La reconstruction tomographique profonde est une technique d'imagerie computationnelle qui applique des modèles de apprentissage profond pour reconstruire des images en coupe à partir de mesures de projections, telles que celles acquises en tomodensitométrie à rayons X (CT), en tomographie par émission de positons (TEP) ou en microscopie électronique. Contrairement aux méthodes classiques qui reposent sur des modèles mathématiques explicites du système d'imagerie, les approches profondes apprennent la correspondance entre les données brutes des capteurs ou les reconstructions de faible qualité et les images haute fidélité directement à partir de grands ensembles de données. Ce domaine a émergé au milieu des années 2010, stimulé par les avancées dans les architectures de réseaux de neurones et la disponibilité d'ensembles de données d'imagerie médicale à grande échelle.
Le défi central de la reconstruction tomographique est un problème inverse : étant donné un ensemble d'intégrales de ligne (projections) d'un objet, estimer la distribution spatiale de cet objet. Les algorithmes classiques, tels que la rétroprojection filtrée (FBP) et la reconstruction itérative, sont bien établis mais nécessitent souvent de nombreuses projections pour éviter les artefacts et peuvent être coûteux en calcul. La reconstruction tomographique profonde vise à surmonter ces limitations en exploitant des a priori appris, permettant une reconstruction précise à partir de moins de projections, de doses de rayonnement plus faibles ou de mesures bruitées.
Architectures de Réseaux de Neurones
La plupart des méthodes de reconstruction tomographique profonde utilisent des réseaux de neurones convolutifs (CNN), en particulier l'architecture U-Net, introduite en 2015 pour la segmentation d'images biomédicales. Les U-Nets présentent une structure encodeur-décodeur avec des connexions de saut, leur permettant de capturer des caractéristiques multi-échelles tout en préservant les détails fins. En tomographie, les U-Nets sont couramment utilisés pour le post-traitement : ils prennent une reconstruction FBP initiale en entrée et produisent une image corrigée, réduisant les artefacts de stries et le bruit.
Des approches plus avancées intègrent les réseaux de neurones directement dans les boucles de reconstruction itérative, une stratégie connue sous le nom d'optimisation déroulée. Ces méthodes alternent entre des étapes de cohérence des données (garantissant que la sortie correspond aux projections mesurées) et des étapes de débruitage ou de régularisation apprises. Des exemples incluent l'algorithme Learned Primal-Dual et l'ADMM-Net, qui remplacent les régularisateurs conçus à la main par des réseaux entraînables. Cette approche hybride combine l'interprétabilité de la reconstruction basée sur des modèles avec la puissance expressive de l'apprentissage profond.
Données d'Entraînement et Fonctions de Perte
L'entraînement des modèles de reconstruction tomographique profonde nécessite des ensembles de données appariés d'entrées de faible qualité et d'images de vérité terrain de haute qualité. En imagerie médicale, ces données proviennent souvent de projections simulées de scans CT existants, où les reconstructions à haute dose servent de cibles et les projections à faible dose ou à vues éparses sont simulées. Des ensembles de données publics, tels que le Low-Dose CT Grand Challenge (2016) et l'AAPM CT Lymph Node dataset, ont facilité l'évaluation comparative.
Les fonctions de perte jouent un rôle critique dans l'entraînement. La plus courante est l'erreur quadratique moyenne (MSE), qui pénalise les différences pixel par pixel mais peut produire des sorties floues. Les pertes perceptuelles, basées sur des caractéristiques de réseaux pré-entraînés, et les pertes adverses issues des réseaux antagonistes génératifs (GAN) ont été utilisées pour améliorer la netteté et le réalisme. Des fonctions de perte telles que l'indice de similarité structurelle (SSIM) sont également incorporées comme approximations différentiables des métriques de qualité perceptuelle.
Applications et Performances
La reconstruction tomographique profonde a trouvé des applications en imagerie médicale, où elle permet une réduction de dose tout en maintenant la qualité diagnostique. Par exemple, les reconstructions CT thoraciques à faible dose utilisant l'apprentissage profond ont montré un bruit réduit par rapport à la FBP et des performances comparables aux méthodes itératives. Dans les essais non destructifs industriels, les méthodes profondes reconstruisent des structures internes à partir de scans à rayons X à angle limité, utiles pour inspecter des composants manufacturés ou des artefacts archéologiques.
En tomographie électronique, utilisée en biologie structurale, l'apprentissage profond aide à reconstruire des structures 3D de macromolécules à partir de séries d'inclinaison avec une couverture angulaire limitée. La technique a également été appliquée à la tomographie sismique, où elle estime les propriétés du sous-sol à partir de données de champ d'ondes. Les références de performance indiquent que les méthodes profondes atteignent souvent des métriques de qualité d'image supérieures, telles que le rapport signal sur bruit de crête (PSNR) et le SSIM, par rapport aux approches classiques, en particulier dans les scénarios à vues éparses.
Défis et Limitations
Malgré les succès, la reconstruction tomographique profonde fait face à plusieurs défis. La généralisation est une préoccupation clé : les modèles entraînés sur des géométries de scanners spécifiques ou des types de tissus peuvent mal performer sur de nouvelles distributions de données. Cela est particulièrement problématique en imagerie médicale, où les variations dans l'anatomie des patients et le matériel des scanners sont courantes. Les chercheurs ont exploré l'adaptation de domaine et les réseaux informés par la physique pour atténuer ce problème.
L'interprétabilité reste un autre obstacle. Contrairement aux algorithmes classiques avec des garanties mathématiques claires, les réseaux profonds sont souvent traités comme des boîtes noires. Cela soulève des problèmes réglementaires et d'acceptation clinique, car les radiologues et les organismes de réglementation exigent une confiance dans la fiabilité des reconstructions. Les efforts pour y remédier incluent la quantification de l'incertitude, où les réseaux produisent des cartes de confiance, et le développement de techniques d'IA explicable.
Le coût computationnel est également significatif. L'entraînement des modèles profonds nécessite de grands clusters de GPU, et l'inférence peut être plus lente que la FBP, bien que toujours plus rapide que de nombreuses méthodes itératives. Des techniques de augmentation de données, telles que des rotations aléatoires et l'injection de bruit, sont utilisées pour améliorer la robustesse, mais elles ne résolvent pas entièrement le problème de généralisation. Au début des années 2020, la reconstruction tomographique profonde est un domaine de recherche actif, avec des travaux en cours sur les modèles hybrides, l'apprentissage auto-supervisé et l'intégration avec des systèmes d'intelligence artificielle dans les flux de travail cliniques.