Upload
ira
View
17
Download
0
Embed Size (px)
DESCRIPTION
Traitement et analyse d’images. MASTER 1 Reconstruction tomographique Patrick Bourguet Rennes Support de cours adapté d’Irène Buvat [email protected] octobre 2003. http://www.guillemet.org/irene. Plan du cours. A- Introduction - Problème de reconstruction tomographique - PowerPoint PPT Presentation
Citation preview
MASTER 1
Reconstruction tomographique
Patrick BourguetRennes
Support de cours adapté d’Irène [email protected]
octobre 2003
Traitement et analyse d’images
http://www.guillemet.org/irene
Plan du cours
A- Introduction- Problème de reconstruction tomographique- Tomographie en transmission - Tomographie en émission- Spécificité du problème de reconstruction tomographique
B- Notions de base- Projection- Transformée de Radon- Sinogramme- Rétroprojection
C- Méthodes de reconstruction analytique- Principe- Théorème de la coupe centrale- Rétroprojection filtrée- Filtres
D- Méthodes de reconstruction itérative- Principe- Opérateur de projection R- Méthodes ART- Méthodes SIRT- Méthodes de descente- Méthodes statistiques- Caractéristiques des méthodes itératives- Régularisation- Interprétation probabiliste
E- Discussion- Reconstruction analytique ou itérative ?- Historique- Quelle méthode pour quelle application ?
RX
Découvrir l’intérieur…
Tomographie axiale
X
A - Introduction : la reconstruction tomographique
projections 2D sous différentes incidences angulaires
coupes d’orientation quelconque :imagerie 3D
sagittale transverse coronale
Reconstruction tomographique
Reconstruction tomographique = problème inverse : estimer la distribution 3D à partir des projections 2D mesurées
Introduction : tomographie de transmission
scanner X(tomodensitométrie) SPECT PET
• Source (X ou ) externe au patient
• Mesures : projection du rayonnement ayant traversé le patient intégrale des coefficients d’atténuation
• Objet à reconstruire : cartographie 3D des coefficients d’atténuation du milieu traversé
X
N0 N0 N0
N N N
ln (l) dl N0
N 0
d
N = N0 exp(- (l) dl) 0
d
• Source ou+ interne au patient
• Mesures idéales (sans atténuation) : intégrale de l’activité le long des raies de projections
• Objet à reconstruire : cartographie 3D de la distribution d’activité n dans l’organisme
Introduction : tomographie d’émission
x
y
z
***
détecteur
détecteur
déte
cteu
r détecteurSPECT PET
* *
N = n(l) dl 0
d
Factorisation du problème de reconstruction
• Un ensemble de projections 2D
reconstruction d’un objet 3D
• Un ensemble de projections 1D
reconstruction d’un objet 2D (coupe zi)ensemble de coupes zi = volume d’intérêt
détecteur en position une projection
volume 3D étudié
xz
x
y
z
détecteur en position une ligne de projection
coupe axiale zi
xz
N(x,z)
N(x)
x
Reconstruction : non unicité de la solution
• Pas de solution unique : toujours plusieurs objets compatibles avec un ensemble fini de projections
Unicité de la solution pour une infinité de projections seulement
1 projection : plusieurs solutions possibles
direction de
projection
2 projections : plusieurs solutions possibles
directions de
projection
Reconstruction : problème inverse mal posé
• Pas de solution du fait du bruit entachant les données
• Non unicité de la solution du fait du manque d’informations (nombre de projections fini)
typiquement, 64 ou 128 projections <<
• Instabilité de la solution : petite différence sur les projections peut provoquer des écarts importants sur les coupes reconstruites
0
10
20
30
40 60 80 pixel
nb d’événements /pixel
0
10
20
30
40 60 80 pixel
nb d’événements /pixel
projection non bruitée projection bruitée
projection idéale projection bruitée
B - Notions de base
!
Opération de projection
uprojection
x
yu = x cos + y sinv = -x sin + y cos
v
p(u,) = f(x,y) dv
f(x,y)u
Transformée de Radon
p(u,) = f(x,y) dv
ensemble des projections pour = [0, ] = transformée de Radon de f(x,y)
R[f(x,y)] = p(u,) d0
f(x,y)
domaine spatial espace de Radon
p(u,)
Problème de reconstruction tomographique :inverser la transformée de Radon, i.e.,
estimer f(x,y) à partir de p(u,)
C - Méthodes de reconstruction analytique
• Inversion analytique de la transformée de Radon
• Expression continue du problème de reconstruction tomographique
• Méthode la plus courante : rétroprojection filtrée
FBP : Filtered Back Projection
• Méthodes rapides
• Méthodes disponibles sur tous les dispositifs d’acquisition commercialisés (scanner X, SPECT, PET)
R[f(x,y)] = p(u,) d0
Opération de rétro-projection « simple »
x
y
v
urétroprojection
f*(x,y) = p(u,) d
u = x cos + y sinv = -x sin + y cos
f(x,y)
Attention : la rétroprojection ‘’simple’’ n’est pas l’inverse de la transformée de Radon
u
Limites de la rétro-projection simple
rétroprojection simple artefacts d’épandage en étoile
u
f*(x,y) = p(u,) d
image originale
nombre de projections1 3 4
16 32 64
La rétroprojection n’inverse pas la transformée de Radon
Rétro-projection filtrée : principe
rétroprojection simple
u
f*(x,y) = p(u,) d
rétroprojection filtrée réduction des artefacts
inversion de la transformée de Radon
u
f*(x,y) = p(u,) d
projection filtrée
Théorème de la coupe centrale (TCC)
x = cos y = sin du.dv = dx.dy
p(u,) = f(x,y) dv
transformée de Fourier (TF)
P(,) = p(u, )e-i2u du
x
y
v
P(,) = f(x,y)e-i2u du dv = f(x,y)e-i2(xxy
y) dx dy
TF monodimensionnelle d’une projection par rapport à u=
TF bidimensionnelle de la distribution à reconstruire
changement de variable : (u,v) (x,y)
u = x cos + y sinv = -x sin + y cos
u
Rétro-projection filtrée
P(,) = F(x, y)
f(x,y) = F(x,y)ei2(xxy
y) dx dy
= P(,)ei2(xxy
y) dx dy
= P(,) ||ei2u d d
= p’(u,) d avec p’(u,) = P(,) ||ei2u d
TF-1
TCC
changement de variable : (x, y) (, )
x = cos y = sin x
2 + y2)1/2
dx.dy = .d.du =x cos + y sin
objet f(x,y) à reconstruire=
rétroprojection des projections filtrées
projections filtrées filtre rampe
Algorithme de rétro-projection filtrée
p(u,) f(x,y)
projections images reconstruites
f(x,y) = p’(u,) d avec p’(u,) = P(,) ||ei2u d
transformée de Fourier
Transforméede Fourier
inverseP(,)
filtrage
rétroprojection
p’(u,)|| P(,)
Insuffisance du filtre rampe
filtre rampe
0 0,8
1
0
1 2 11/16 2 4 2 sic=
1 2 1
w() = 0,5.(1+cos/c) si < c
= 0 si ≥ c
filtre rampe
f(x,y) = p’(u,) d avec p’(u,) = P(,) ||ei2u d
|| ||w()
fenêtre d’apodisation
|| w() ||w()1
00 0,8
1
00 0,8
fenêtre d’apodisation
de Hann
filtre de Hann
résultant
Exemple :
domaine fréquentiel
domaine spatial
Filtres classiques : filtre de Hann
• Filtre rampe meilleure résolution spatiale mais forte amplification du bruit haute fréquence
• Filtre de Hann
modifie les moyennes fréquences
w() = 0,5.(1+cos/c) si < c
= 0 si ≥ c
fréquence de coupure c
0,5 0,4 0,3 0,2 0,1
plus faible est la fréquence de coupure,moins on préserve les détails “haute fréquence”, i.e.,plus fort est le lissage
Filtres classiques : filtre de Hamming
• Filtre rampe
• Filtre de Hamming
fréquence de coupure c
0,5 0,4 0,3 0,2 0,1
plus faible est la fréquence de coupure,moins on préserve les détails “haute fréquence”, i.e.,plus fort est le lissage
w() = 0,54+0,46(cos/c) si < c
= 0 si ≥ c
Filtres classiques : filtre gaussien
• Filtre rampe
• Filtre gaussien (domaine spatial)
FWHM = 2 2ln2 (pixel)
0 1 2 3 4
plus grande est la dispersion du filtre gaussien (FWHM ou ),
moins on préserve les détails “haute fréquence”, i.e.,plus fort est le lissage
c(x) = (1/exp[-(x-x0)2/22] si < c
= 0 si ≥ c
Filtres classiques : filtre de Butterworth
• Filtre rampe
• Filtre de Butterworth
ordre n, c=0,25
2 4 6 8 10
plus faible est l’ordremoins on préserve les détails “haute fréquence”, i.e.,plus fort est le lissage
w() = 1/[1+(/c)2n] si < c
= 0 si ≥ c
2 paramètres : fréquence de coupure c et ordre n
Implantation du filtrage
• Multiplication du filtre rampe par une fenêtre d’apodisation
filtrage 1D (direction x)
• Filtrage des projections puis reconstruction avec un filtre rampe
filtrage 2D (directions x,z)
• Reconstruction avec un filtre rampe puis filtrage 2D des coupes reconstruites
filtrage 2D (directions x,y)
• Reconstruction avec un filtre rampe puis filtrage 3D du volume reconstruit
filtrage 3D (directions x,y,z)
|| ||w()
coupe zi
x
z
y
D - Méthodes de reconstruction itératives
• Expression discrète et matricielle du problème de reconstruction tomographique
• Problème de reconstruction : système d’équations de grande taille
128 projections 128 x 128
2 097 152 équations à autant d’inconnues
• Inversion itérative du système d’équations
r11 r14
r41 r44
p1
p2
p3
p4
f1
f2
f3
f4
=
Expression discrète du problème de reconstruction
p1 = r11 f1 + r12f2 + r13f3 + r14 f4
p2 = r21 f1 + r22f2 + r23f3 + r24 f4
p3 = r31 f1 + r32f2 + r33f3 + r34 f4
p4 = r41 f1 + r42f2 + r43f3 + r44 f 4
p = R f
pi
projection
fk f1 f2
f3 f4
p1 p2
p3
p4
r11 r14
r41 r44
p1
p2
p3
p4
f1
f2
f3
f4
=
projections acquises
objet à reconstruire
opérateurde projection
Problème : déterminer f connaissant p et R
Expression de l’opérateur de projection R
pi
projection
fk
• Modélisation géométrique - choix d’un modèle de distribution de l’intensité des pixels- modélisation de la géométrie de détection
• Modélisation de la physique de détection* atténuation* diffusion* résolution limitée du détecteur
p = R f
Modélisation géométrique de l’opérateur R
• Modèle de distribution de l’intensité des pixels : détermination de la contribution de chaque pixel i à une raie de projection k
• Modèle de la géométrie de détection
0100
modèle exact= modèle uniforme modèle de Dirac
modèle de longueur de raies
modèle dudisque concave
l
parallèle en éventail
bins de projection
bins de projection
Modélisation physique de l’opérateur R
• Atténuation
• Diffusion
• Réponse du détecteur
sans modélisation de la diffusion :p1 = r11 f1 + r13 f3
avec modélisation de la diffusion :p1 = r11 f1 + r12 f2 + r13 f3 + r14 f4
f1 f2
f3 f4
p1 p2
f1 f2
f3 f4
p1 p2p3
p4
p1 = r11 f1 exp(-1d1) + r13f3 exp(-3d3)
carte des
f1 f2
f3 f4
p1 p2 sans modélisation de la fonction de réponse de la caméra :
p1 = r11 f1 + r13 f3
avec modélisation :p1 = r11 f1 + r12 f2 + r13 f3 + r14 f4
Opérateurs de projection R et de rétroprojection
pi
projection
fk
pi
rétroprojection
fk
f1 f2
f3 f4
p1 p2
p1= f1 + f3
p2= f2 + f4
p3= f1 + f2
p4= f3 + f4
f1= p1 + p3
f2= p2 + p3
f3= p1 + p4
f4= p2 + p4
=R1 0 1 00 1 0 11 1 0 00 0 1 1
p3
p4
1 0 1 00 1 1 01 0 0 10 1 0 1
= Rt
Résolution du problème inverse
fn=0
vs p fn+1
p = R f
facteur de correction cncomparaison
définit la méthode itérative :additive : fn+1 = fn + cn
multiplicative : fn+1 = fn . cn
p = R f
pn ^ pn ^
estimée initiale de l’objet à reconstruire
projection correspondant à l ’estimée fn
Recherche d’une solution f minimisant une distance d(p,Rf), p et R étant connus
Exemple
• Deux pixels et deux raies de projection système de deux équations à deux inconnues
f1 f2
p1
p2
p1 = 7/8 f1 + 1/8 f2 = 85/8p2 = 1/8 f1 + 7/8 f2 = 115/8
7/8 1/81/8 7/8
=R
f1 = 10f2 = 15
Opérateur de projection (connu)
Valeurs de projection mesurées
Inconnues à déterminer : f1 et f2
Approche ART (Algebric Reconstruction Technique)
• Utilisation d’une seule équation de raie par itération, et mise à jour de chaque inconnue à partir de cette équation :
itération 1 : estimation de f1 à partir de l’équation 1 slmt
estimation de f2 à partir de l’équation 1 slmtitération 2 : estimation de f1 à partir de l’équation 2 slmt
estimation de f2 à partir de l’équation 2 slmtitération 3 : estimation de f1 à partir de l’équation 1 slmt
estimation de f2 à partir de l’équation 1 slmtetc…
• Modification à chaque itération proportionnelle à l’erreur par rapport à la projection vraie
• ART additive (erreur = pk - pkn)
ou ART multiplicative (erreur = pk / pkn)
p1 = 7/8 f1 + 1/8 f2 = 85/8 (équation 1)p2 = 1/8 f1 + 7/8 f2 = 115/8(équation 2)
ART additive
• Repose sur la méthode de Kaczmarz
fin+1 = fi
n + (pk - pkn ) rki/jrkj
2
• Exemple (initialisation f10 = f2
0 = 0 p10 = p2
0 = 0 ) :
itération n=1, raie k=1, estimation de f1 et f2 :
f11 = 0 + (85/8-0).(7/8)/(49/64+1/64) = 119/10 = 11,9
f21 = 0 + (85/8-0).(1/8)/(49/64+1/64) = 17/10 =
1,7
p21 = 119/40 = 3,0
itération n=2, raie k=2, estimation de f1 et f2 :
f12 = 11,9 + (115/8-119/40).(1/8)/(49/64+1/64) = 13,7
f22 = 1,7 + (115/8-119/40).(7/8)/(49/64+1/64) =
14,5
p11 = 13,8
itération 1 2 3 4 5f1 11,9 13,7 10,1 10,3 10,0
f2 1,7 14,5 13,9 14,9 14,9
• A chaque itération, mise à jour successive de toutes les inconnues (ici f1 et f2) à partir de l’équation correspondant à une seule raie de projection
p1 = 7/8 f1 + 1/8 f2 = 85/8 = 10,6p2 = 1/8 f1 + 7/8 f2 = 115/8 = 14,4
écart entre valeurs du bin de projection estimée et observée
contribution du pixel ià la raie de projection k
Approche SIRT (Simult. Iterative Reconst° Tech.)
• SIRT : Simultaneous Iterative Reconstruction Technique
• Utilisation de toutes les équations à chaque itération et mise à jour de chaque inconnue :
itération 1 : estimation de f1 en résolvant l’équation 1 estimation de f2 en résolvant l’équation 2itération 2 : estimation de f1 en résolvant l’équation 1 estimation de f2 en résolvant l’équation 2itération 3 : estimation de f1 en résolvant l’équation 1 estimation de f2 en résolvant l’équation 2etc…
• Modification à chaque itération proportionnelle à l’erreur par rapport à la projection vraie
• Méthode de Jacobi Méthode de Gauss-Seidel
• Nombre d’itérations réduit par rapport aux méthodes ART
p1 = 7/8 f1 + 1/8 f2 = 85/8 (équation 1)p2 = 1/8 f1 + 7/8 f2 = 115/8(équation 2)
SIRT : méthode de Jacobi
fin+1 = fi
n + (pk - pkn ) / rii
• Exemple (initialisation f10 = f2
0 = 0 p10 = p2
0 = 0 ) :
itération n=1 :
estimation de f1 en résolvant l’équation 1
f11 = (85/8)/(7/8) = 85/7 = 12,1
estimation de f2 en résolvant l’équation 2
f21 = (115/8)/(7/8) = 115/7 = 16,4
itération n=2 :
estimation de f1 en résolvant l’équation 1
f12 = [85/8-(1/8)*(115/7)]/(7/8) = 9,8
estimation de f2 en résolvant l’équation 2
f22 = [115/8-(1/8)*(85/7)]/(7/8) = 14,7
itération 1 2 3f1 12,1 9,8 10,0f2 16,4 14,7 15,0
p1 = 7/8 f1 + 1/8 f2 = 85/8 = 10,6p2 = 1/8 f1 + 7/8 f2 = 115/8 = 14,4
écart entre valeurs du bin de projection estimée et observée
contribution du pixel ià la raie de projection i
SIRT : méthode de Gauss-Seidel
• Identique à la méthode de Jacobi mais en tirant immédiatement parti des estimations obtenues aux itérations précédentes
fin+1 = fi
n + (pk - pkn ou (n+1) ) / rii
• Exemple (initialisation f10 = f2
0 = 0 p10 = p2
0 = 0 ) :
itération n=1 :
estimation de f1 en résolvant l’équation 1
f11 = (85/8-0)/(7/8) = 85/7 = 12,1
estimation de f2 en résolvant l’équation 2 avec f11 =85/7
f21 = [115/8-(1/8)*(85/7)]/(7/8) = 14,7
itération n=2 :
estimation de f1 en résolvant l’équation 1 avec f21 =14,7
f12 = (85/8-14,7/8)/(7/8) = 10,0
estimation de f2 en résolvant l’équation 2 avec f12 =10,0
f22 = (115/8-10,0/8)/(7/8) = 15,0
itération 1 2f1 12,1 10,0 f2 14,7 15,0
p1 = 7/8 f1 + 1/8 f2 = 85/8 = 10,6p2 = 1/8 f1 + 7/8 f2 = 115/8 = 14,4
estimé à partir de toutes les valeurs courantes des fi
convergence plus rapide que Jacobi
Méthodes de descente
• Méthodes ART et SIRT :
fin+1 = fi
n + (erreurn)
• Méthodes de descente :
fin+1 = fi
n + n (erreurn)
modification du coefficient de pondération à chaque itération
• Méthode du gradient : Iterative Least Squared Technique (ILST) Méthode du gradient conjugué : meilleure méthode de descente
e.g., pk - pkncoefficient de
pondération constant
coefficient depondération optimisé
• Adaptée à la résolution d’un système d’équations dont la matrice est symétrique :
p = R f Rt p = Rt R f
• Formule de mise à jour :
fin+1 = fi
n + n dn
• Vitesse de descente optimisée à chaque itération :
n = ||Rt p - Rt R fn||2 / (Rt p - Rt R fn)t R (Rt p - Rt R fn)
• Direction de descente optimisée à chaque itération :itération 1 : d1 = Rt p - Rt R f0
itération n : dn = (Rt p - Rt R fn) + bn dn-1
optimisation de la convergence convergence rapide méthode additiveutilisée en SPECT
matrice symétrique
Méthodes de descente : gradient conjugué
coefficient depondération optimisé
à chaque itération(vitesse de descente)
direction de descenteoptimisée à chaque
itération
Méthode statistique : MLEM
• MLEM = Max. Likelihood Expectation Maximization
• Utilise une formulation probabiliste du problème de reconstruction :
- modèle probabiliste : Les pk sont des variables aléatoires de Poisson de paramètres pk, d’où l’expression de la vraisemblance de f :
prob(p|f) = exp(- pk) . pk / pk !
- détermine la solution f qui maximise la vraisemblance (ou log-vraisemblance), i.e., prob(p|f) par rapport au modèle probabiliste choisi.
pk
k
• Deux étapes :- calcul de l’espérance de la log-vraisemblance compte tenu des projections pk mesurées et de l’estimation courante des fi. - maximisation de l’espérance en annulant les dérivées partielles par rapport à fi.
• Formule de mise à jour :
fin+1 = fi
n . [ rki (pk / pk
n)] / rki
fn+1 = fn . Rt [ p / pn ]
* méthode multiplicative* solution toujours positive ou nulle * nombre d’événements conservé au fil des itérations * convergence lente * méthode itérative la plus utilisée en SPECT (dans sa version accélérée OSEM)
Algorithme MLEM
opérateur de rétroprojection
erreur
k k
• OSEM = Ordered Subset Expectation Maximisation
• Tri des P projections en sous-ensembles ordonnés Exemple :
• Application de MLEM sur les sous-ensembles :
- itération 1 :
estimation de f1 à partir de l’initialisation f0 et des projections p1 correspondant au sous-ensemble 1
f1 = f0 . Rt [ p / p1 ]
estimation de f’1 à partir de f1 et des projections p’1
correspondant au sous-ensemble 2 f’1 = f1 . Rt [ p / p’1 ]
- itération 2 :
estimation de f2 à partir de f’1 et des projections p2
correspondant au sous-ensemble 1 f2 = f’1 . Rt [ p / p2 ]
estimation de f’2 à partir de f2 et des projections p’2
correspondant au sous-ensemble 2 f’2 = f2 . Rt [ p / p’2 ]
etc.
Version accélérée de MLEM : OSEM
8 projections 2 sous-ensembles de 4 projections
• OSEM avec S sous-ensembles et I iterations SI itérations de MLEM
• Facteur d’accélération ~ nombre de sous-ensembles
méthode itérative la plus utilisée en SPECT
Caractéristiques de OSEM
MLEM 1 16 24 32 40 itér.
OSEM 1 4 6 8 10 itér.4 ss-ens.
OSEM 1 2 3 4 58 ss-ens.
• Plus élevé est le nombre d’itérations, meilleure est la restitution des hautes fréquences
• Problème du choix du nombre d’itérations- convergence vers la solution puis divergence de la procédure lors de la reconstruction des très
hautes fréquences du fait de la présence de bruit(haute fréquence)
nécessité de régulariser
Caractéristiques des méthodes itératives
OSEM 1 2 3 4 58 ss-ens.
gradient 1 2 3 4 5conjugué
• Régularisation implicite : arrêt précoce des itérations
• Régularisation explicite : introduction d’un a priori sur la solution :
- solution non régularisée :minimisation de d(p,Rf)
- solution régularisée :minimisation de d1(p,Rf) + d2(f,fa)
solution compromis entre la fidélité aux mesures et l’a priori
• Exemples d’a priori régularisants :- distribution de f connue (Poisson, Gauss)- image lisse- image présentant des discontinuités
Importance de la régularisation
a priori régularisant
Effet de la régularisation
image idéale
Rfrence Algorithme MR n = 0n = 30 n = 80
Algorithme RMR n = 0 n = 30 n = 80
sans régularisation
avec régularisation
itérations : 0 30 80
sans régularisation
avec régularisation
Interprétation probabiliste
• Problème de reconstruction :Chercher f la plus probable compte tenu des projections p observées
• Interprétation probabiliste :Maximiser prob(f|p) : probabilité avoir l’image f quand les projections valent p
• Théorème de Bayes :
prob(f|p) = prob(p|f) . prob(f) / prob(p)
projections connues prob(p) = 1pas d’hypothèse a priori sur f prob(f) = 1
alors :prob(f|p) = prob(p|f)
maximiser prob(f|p) = maximiser la vraisemblance prob(p|f)= minimiser l’écart entre projections calculées et observées
probabilité de mesurer les projections p pour une image f
= vraisemblance des projections p
probabilité a prioride l’image f
probabilité a priorides projections p
Algorithmes associés à l’interprétation probabiliste
maximiser prob(f|p) = maximiser la vraisemblance prob(p|f)= minimiser l ’écart entre projections calculées et observées
• pk ~ loi de Poissonalgorithme MLEM
• pk ~ loi de Gaussalgorithme gradient conjugué
• Régularisation
prob(f|p) = prob(p|f) . prob(f)
méthodes MAP (maximum a posteriori)versions régularisées :
MLEM MAP-EMGradient Conjugué (GC) MAP-GC
probabilité a prioride l’image f ≠ 1
probabilité a posterioride l’image f
• Algorithmes itératifs par rapport à rétroprojection filtrée (FBP) * réduction des artefacts de raies* temps de calculs accrus* possible compensation des phénomènes parasites via une modélisation adéquate dans le projecteur R(diffusion, atténuation, fonction de réponse du détecteur)* possible modélisation des caractéristiques statistiquesdes données
E - Reconstruction analytique ou itérative ?
Tomographie de transmission TEP
rétroprojection filtrée algorithme ML
Tomographie d’émission TEP
FBP
OSEM
Quelle méthode pour quelle application ?
• Scanner X* rétroprojection filtrée car excellent rapport signal-sur-bruit
• Tomographie d’émission monophotonique routine clinique : rétroprojection filtrée de plus en plus fréquemment : algorithmes itératifs, en particulier OSEM, du fait de :
- la réduction des artefacts de raies- les plus grandes possibilités en terme
de quantification- le traitement plus efficace de données présentant
une faible statistique (10 000 moins d’événements qu’en scanner X)
- l’augmentation de la puissance des calculateurs qui rend la mise en œuvre d’algorithmes itératifs compatible avec une utilisation clinique
• Tomographie d’émission de positons désormais algorithmes itératifs du fait de :
- la possibilité de traiter totalement la nature 3D de la reconstruction sans factorisation et d’exploiter au mieux les nouveaux dispositifs d’acquisition
- l’augmentation de la puissance des calculateurs
Scanner X
Tomographie d’émission monophotonique
Tomographie d’émission de positons
Pour en savoir plus ...
• Analytic and iterative reconstruction algorithms in SPECT. Journal of Nuclear Medicine 2002, 43:1343-1358
• Tomographie d’émission: reconstruction-corrections. Revue de l’ACOMEN, juillet 1998, vol 4, n°2
http://www.guillemet.org/irene
Avec nos remerciements à Irène BUVAT