1ESIEA – Reconstruction tomographiqueCEA/SHFJ Méthodes standards de reconstruction tomographique...

CEA/SHFJ 1ESIEA – Reconstruction tomographique

Méthodes standards de

reconstruction tomographique

en SPECT/PET

Philippe Ciuciu (CEA/SHFJ)

ciuciu@shfj.cea.fr

http://www.madic.org/people/ciuciu

Cours préparé à partir des cours de Master de physique

médicale, Univ. Paris Sud (Orsay)

d‘Irène Buvat (CNRS, INSERM U678)

de Claude Comtat (CEA/SHFJ)

Le problème de la reconstruction tomograhique

Méthodes de reconstruction analytique Rétroprojection filtrée

Techniques de reconstruction itératives Méthodes « algébriques » Méthodes statistiques ou pénalisées

Problématique : images détectées par la gamma caméra

Intégrale du rayonnement émis dans différentes directions

Problématique : signaux détectés par le tomographe à EP

Lignes de réponse dans toutes les directions

plans droits

plans croisés

plans droits

Problématique : estimer la distribution 3D du radiotraceur

coupe transaxiale(ou transverse)

coupe coronale

coupe sagittale

… à partir de mesures intégrales de cette distribution dans différentes directions

Reconstruction tomographique : factorisation du problème

volume 3D étudié

détecteur en position 1 projection 2D

Ensemble de projections 2D

reconstruction d’un volume 3D

Ensemble de projections 1D

détecteur en position 1 projection 1D

coupe axiale

juxtaposition des coupes volume 3D

reconstruction d’une coupe 2D

Principe de la reconstruction tomographique

projection 1 3 4

16 32 64

rétroprojection

projection filtréer

rétroprojection filtrée

Principe de la reconstruction tomographique

Opérateurs impliqués en reconstruction tomographique

u = x cos + y sin

p(u,) = f(x,y) dv-

f *(x,y) = p(u,) d

projection rétroprojection

Théorème de la tranche centrale

x = cos y = sin du.dv = dx.dy

transformée de Fourier 1D

P(,) = f(x,y) e-i2u du.dv = f(x,y) e-i2(xx+yy) dx.dy -

u = x cos + y sin v

p(u,) = f(x,y) dv-

+P(,) = p(u,) e-i2u du

Rétroprojection filtrée

x = cos y = sin

= x2 + y

d x.d y = d.du = x cos + y sin

f(x,y) = F(x, y) ei2(xx+yy) d x. d y

+P(,) = F(x, y)

= P(, ) ei2(xx+yy) d x. d y -

= P(, ) | |ei2u d . d 0

= p’(u, ) d avec p’ (u, ) = P(, ) | |ei2u d 0

P(,) || P(,) p’(u,)

f(x,y)

filtrage TF-1

rétroprojection

projections images reconstruites

+f(x,y) = p’(u, ) d avec p’ (u, ) = P(, ) || ei2u d

Algorithme de rétroprojection filtrée

Filtered Back-Projection FBP :

1) calculer la transformée de Fourier 1D d’une

projection pour un angle fixé

2) multiplier par le filtre rampe ||

3) calculer la transformée de Fourier inverse 1D de

la projection filtrée

4) rétroprojeter la projection filtrée

5) répéter les étapes 1 à 4 pour chaque angle

p(xr,)

p(xr,)*h(xr)

Convolution par le filtre rampe

h(xr) = F-1{|vxr|}

Opération de projection effectuée

par le scannerRétroprojection

Insuffisance du filtre rampe

filtre rampe x filtre de Hann filtre résultant

||wf(x,y) = p’(u, ) d avec p’ (u, ) = P(, ) || ei2u d

Effet du Filtrage

16 36 72 144

1 2 4 8

Sans filtrage,# = 144

Avec filtrage,# = 144

1 2 4 8

16 36 72 144

SPECT cérébral HMPAO Tc-99m

Syndrome de fatigue chronique

Avant traitement Après traitement IRM anatomique

Reconstruction analytique vs algébrique

rétroprojection filtrée reconstruction algébrique

Améliorer le Compromis Résolution Bruit

Modèles plus complexes :bruit statistiquedispositif d’acquisition

analytique itérative

reconstructions itératives

reconstructions analytiques

Modèle :Intégrale ligne

Reconstructions Itératives en TEP

Modèle « réaliste »

Trop complexe pour une inversion analytique directe

Approcher la solution pas à pas, en partant d’une image initiale

Plutôt que d’estimer la distribution 3D par une implémentation discrète d’une solution analytique telle que FBP (opération directe), on l’estime par une succession d’affinages :

• meilleure modélisation du dispositif discret d’acquisition des données que le modèle de l’intégrale ligne

• incorporation d’un modèle statistique de bruit dans les données

• Intégration durant le processus de reconstruction

d’informations a priori connues sur l’image.

Reconstructions Itératives

Reconstructions Algébriques et Statistiques

On distingue deux classes d’approches itératives:

1)algébriques [1]

– incluent un modèle discret du dispositif d’acquisition

2)statistiques

– incluent un modèle discret du dispositif d’acquisition

– incluent un modèle statistique du bruit

– peuvent inclure un a priori (bayésiennes)

Reconstructions Itératives : Caractéristiques

Une reconstruction itérative est caractérisée par [Fessler98]:

• Un modèle paramétrique de l’image, = {j | j = 1,...,n} ;

• un modèle des mesures, reliant les données discrètes

mesurées y = {yi | i = 1,...,m} à l’image :

• un modèle du bruit, c’est-à-dire une distribution de

probabilité pour y ;

• Un critère à minimiser et un algorithme itératif de

minimisation

i ij jj

Paramétrisation de l’Image

• Voxel

, , , ,

1 , , / 2avec , ,

0 sinon

j j j jj

f x y z x x y y z z

x y zx y z

j j j jj

f x y z b x x y y z z

• Blobs :fonctions à symétrie sphérique (fonctions généralisées de Kaiser-Bessel) qui se chevauchent [Lewitt90,Lewitt92]

, , , ,n

f x y z f x y z

Paramétrisation non unique de l’image

Modèle d’acquisition : Matrice système

E d dm

i i i j jj

y s f s f

x x x x x x

si(x) probabilité de détecter dans la LOR i une désintégration survenant en x.

Aij probabilité de détecter dans la LOR i une désintégration survenant dans le voxel j

A peut être complexe à souhait…

E avec dm

i ij j ij i jj

y A A s f

approche matricielle

Matrice Système géométrique

Pixel j

paire de détecteurs i

i) projection géométriqueAij volume d’intersection entre le voxel j et la LOR i

ii) angle solideAij angle solide sous lequel la paire de détecteurs i est vue depuis le voxel j

Pixel j

paire de détecteurs ipaire de détecteurs i

Pixel j’

ij’ > ij

Matrice Système géométrique (suite)

• profondeur de pénétration dans le cristal

Pixel j

• diffusions dans les cristaux• non-colinéarité de la paire

de photons• LOR non mesurées (gaps)• …

Pixel j

Modéliser dans la matrice système

Matrice système peut être gigantesque (tera-octet)

1) calculer les éléments de la matrice en ligne (routine clinique, généralement uniquement géométrique)

2) techniques de factorisation [Qi98] :

A = Asens. dét. Arép. dét. Aattn Agéom.

Asens. dét. : sensibilité des détecteurs (diagonale)

Arép. dét. : fonction de réponse des détecteurs

Aattn : atténuation (diagonale)

Agéom. : projection géométrique

Factorisation de la matrice système

Modèle du Bruit (TEP)Hypothèse de Poisson pour l’acquisition si :

• le nombre d’atomes du traceur injecté suit une distribution de Poisson

• les localisations spatiales des atomes du traceur, en tout instant, sont des variables aléatoires indépendantes

• les instants auxquels surviennent la désintégration des atomes du traceur sont des variables aléatoires indépendantes, qui suivent une loi exponentielle de moyenne = t1/2/ln2

• les processus de détection de chaque désintégration sont des processus aléatoires indépendants (pas de temps mort)

Données pré-traitées :ré-échantillonage, correction de l’efficacité de détection, de l’atténuation, des coïncidences fortuites et diffusées, du temps mort,…

Données pas Poisson

Données Poisson : corrections dans la matrice système

Pour satisfaire un modèle de Poisson, il faut inclure TOUTES les corrections dans la matrice système et ne reconstruire que des données brutes. Souvent, non réalisable.

Modèle du Bruit (suite)

Choix d’un modèle statistique de bruit• Aucun : y = A·

• Bruit blanc gaussien :

voxels j

Poissoni ij jy A

voxels j

Gauss , 1ii i ij j yy y A

• Bruit gaussien corrélé/coloré

• Bruit poissonnien

voxels j

Gauss , à déterminer ...ii i ij j yy y A

Avec bruit : y = A·b

Distributions de Poisson et de Gauss

Distribution de Poisson :• variable entière positive• un seul paramètre

(moyenne = variance)

x nxP n x

n x n x

Distribution de Gauss :• variable réelle• deux paramètres

(moyenne et variance)

Fonction de Coût/Critère

(y,A) terme d’attache de l’image aux données de projection mesurées y, ie vraisemblance des observations

U() terme d’attache de à un modèle a priori de l’image ie terme de régularisation

Contrainte (non négativité, …)

ˆ arg min ( , ) ( )U

Attache aux données :vraisemblance

• Bruit poissonnien : distance de Kullback-Leibler [Titterington87]

Mesure la distance entre les mesures et le modèle

2( , ) i i

y y A A

22( , ) i i ii

y y A A

( , ) log ii i i

i ij jj

• Bruit blanc gaussien : terme de moindres-carrés

• Bruit gaussien corrélé : moindres-carrés pondérés (WLS)

[Fessler94]

Maximum de vraisemblance

Approche statistique : terme d’attache aux données maximum de vraisemblance

ˆ arg max log ( | ) ( )p U y

Modèle de bruit poissonnien :

log ( | ) log , , log !i i i ii

p L y y y A A

MLˆ arg max L

Maximum de vraisemblance (ML), sans a priori

Maximum a Posteriori

Approche statistique : modèle a priori règle de Bayes

log | log log

p pa posteriori p

p L p p

Maximum a posteriori (MAP) [Hebert89]

MAPˆ arg max logL p

Typiquement : e Up

Exemple d’A Priori : Champ de MarkovChamp de Markov : modèle de corrélations spatiales locales

N3D 3D ( )

( )j k

jkj k N j

2quad.

Huber 2

t tV t

[Geman84]

Incorporation Information Anatomique

Modèle simple :

désactiver (jk = 0) les corrélations locales si deux voxels j et k appartiennent à deux structures anatomiques différentes

3D ( )

( )j k

jkjkj k N j

Image anatomique obtenue par : IRM ou Rayons X (CT)

Maximisation itérative du critère

Une fois définis :

• un modèle de l’image (voxels, blobs)

• un modèle de l’acquisition (matrice A)

• un modèle statistique du bruit (Poisson, Gauss)

• un critère (Moindres-Carrés, ML, MAP)

Il nous reste à choisir un algorithme permettant de le maximiser

Algorithme le plus classique :

EM-ML et variations (OSEM, RAMLA, …)

Algorithme Expectation Maximization (EM) [Dempster77]

Critère : fonction de vraisemblance (ML)Algorithme EM : recherche du maximum de vraisemblance

MLˆ arg max log , ,i i i

A) Absence de maxima locaux

2L : semi-définie négative car T · 2L·

L() est concave : maximisation locale converge vers un

maximum global

22Matrice Hessian :

,ik i il

k l ii

A y ALL

MLˆ arg max log , ,i i i

Espace incomplet y :

pas de maximisation analytique car p(yi|) dépend de {j | j = 1,...,n}

Espace complet x (y+données manquantes) :

contribution du voxel j à la mesure i {xij | j = 1,...,n; i = 1,...,m; yi = jxj}

p(xij|j) ne dépend que de j

EM-ML (2)

log | log log !ij ij j ij j iji j

p x A A x x

Maximisation analytique désormais possible

Mais x inconnu !!!

Principe de l’algorithme EM [Dempster77]

Plutôt que de maximiser log p(x | ), on maximise

l’espérance sur x de log p(x | ), en utilisant une

estimation (p) de pour estimer x

EM-ML (3)

EM-ML (4)

Deux étapes dans EM :

1) calcul de l’espérance (E-step)

2) maximisation de l’espérance (M-step)

On montre que L((p+1)) L((p))

| E log | ,p pQ p x y

1 arg max |p pQ

E-step :

| , log,

pij jp

i i ij jpi j i

AQ y A

M-step :

( )( 1)

j ij pij i i

EM-ML (5)

Exemple d’application de EM-ML

itérations : 1 2 3 4

itérations : 6 8 16 32

EM-ML : inconvénients

• convergence trop lente pour cette application

– EM version accélérée : OSEM

– autre algorithme de maximisation : RAMLA

• amplification du bruit avec les itérations

– régularisation de MV : MAP (=MVP)

– arrêter avant convergence

– lisser l’image reconstruite

EM-ML : Convergence Lente

L()Q((p)), approximation de L()

OSEM : Accélération de EM-ML

( )( 1)

j ij sij i S i

Ordered-Subset Expectation Maximization [Hudson94]

1 itération M subsets

M EM iterations

Sous-itération : utiliser qu’un sous-ensemble de projections (subset)

RAMLA : Alternative à EM-ML

Row Action Maximum Likelihood Algorithm [Browne96]

Row Action : uniquement 1 mesure yi est considérée par sous-itération (1 ligne i de Aij)

( 1) ( ) ( ) 1,

avec mod 1

is s sj j s j i js

s : paramètre de relaxationis : choix de l’ordre des mesures important pour accélérer

convergence

EM/ML : amplification du bruit Arrêter après 12 itérations ?

Régulariser ML• Approche de type MAP (aussi appelée PML pour

Penalized ML)

– inclure dans la fonction un a priori de lissage (terme de régularisation)

– maximisation plus complexe, dépendant du terme de régularisation : De Pierro MAP-EM modifié (valable avec OSMAP) [1], Gradient conjugé pré-conditionné [2], Space-alterning generalized EM (SAGE) [3], …

• Arrêt avant convergence et/ou post-filtrage

• Corrélations locales introduites par la paramétrisation de l’image (blobs)

Régularisation : résolution vs bruit

Poids de la régularisation,

• paramètre (PML/PWLS)

• largeur filtre de lissage (après OSEM)

• largeur blobs• fréquence coupure(FBP),

fixe le rapport signal-sur-bruit. Compromis bruit-contraste dépend du critère et du modèle de bruit.

FORE+OSEM : modèle de bruit incorrect

Implémentation classique de EM-ML en milieu clinique :• acquisition en mode 3D pour sensibilité • OSEM 2D pour rapiditéS

pre-correct3D data

Post-filtration Gauss

FORE OSEM

A = Agéom.

• FORE exige des projections consistantes, corrigées pour les fortuits, l’attenuation, les diffusés, etc.

• Données corrigées ne sont plus distribuées selon Poisson.

• ML (OSEM) s’attend à des données distribuées selon Poisson

Modèle de bruit incorrect artéfactsImages moyennes de 50 simulations, 1 à 10 itérations

FORE+AWOSEM

FORE+OSEM

FORE+AWOSEM

FORE+OSEM

Attenuation-Weighted OSEM (AWOSEM)

Solution simple à mettre en œuvre

HypothèseCorrection de l’atténuation responsable de la plus grande partie de la déviation à une distribution de Poisson en corps-entier

Inclure la correction de l’atténuation dans la matrice système

pre-correct

3D data

Post-filtration Gauss

FORE OSEMA = Aattn Agéom.

de-correct 2D attn

Application à données corps-entier FDG

3DRP FORE+OSEM FORE+AWOSEM

ConclusionReconstructions itératives : grandes potentialités,

attention à la manière dont elles sont mises en œuvres :

• une mauvaise modélisation (acquisition, bruit, a priori) peut induire des erreurs de quantification importantes (biais) ;

• prendre garde à la vitesse non-uniforme de convergence (AWOSEM plus lent que OSEM)

• bien valider leur emploi par rapport à leurs conditions d’utilisation

1ESIEA – Reconstruction tomographiqueCEA/SHFJ Méthodes standards de reconstruction tomographique...

Documents

RECONSTRUCTION AP US History. 1. WHAT WAS RECONSTRUCTION?

Unit 5: CivilWar and Reconstruction DBQ 10: Reconstruction

Iterative Methods for Image Reconstruction Image Reconstruction Methods

Image Restoration and Reconstruction (Image Reconstruction from Projections)

Reconstruction (1863-1877) What was Reconstruction? What did Reconstruction mean in 1863 – 1877?

CEA-DSV Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA P. Ciuciu, S. Donnet, S. Dehaene, E

Chapter 12 – Reconstruction Section Notes Plans for Reconstruction Congressional Reconstruction Republicans in Charge Reconstruction Collapses Video Images

2. What features are exaggerated? · Reconstruction in the South Reconstruction Governments Af. Am. Leaders Reconstruction Reforms Resistance to Reconstruction Vocabulary: Ku Klux

Reconstruction in Texas RECONSTRUCTION IN TEXAS 1865-1870

Reconstruction. Success of Reconstruction Failures of Reconstruction

RECONSTRUCTION ERA 1865-1877. LINCOLN’S RECONSTRUCTION PLAN

Unit 10-Reconstruction Lesson 57-Plans of Reconstruction

Chapter 16 - Reconstruction Section Notes Rebuilding the South The Fight over Reconstruction Reconstruction in the South Video Impact of Reconstruction

RECONSTRUCTION. Republicans split over Reconstruction Radicals vs.Moderates

Breast Reconstruction: Tissue Expander Based Reconstruction

1ESIEA – Imagerie nucléaireCEA/SHFJ Imagerie fonctionnelle nucléaire Philippe Ciuciu (CEA/SHFJ) ciuciu@shfj.cea.fr

CURS NOUS ÀRBITRES 2016 RESULTATSfiles.fcf.cat/contenido/noticias/RESULTATS CURS INICIACIÓ NOUS... · herruzo lozano daniel no apte ... lucas ezequiel no apte . ciuciu ... romero

Chapter 18: Reconstruction Section 2: Reconstruction and Daily Life Section 3: End of Reconstruction

Reconstruction and Its Effects Chapter 12. Reconstruction

IRAQ IRAQ RECONSTRUCTION RECONSTRUCTION Teachers Sans Frontiers