French
English
Objectif du stage
L'objectif de ce stage est de concevoir un modèle capable d'estimer le rayonnement diffusé (scatter) en tomodensitométrie à faisceau conique dentaire (CBCT), à partir des seules projections acquises. Le candidat comparera un modèle interprétable basé sur la convolution gaussienne à une approche d'apprentissage profond, évaluera leur robustesse en présence de métal et déterminera, éventuellement, si une meilleure simulation du diffusé améliore les performances de tâches de traitement d'images médicales en aval.
Contexte scientifique
Le développement de méthodes d'apprentissage supervisé pour le traitement d'images médicales repose sur la disponibilité de jeux de données suffisamment volumineux associés à une vérité terrain (ground truth) de référence. En imagerie médicale, l'obtention de telles données est particulièrement difficile en raison des coûts et des contraintes pratiques. La simulation fondée sur des modèles physiques constitue une alternative intéressante, en permettant de générer des données contrôlées dans diverses conditions d'acquisition.
Ce stage s'intéresse à la tomography par rayons X (CT). Lors d'une acquisition CT, des photons X sont émis par une source, traversent le patient puis sont mesurés par un détecteur. Le signal mesuré dépend principalement de l'atténuation des rayons X par les matériaux rencontrés sur leur trajet. Dans un système idéal, le détecteur mesurerait uniquement les photons primaires, c'est-à-dire ceux qui se propagent directement de la source au détecteur.
En pratique, une partie des photons interagit avec la matière et change de direction avant d'atteindre le détecteur. Ces photons contribuent à un signal supplémentaire appelé rayonnement diffusé (scatter). Ce diffusé modifie les projections mesurées et peut entraîner des biais dans les valeurs d'intensité. Son estimation constitue donc un élément important pour obtenir des simulations CT réalistes.
Les méthodes de Monte-Carlo permettent de simuler le diffusé en modélisant un grand nombre de trajectoires individuelles de photons et leurs interactions stochastiques avec la matière. Ces méthodes fournissent des estimations physiquement réalistes et peuvent ainsi servir à générer des données de référence. Cependant, leur coût de calcul élevé les rend inadaptées à la production d'estimations du diffusé pour chaque échantillon d'un grand jeu de données d'apprentissage.
Une alternative plus rapide consiste à apprendre un modèle paramétrable à partir d'un nombre limité de simulations Monte-Carlo. Les modèles à convolution gaussienne constituent une approximation efficace et interprétable, tandis que les modèles d'apprentissage profond sont susceptibles de capturer des relations plus complexes, au prix d'une plus grande complexité du modèle et d'un besoin accru en données d'entraînement.
L'un des principaux défis concerne la présence de matériaux fortement atténuants, tels que le métal, qui peuvent produire des données sensiblement différentes des cas standards. Cela soulève une question essentielle de généralisation : un modèle entraîné sur des données sans métal peut-il estimer correctement le diffusé dans des acquisitions contenant du métal ?
L'objectif du stage est de comparer des modèles à convolution gaussienne et des modèles d'apprentissage profond pour approximer les simulations Monte-Carlo du diffusé. L'étude évaluera leur précision, leur capacité de généralisation aux données contenant du métal, leur efficacité computationnelle ainsi que leur impact potentiel sur des tâches ultérieures de traitement d'images.
Programme de travail
Le ou la stagiaire intégrera l'équipe Tomoradio du laboratoire CREATIS et participera aux travaux suivants :
- Revue de la littérature: Analyse des algorithmes existants d'estimation du diffusé en CT, notamment les approches basées sur la convolution gaussienne et l'apprentissage profond.
- Préparation des données: Analyse et prétraitement des volumes de projections CT ainsi que des références de diffusé obtenues par simulation Monte-Carlo, pour des cas avec et sans métal.
- Développement des modèles: Implémentation et entraînement d'un modèle à convolution gaussienne et d'un modèle d'apprentissage profond pour l'estimation du diffusé.
- Évaluation des performances et de la généralisation: Comparaison des deux approches aux références Monte-Carlo et évaluation de leur capacité à se généraliser aux régions contenant des matériaux fortement atténuants, tels que le métal.
- Évaluation sur une tâche applicative: Étude de l'impact d'une estimation améliorée du diffusé sur une tâche supervisée de traitement d'images, par exemple la segmentation des dents sur des images CBCT.
Technologies et compétences recherchées
- Python
- NumPy et SciPy
- PyTorch
- Scikit-learn
- Des connaissances d'ITK et/ou RTK seraient appréciées mais ne sont pas requises.
Une formation en informatique, mathématiques appliquées, physique ou traitement d'image est souhaitée. Des connaissances en imagerie médicale ou en physique de la tomodensitométrie constituent un atout, mais ne sont pas indispensables.
Candidature
Les personnes intéressées sont invitées à envoyer leur :
- CV
- Lettre de motivation
- Dernier relevé de notes
à :
- Idris TATACHAK : idris.tatachak@creatis.insa-lyon.fr
- Simon RIT : simon.rit@creatis.insa-lyon.fr
References
- B Ohnesorge, T Flohr, and K Klingenbeck-Regn. Efficient object scatter correction algorithm for third and fourth generation CT scanners. European radiology, 9(3):563–569, 1999
- Lukas Hennemann, Julien Erath, Andreas Heinkele, Eric Fourni´e, Martin Petersilka, Karl Stierstorfer, and Marc Kachelrieß. Spectral deep learning-based patient and bowtie scatter correction for clinical photon-counting ct. Medical Physics, 53(5):e70442, 2026.
- Miguel Sun and Josh Star-Lack. Improved scatter correction using adaptive scatter kernel superposition. Physics in medicine and biology, 55:6695–720, 10 2010
- Heesin Lee and Joonwhoan Lee. A deep learning-based scatter correction of simulated x-ray images. Electronics, 8(9):944, 2019