Modèles génératifs pour les problèmes inverses de Poisson: Application à l'imagerie d'émission

L’imagerie d’émission repose sur la détection de photons issus de désintégrations radioactives. Les principales modalités sont la tomographie par émission de positons (PET) et la tomographie par émission monophotonique (SPECT). En raison du processus d’acquisition, les données mesurées sont des sinogrammes bruités selon une loi de Poisson. La reconstruction d’image est donc formulée comme un problème inverse linéaire mal posé.

Les méthodes classiques de reconstruction, telles que l’algorithme Maximum Likelihood Expectation Maximization (MLEM), sont largement utilisées en pratique mais ont tendance à amplifier le bruit. Les progrès récents en apprentissage profond et en modèles génératifs, notamment les modèles de diffusion et de flow matching, offrent des a priori puissants pour les problèmes inverses. Cependant, leur application aux problèmes inverses de Poisson en imagerie médicale reste encore peu explorée et soulève des questions de fiabilité.

L’objectif est d’intégrer ces modèles génératifs modernes au processus de reconstruction en imagerie d’émission, en tenant compte du bruit de Poisson et des garanties de convergence.

Références

  1. L. A. Shepp and Y. Vardi, « Maximum likelihood reconstruction for emission tomography », IEEE Transactions on Medical Imaging, vol. 1, no. 2, pp. 113–122, 1982.
  2. K. Zhang, Y. Li, W. Zuo, L. Zhang, L. Van Gool, and R. Timofte, « Plug-and-Play Image Restoration With Deep Denoiser Prior », IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, pp. 6360–6376, Oct. 2022.
  3. Y. Song, J. Sohl-Dickstein, D. P. Kingma, A. Kumar, S. Ermon, and B. Poole, « Score-based generative modeling through stochastic differential equations », in ICLR, 2021.
  4. Y. Lipman, R. T. Q. Chen, H. Ben-Hamu, M. Nickel, and M. Le, « Flow Matching for Generative Modeling », Feb. 2023, arXiv:2210.02747.
  5. H. Chung, J. Kim, M. T. McCann, M. L. Klasky, and J. C. Ye, « Diffusion posterior sampling for general noisy inverse problems », in ICLR, 2023.
  6. G. Webber, Y. Mizuno, O. D. Howes, A. Hammers, A. P. King, and A. J. Reader, « Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction », IEEE Transactions on Medical Imaging, 2025.
  7. T. Modrzyk, A. Etxebeste, E. Bretin, and V. Maxim, « A convergent Plug-and-Play Majorization-Minimization algorithm for Poisson inverse problems », 2025.