOSTIC THERAPIE RIA DOSIMETRIE
ECHO
TDM
IRM SPECT = TEMP gamma CT
PET
IRM
fSPECT
I
0X X
Scanner X = Computed Tomography
dx
I
I-dI
E X
n/cm interactio
d' é probabilit dx
I
dI
µ = -
I
0X X
Scanner X = Computed Tomography
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
-
hf -
X
= E
Z ρ dx
I-dI
ρ , Z E X
-
-
E
XZ ρ
X
X
E
E
'<
3 X
3
PE E
. Z µ ∝ ρ
ρ
C ∝ µ
Atténuation photo-électrique
Atténuation Compton
keV 50 E
si
surtout
X>
g cm / ρ) log(µ 2
keV 50 E
keV 10 si
surtout <
X<
C PE
1
cm
-dx I dI - µ =
I
I
0=100
X X
I = 60
Scanner X = Computed Tomography
ρ
∝
= dx I dI µ -
e x
I I
I dx
dI .
. 0 µ
µ ⇒ = −
−
=
dx
I
I-dI
ρ , Z
E X
I
0=100
X X
I = 60
Scanner X = Computed Tomography
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
e x
I I
I dx
dI .
. 0 µ
µ ⇒ = −
−
=
∑ =
=
∑ ⇒
= −
I I p d
e I
I 0 d
ii 1 ln 0
µ µ
mesure
?
d
2 n
1 µ ... µ
µ
p = + + +
ρ
∝
= dx I dI µ -
p
I
0=100
X X
I = 60
Scanner X = Computed Tomography
90 90
e x
I I
I dx
dI .
. 0 µ
µ ⇒ = −
−
=
∑ =
=
∑ ⇒
= −
I I p d
e I
I 0 d
ii 1 ln 0
µ µ
mesures
?
d
2 n
1 µ ... µ
µ
p = + + +
' n '
2 '
1 µ ... µ
µ
p' = + + +
…
ρ
∝
= dx
I
dI
µ -
I
0=100
X X
Scanner X = Computed Tomography
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
d
°
=
= ∑ r µ , i 0 - 360
p j
j
j i, i
i projection la
à j pixel du
on
contributi
r i, j =
γγγγ p
γγγγ
a
i2D
Single Photon Emission CT
γγγγ γγγγ
9943
Tc
vecteur
marqueur
°
=
= ∑ r a , i 0 - 360
p j
j
j
i,
i
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
γγγγ γγγγ
γγγγ γγγγ
a
i3D
Tomographie par Emission de Positons
p
γγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O j
j
j i,
i r a
p = ∑
I
0X X
p
p
p
γγγγ γγγγ
γγγγ γγγγ γγγγ γγγγ
µ
ia
ia
i2D 2D 3D
Tomographie: problème inverse linéaire
j j
j i,
i r a
p = ∑
CT SPECT PET
φ
s
p(s, φ ,z, θ ) : plans
p(s, φ ) : lignes
Codage en tomographie 2D et 3D
p
p
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
x1
x2
Modélisation analytique
( ) ( ω ω ) φ
φ
d x . ,
p x
p) (R
π
0
∫ =
⊥
∗ r = r r r
s
1ω r ⊥ x r
s
3s
2( ) ( )
Rf p
=
+
=
= ∫
⊥p
dt ) t f(s
s p s
,
t
ω ω
ω r
ωrr
x1 x2
s t
f
cos sin
- ω
φ
φ r
=
φ
x
2
.
r
⊥r
= ω s
Natterer F. The mathematics of computerized tomography. New York: Wiley; 1986.
transformée de Radon
rétroprojection = épandage
x r
Modélisation algébrique
f
1f
4f
3f
2p
1= r
1,1f
1+ r
1,2f
2p
2= r
2,3f
3+ r
2,4f
4p
3= r
3,1f
1+ r
3,3f
3p
4= r
4,2f
2+ r
4,4f
4
=
4 3 2 1
4 3 2 1
4,4 4,3 4,2 4,1
3,4 3,3 3,2 3,1
2,4 2,3 2,2 2,1
1,4 1,3 1,2 1,1
p p p p
f f f f . r
r r r
r r r r
r r r r
r r r r
p f
R. r r
=
ri,j = % du pixel j intersecté par la projection i
b
1= r
1.1p
1+ r
3,1p
3p
1p
2p
4b
2= r
1.2p
1+ r
4,2p
4b
3= r
2.3p
2+ r
3,3p
3b
4= r
2,4p
2+ r
4,4p
4p
3
=
4 3 2 1
4 3 2 1
4,4 3,4 2,4 1,4
4,3 3,3 2,3 1,3
4,2 3,2 2,2 1,2
4,1 3,1 2,1 1,1
b b b b
p p p p . r
r r r
r r r r
r r r r
r r r r
b p
R.
t
r r
=
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Projection / Rétroprojection
p f
R. r r
= t R. p b
r r
=
f
p
b
p
Théorème de la projection
s t
f
( ) s f(s t ) dt
p
t
∫ +
= ω ⊥ ω
ω
r
r
( ) = ∫ ( ) −
s
i.s. ds .e
s p σ
pˆ ω r ω r σ
( ) σ f(s t ) e dt ds
pˆ
s
i.s.σ t
∫ ∫ ⊥ + −
= ω ω
ω
r
r
( ) σ = ∫∫ f( x ) e −
⊥d x
pˆ r i.σ x r . r r
r ω
ω
( ) ( = φ φ ) = ( ) ω ⊥
ω
r
r σ fˆ σ.cos , σ.sin fˆ σ.
pˆ
cos sin
- ω
φ
φ r
=
φ
x r
Johann Radon, ¨ Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten, Ber. Verh. Sach. Akad. 69 (1917), 262–77.
x2
x1
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
J. Radon
i j
s t
f
ω r ⊥
( ) = ( ) ω ⊥
ω
r
r σ fˆ σ.
pˆ
ξ
1ξ
2σ t
ω r ⊥
( ) s
p ω r s pˆ ω r ( ) σ
σ T F
T F
R
||fˆ
Interprétation (I)
Interprétation (II)
?
( ) s
p ω r pˆ ω r ( ) σ
T F
T F R
||f
( ) = ( ) ω ⊥
ω
r
r σ fˆ σ.
pˆ
fˆ
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
ω r
⊥σ.
Interprétation (II)
( ) = ( ) ω ⊥
ω
r
r σ fˆ σ.
pˆ
( ) s
p ω r pˆ ω r ( ) σ
T F
T F R
||f fˆ
ω r
⊥σ.
Rétroprojection filtrée (I)
( ) x = ∫∫ f ( ) ξ e d ξ
f i x . ξ
r ) r
r r r
( ) ∫ ∫ ( )
=
+∞
=
−∞
=
⊥
⊥= π
0 σ σ
. σ
i σ dσ d
σ e fˆ x
f
φ
ω φ
ω r r x r r
( ) ∫ ∫ ( )
=
+∞
=
−∞
=
=
⊥π
0 σ σ
σ .
i dσ d
σ e pˆ
x f
φ
ω r σ ω r x r φ r
[ pˆ r . abs ] ( ) r . x r
TF s − 1 ω ω ⊥
||
( ) x (R p ) ( ) x
f r ∗ f r
=
ω f r
p
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
J. Radon
ξ
1ξ
2σ φ
ξ 1
ξ 2
φ
d σ φ . σ d φ d σ
Rétroprojection filtrée (II)
ω r
p
ω r
pˆ abs
x
[ ] f
1
s pˆ . abs p
TF − ω r = ω r s
1s
2s
3Projections sur 180°
x
2
.
r
⊥r
= ω s
( ) x (R p ) ( ) x
f r ∗ f r
=
r) 2
(kπ 1
- ∆ k impair
0 k ≠ 0 pair r) 2
4(
∆ 1 k = 0
RL(k. ∆ r) = 2
f e r 2.∆
m 1
f = =
f m
( ) ( ) ( )
2 2
m m
m
2π x
x 2π f
cos 1
πx
x 2π f
sin x f
RL = − −
Rétroprojection filtrée (III)
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
=
∆ 0
2,5 - 1 2,5 1
- 1 0 : filtre le obtient on
2, r 1 pour Exemple
[ ]
RL p
p
abs . pˆ TF
p
f
1 s f
∗
=
= −
ω ω
ω ω
r r
r
r
0 0
0 0
0
0
0
0 0
45
15
45 90
15
60 5 5
5 5
20
5
5
20
20
15 60 15
10 10
10 10
25
25
25
25
40
−
= 3
1 1 3 - 1 Filtre
Rétroprojection filtrée (IV)
45
45
90
Rétroprojection filtrée (V)
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
p
R ∗ R TF s 1 [ pˆ . abs ]
−
∗
Algebraic Reconstruction Technique (I)
∆
1: p
1= r
1,1f
1+ r
1,2f
2∆
2: p
2= r
2,1f
1+ r
2,2f
2f
1f
2r1,2 r1,1 r2,1
r2,2
f
1f
2∆
1∆
2
1,2 1,1
1
r
ω r r
1
f
n +r
n 2
n 1 n
f f f d r
r
Kaczmarz S. Angenährte Auflösung von Systemen linearer Gleichungen. Bull Int Acad Pol Sci Lett A 1937;35:355-7.
S. Kaczmarz 1895-1940
On construit une suite de coupes en projetant chaque itéré sur l’un puis l’autre hyperplan.
f
nr
Algebraic Reconstruction Technique (II)
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
∆
1: p
1= r
1,1f
1+ r
1,2f
2∆
2: p
2= r
2,1f
1+ r
2,2f
2f
1f
2r1,2 r1,1 r2,1
r2,2
1 n 1
1 n
ω d ω
f
f r
r r
r
+= +
2 1 1
1n n 1
1
n
ω
ω p f p
f r
r r
r
+= + −
) p p
( f
f
n + 1=
n+ R
* 1−
1nr r
f
1f
2∆
1∆
2
1,2 1 1,1
r ω r r
1
f
n +r
2n 1n
n
f
f f d r
r
1
1 n
1
ω
ω . f
p
d r
r r
= −
n
p
1Kaczmarz S. Angenährte Auflösung von Systemen linearer Gleichungen. Bull Int Acad Pol Sci Lett A 1937;35:355-7.
S. Kaczmarz 1895-1940
0 0
0 0
0
0
0
0 0
45
45 - 0
45 90
45 - 0 = 15 + 15 + 15
90 - 0 = 30 + 30 + 30 15 15
15 15
30
15
15
30
30
45 90 45
-15 30 -15
60 60 60
-
10 10
10 10
25
25
25
25 40
) p p
( f
f n +1 = n + R * 1 − 1n r
r
Algebraic Reconstruction Technique (III)
) f ( ).
f / p ( )
p ( )/
f ( ).
f / p ( )
p / f (
r r r
r r r r
r r
Ρ Ρ
= Ρ
Ρ Ρ
= Ρ
Bayes :
[ log ( p / f ) log ( f ) ]
min arg
f
~
f
r r r
r
r − Ρ − Ρ
=
Adéquation aux données
! p
~ p log e
i p i
~p
i
i i
∏
−∑ ∑
∑
==
=
+ =
Pl
N
s
n s s l
l i
P l
l
i
l
r f
r p
r
11 , ,
1 '
,'
. 1 n f i 1 n f i
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Dempster A et al. Maximum likelihood from incomplete data via the EM algorithm. J R Stat Soc 1977;39:1-38. Hudson H et al. .Accelerated image reconstruction using ordered subsets of projection data. IEEE Trans Med Imaging 1994;13:601-9.
MLEM et OSEM
∗
p
R p
nl
l
f
1f
2∆
1∆
2∆’
2OSEM
p . R r
d r 0 r 0 * r
=
=
j
* j
j 2 j
d .R.
R d
ω r r r
r
=
j j
j 1
j f ω . d
f
r r
r + = +
j
* j
j 1
j r ω .R .R. d
r
r r
r + = −
j j 2
1 2 j 1
j 1
j . d
r r r
d
r r
r
r r +
+
+ = +
2 C
f
p - f min R
f arg r r
= ∈
Initialisation :
Gradient Conjugué
Gilbert P Iterative methods for the three-dimensional reconstruction of an object from projections. J. Theor. Biol. 1972; 36:105-17
Exemples
MLEM Gradient Conjugué
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
6 200 6 16
G. Hounsfield 1919-2004
J. Radon 1887-1956
S. Kaczmarz 1895-1940
( ) σ fˆ ( ) σ. θ
pˆ θ
r
r =
$
Approche intuitive (I)
f
1f
2: p
1= r
1,1f
1+ r
1,2f
2: p
2= r
2,1f
1+ r
2,2f
2f
1f
2∆
1∆
1∆
2∆
2INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
64² = 4 096 128² = 16 384 256² = 65 536 512² = 262 144
f
1f
2∆
1∆
2f
1f
2: p
1= r
1,1f
1+ r
1,2f
2: p
2= r
2,1f
1+ r
2,2f
2∆
1∆
2Approche intuitive (II)
Exemple
=
=
31 33 23 32
1 1 1 1
10 9
5
7
9 10
6
8
5 6
5
7
7 8
7
10
1 1 1 1 R.
=
−
30,9 33,1 22,9 32,1
1 , 1
5 , 4 12,6 -
9,2 10
9 5
7 6 10 9 8 5 6 5 7 7 8 7 10
=
−
31,1 32,9 23,1 31,9
1 , 3
5 , 2 14,6
7,2 - 10 9 5
7 6 10 9 8 5 6 5 7 7 8 7 10
{ } ( ) 3029
01 . 0
29 , R 30
30,29
3,86;
0,84;
0,01;
Sp(R) ≈ ⇒ κ ≈ ≈
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Matrice de Wilson
1 Det =
( )
R R de propres valeurs
où
R
. R κ R
t min
1 max
=
=
= −
µ
µ µ
La matrice de Wilson est très mal conditionnée ( κ >>1)
En continu : , R bijectif d’inverse continue (conditions d’Hadamard).
En discret, les choses sont moins simples :
R surjectif ?
R injectif ? : choix parmi les solutions possibles
R -1 continue mais ||R
-1|| grande :
2 C
f t
t
R.R f A f R. p q f arg min p R f
r r r
r r
r = = = ⇐ = −
∈
( ) R R R 1
κ
min 1 max
-
= >>
= µ
µ
( )
( )
+
≤ −
R δR p
δ p
R R δR 1 κ
R κ f
δ f
r r r
r
Problème d’Hadamard bien posé ?
( ) = ( ) ω ⊥
ω
r
r σ fˆ σ.
pˆ
Gradient conjugué , Approximation de Galerkin
dont le spectre CV vers celui de R: estimation de κ (R) qui borne l’erreur sur la solution et le spectre
Estimation de κ (R)
+
−
− +
−
−
−
−
−
−
−
−
1 j
1 j j
1 j
1 j
1 j
1 j 0
0 1
0 0
0 0 0
ω β ω 1 ω
0 β 0
ω 0 β
ω 0 β ω 1 ω
β
0 ω 0
β ω
1
O O
O
j
* j
j 2 j
d .R.
R d
ω r r r
r
=
2j 1 2 j j
r β r r r
+=
www.inma.ucl.ac.be/~vdooren/Krylov.pdf Analyse numérique matricielle appliquée à l’art de l’ingénieur. P. Lascaux & R. Théodor (II), p. 516, 1987. MASSON D. Mariano-Goulart, P. Maréchal, S. Gratton, et al. Comput. Med. Imaging & Graphics 2007; 31 : 502-509 INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Exemple : régularisation de Tikhonov (cf. pseudo-inverse de Moore-Penrose)
2 C
f
f R min p
f arg
r r
−
= ∈
− +
= arg ∈ min p R f α.ρ( f )
f 2
C f
r r r
Remplacer : par
Adéquation aux données Surjectivité du problème inverse
Régularisation injectivité
Régularisation de Tikhonov
( R R αI ) f R p
f α.
f R min p
f arg 2 2 t t
f
= +
⇔
− +
= r r r
r
r
( R R αI ) R p
f r = t + -1 t
) f ( ).
f / p ( )
p ( )/
f ( ).
f / p ( )
p / f (
r r r
r r r r
r r
Ρ Ρ
= Ρ
Ρ Ρ
= Ρ
Bayes :
[ log ( p / f ) log ( f ) ]
min arg
f
~
f
r r r
r
r − Ρ − Ρ
=
Adéquation aux données régularisation
Régularisation MAP-EM-OSL
! p
~ p log e
i p i
~p
i
i i
∏
−Ρ( f ) = K 1 e − β. ∑
i,jw
i,j.V ( f
i- f
j) r
Gibbs :
∑
∑
∑ + β ∂ + =
=
=
=
P 1
l N
1 s
n s s , l
l i
, P l
1 '
l l,'i
r f
r p . U . r
. 1 n f i 1 n f i
∑ −
∂
= ∂
∂ f ∈V(f ) i,k. i k
i k
) f f r ( w V U
Green PJ. Bayesian reconstructions from emission tomography data using a modified EM algorithm. IEEE Trans Med Imaging 1990;9:84-93
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Régularisation de Fourier FRECT
f c
( 1 B ) . fˆ
fˆ B.
fˆ = + −
pˆ B.
TF p'
pˆ B.
fˆ B.
' fˆ '
pˆ = = = ⇒ = s -1
à régulariser
Adéquation à p’ = R.f ’
( ) ( ) ( )
( )
2 2 2
1 s
0 p
* b - f U B - 1
R fˆ
. B 1
Rf pˆ
B.
TF f
E
=
− +
−
=
−r r
D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 07 & Lect Notes Comput Sci. 04
GC 16 MLEM 6 MLEM 200 GC 6
FRECT 34 (CV)
Comparaison MLEM-GC-FRECT
( ) f TF
s 1( ) B. pˆ Rf
2( 1 B ) . fˆ
2E =
−− + −
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
D Mariano-Goulart, P Maréchal, S Gratton, L Giraud, M Fourcade. Comput Med Imaging Graph 07 & Lect Notes Comput Sci. 04
Tomographie en coïncidence 3D
a
iγγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
Projections 3D Projections 3D Projections 3D
Projections 3D redondantes redondantes redondantes redondantes et et et et incomplètes incomplètes incomplètes incomplètes
• Recherche de f(x,y,z) connaissant p(s, φ ,z, θ )
• Certaines projections obliques ne sont pas enregistrées si θ ≠ 0
Exemple de la TEP
Tomographie en coïncidence 3D
a
iγγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Projections 3D Projections 3D Projections 3D
Projections 3D redondantes redondantes redondantes redondantes et et et et incomplètes incomplètes incomplètes incomplètes
• Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D
• Utilisation d’un collimateur
• statistique de comptage, S/B
Tomographie en coïncidence 3D
a
iγγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
Projections 3D Projections 3D Projections 3D
Projections 3D redondantes redondantes redondantes redondantes et et et et incomplètes incomplètes incomplètes incomplètes
• Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D
• Utilisation d’un collimateur
• γ détectés N, S/B=N/√N= √N
• Réarrangement 2D de données 3D Réarrangement 2D de données 3D Réarrangement 2D de données 3D Réarrangement 2D de données 3D
• Algorithmes de «rebinning »
• S/B mais approximation
Tomographie en coïncidence 3D
a
iγγγγ γγγγ
γγγγ γγγγ
18 9
F
188
O
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Projections 3D Projections 3D Projections 3D
Projections 3D redondantes redondantes redondantes redondantes et et et et incomplètes incomplètes incomplètes incomplètes
• Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D Reconstruction 2D de données 2D
• Utilisation d’un collimateur
• γ détectés N, S/B=N/√N= √N
• Réarrangement 2D de données 3D Réarrangement 2D de données 3D Réarrangement 2D de données 3D Réarrangement 2D de données 3D
• Algorithmes de «rebinning »
• S/B mais approximation
• Reconstruction 3D de données 3D Reconstruction 3D de données 3D Reconstruction 3D de données 3D Reconstruction 3D de données 3D
• Algorithmes algébriques 3D
• RPF 3D si projections complètes
• S/B mais temps de calcul
Un théorème de Radon 3D…
ω r ⊥ ω r
( ) ( ) ξ = ξ
∈ ⊥ ξ
∀ r r r r
r fˆ
pˆ , ω ω
( ) ( y f y s ) ds
, p
y ω
ω ∈ S, ∀ ∈ ⊥ ω = ∫ + ω
∀ r r r r r r r
TF
2TF
3f
fˆ
( ) f ( y s ) e ds d y
pˆ r r r 2 i y r . r r
r
r − π ξ
ω ω ∫∫ ∫
⊥
ω +
= ξ
( ) ξ = ∫∫∫ ( ) − π ξ = ( ) ξ
ω
r r
r r r r
r f x e d x fˆ
pˆ 2 i x .
y r
ξ r
Condition nécessaire à l’affectation
de toutes les fréquences spatiales de ℝ
3:
Ω contient au moins un cercle équatorial de S i.e
Ω intersecte tout cercle équatorial de S
ω r ω r ⊥
z
Ω
SS. Orlov. Sov.Phys. Crystallogr.,1976. Vol 20, 3:312-4 et 4:429-433
1- Condition d’Orlov :
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
…
… plutôt difficile à appliquer !
2 - Projections non tronquées
ω r
3 – moyennant une interpolation 3D dans le domaine des fréquences 1- Condition d’Orlov
( , ) ˆ ( cos sin sin , sin sin cos , cos )
ˆ ξ
1ξ
2= f ξ
1θ φ − ξ
2θ ξ
1θ φ + ξ
2θ − ξ
1φ
p
x1 x3
x2
θ φ
Solutions possibles
1– Condition d’Orlov
- Détecteur TEP cylindrique 2 – Projections tronquées
- Estimées par reconstruction 2D puis projection ou rebining 3 –Interpolation 3D en fréquence
- Optimisation de l’interpolation (fonctions de Kaiser-Bessel) - Utilisation d’une rétro-projection filtrée (filtre de Colsher)
Fourier-based reconstruction for fully 3-DPET. Matej S, Kazantsev IG. IEEE Trans Med Imaging 2006;25:845-54.
Evaluation of a new gridding method for fully 3D direct Fourier PET reconstruction based on a two-plane geometry F Ben Bouallègue, J F Crouzet, D Mariano-Goulart. Comput Med Imaging Graph. 2008;32:580-589.
Colsher JG. Fully three-dimensional PET. Phys Med Biol 25(1), 103-115, 1980
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3DEn « routine » : Utilisation d’algorithmes algébriques (OSEM 3D)
Reconstruction 2D après rebining des projections 3D
a
iReconstruction 2D
Calcul des projections 3D
manquantes
Reconstruction 3D
Reprojection après RPF 2D
Ré-arrangement (rebining) exact
2 , ,
,
3 3
s φ z = x + x δ = tg θ
p
B A
TF(s,φ) puis TF(z) si invariance en Tz
( , k , , ) e pˆ ( 1 , k , , 0 )
pˆ ω ζ δ =
−ikarctan(α)ω + α
2ζ
δζ ω
= α
Defrise M, Kinahan PE, Townsend DW, Michel C, Sibomana M, Newport DF.
Exact and approximate rebinning algorithms for3-D PET data. IEEE Trans Med Imaging 1997;16:145-58.
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Ré-arrangement approximatif
δζ ω
= α
Ben Bouallègue F, Crouzet JF, Comtat C, Fourcade M, Mohammadi B, Mariano-Goulart D. Exact & approximate Fourier rebinning algorithms for the solution of the data truncation problem in 3-DPET. IEEE Trans Med Imaging 2007;26:1001-9.
DL à l’ordre 1 sur
( , k , , ) e pˆ ( , k , , 0 )
pˆ ω ζ δ ≈
−ikαω ζ
( , k , z , ) pˆ ( , k , z - k , 0 )
pˆ ω δ ≈ ω ω δ
( ω , k , z , 0 ) ≈ pˆ ( ω , k , z + k ω δ , δ )
pˆ
( ) ( )
ω − δ ω − δ δ
≈ δ
ω ' , '
k z , k , pˆ
, z , k , pˆ
SYNTHESE DE DONNEES 2D à S/B ↑ :
SYNTHESE DE DONNEES MANQUANTES :
( , k , , ) e pˆ ( 1 , k , , 0 )
pˆ ω ζ δ =
−ik arctan(α)ω + α
2ζ
Conclusions
Résolutions de grands systèmes linéaires
Problématique fréquente en ingénierie numérique
Pour tout problème complexe : attention au conditionnement
Intérêt d’une base fonctionnelle adaptée
Transformation de Fourier, analyse factorielle…
La recherche en imagerie :
Très active, exemples sur notre propos :
Artefacts, quantification, dosimétrie…
Améliorations fréquentes disponibles en routine.
Nécessité de collaborations pluridisciplinaires
Compétences techniques pointues + ouverture
Pour choisir les directions de recherche, puis valider
INTRODUCTION MODELISATION RADON RPF ART REGULARISATION TOMOGRAPHIE 3D
Merci de votre attention…
P. Lascaux et R. Théodor. 2 tomes.
MASSON.
The Mathematics of
Computerized Tomography.
F. Natterer. 2001. SIAM.
Positron Emission Tomography.
Basic Sciences and Clinical Practice.
PE Valk, DL Bailey,
DW Towsend, MN Maisey.
2003. Springer.
Reconstruction tomographique en imagerie médicale. D. Mariano-Goulart Encyclopédie Médico-chirurgicale, 35-105-A-10, 2009.
d-mariano_goulart@chu-montpellier.fr
Médecine et
sciences de l’ingénieur.
Aspects complémentaires et
Passerelles
Dans l’industrie :
Nombreuses PME (sous-traitantes) : hard et soft
SIEMENS, GE-MS, PHILLIPS :
Carrières de commerciaux
Principalement aux USA pour la R&D
Dans les Hôpitaux :
Ingénieurs biomédicaux
Physiciens d’hôpitaux
Hospitalo-Universitaires
Ingénieur Biomédical
Rôles
Elaboration des plans d’équipement
Besoins, chiffrage, contraintes…
Lancement des appel d’offres
suivi des achats (installation, maintenance…)
Veille technologique
Formation spécifique
Ecoles d’ingénieurs généralistes
± formation complémentaire spécialisée
Rôle
« Qualité et sécurité dans l’utilisation des rayonnements ionisants »
Tests d’acceptation et de conformité Assurance et contrôle de qualité
Optimisation de la dosimétrie au patient en radiologie et en médecine nucléaire
Simulation de balistique en radiothérapie
Physicien d’hôpital
Formation spécifique (Arrêtés du 3/3/97 & 18/3/09)
Diplôme de Qualification en Physique Radiologique et Médicale (DQPRM) : 1 an → N° agrément
Concours d’admission ( ≈ 100 places) après :
M2, DI, thèse + formation aux RI
validation d’un M2 parmi
« Radiophysique et imageries médicales »,Toulouse.
« IPSM », UJF Grenoble.
« Ingénierie pour la santé », UCL Lyon I.
« Physique médicale », Paris Sud.
« Physique électronique » Nantes.
Programme : Physique des RI, dosimétrie, imagerie
Rôles :
Soin en Centre Hospitalier Universitaire (ou CRLCC) Gestion médicale de départements hospitaliers
Recherche
Enseignement universitaire
Formation spécifique :
Doctorat en médecine (sauf exception)
Doctorat d’Université (sciences) ± HDR
Etudes de médecine
PACES L2 L3 M1 M2 M3
I 1 I 2 I 3 I 4 I 5
ECN
Thèse d’exercice + DES
CA 1 CA 2 CA 3 CA 3
Thèse de sciences
HDR PHU
4 ans PH
MCU-PH PU-PH 6 ans
4-5 ans interne salarié
2-4 ans assistant
salarié 6 ans
+ 6-13 ans salarié
= 12-19 ans
M
Thèse de sciences
PACES L2 L3 M1 M2 M3
I 1 I 2 I 3 I 4 I 5
ECN
Thèse d’exercice + DES
CA 1 CA 2
HDR
MCU-PH
4-5 ans interne salarié
± 2 ans assistant
2 % du numerus clausus : dossier, entretien
• Doctorat d’Université
• Doctorat d’État en santé
• Diplôme d’Ingénieur,
PU-PH 4 ans
+ 4-7 ans salarié
= 8-11 ans
(gain de 1 à 11 ans)
Ingénieur - HU : pourquoi ?
Biophysique et médecine nucléaire Radiologie
Epidémiologie – Statistiques Informatique médicale
Mais aussi :
Cardiologie (ECG, écho, prothèses, PMK)
Neurologie (EEG, activations)
Néphrologie (dialyse)
Orthopédie (biométériaux)