Stage Stage de Master : Apprentissage auto-supervisé pour la reconstruction d’images SPECT

Contexte

Les thérapies radiopharmaceutiques (RPT), telle que le ¹⁷⁷Lu-PSMA utilisée pour le cancer de la prostate résistant à la castration, a connu une croissance rapide ces dernières années [1, 2]. La dosimétrie personnalisée est essentielle pour maximiser le contrôle tumoral tout en minimisant le risque pour les organes sains. Ce processus repose sur l’imagerie SPECT (tomographie par émission monophotonique). Cependant, la qualité des images est dégradée par des facteurs tels que l’atténuation et la diffusion [3, 4, 5].

Pour reconstruire ces images avec précision, de nombreuses méthodes ont été proposées au fil des ans, allant des algorithmes itératifs classiques tels que MLEM/OSEM [6] et leurs variantes régularisées [7], jusqu’aux approches récentes d’apprentissage profond [8].

Les méthodes supervisées d’apprentissage profond, bien que prometteuses, reposent sur la disponibilité de données de référence (ground truth) pour l’entraînement, ce qui est inaccessible en imagerie SPECT. Pour surmonter cette limitation, nous cherchons à explorer des stratégies d’apprentissage auto-supervisé. Récemment, certaines propositions ont été faites dans le domaine de l’imagerie PET (tomographie par émission de positons), une autre modalité de tomographie d’émission [9].

Objectif

Le stage portera sur le développement et la validation d’algorithmes auto-supervisés pour la reconstruction d’images SPECT. Le stagiaire commencera par une revue de l’état de l’art des méthodes auto-supervisées en tomographie d’émission. Par la suite, ces algorithmes seront implémentés et appliqués à l’imagerie SPECT, puis leur performance sera comparée à celle des approches itératives classiques et supervisées. Les reconstructions seront réalisées à l’aide de Pytomography [10] et PyTorch.

Les principales missions seront :

  • Réaliser une revue de l’état de l’art des méthodes d’apprentissage auto-supervisé en tomographie d’émission, sur la base de [9].
  • Adapter l’algorithme issu de [9] à la modalité SPECT.
  • Valider et comparer ces méthodes avec les algorithmes itératifs et supervisés déjà développés au sein de l’équipe.

Environnement

L’étudiant(e) intégrera l’équipe TOMORADIO et travaillera au sein d’un groupe pluridisciplinaire composé de médecins nucléaires, physiciens médicaux, chercheurs et informaticiens, au laboratoire CREATIS du Centre Léon-Bérard.

Compétences attendues et autres informations

Compétences attendues :

  • Apprentissage profond (deep learning)
  • Physique médicale
  • Traitement d’images

Compétences techniques :

  • La maîtrise de Python est requise
  • Une expérience avec PyTorch (ou TensorFlow) constitue un atout important

Langues : Anglais ou français

Lieu : Centre Léon-Bérard, Lyon, France

Supervision

  • David Sarrut, DR CNRS, CREATIS
  • Ane Etxebeste, MCF INSA, CREATIS 
  • Corentin Constanza, PhD Candidate, CREATIS 

Candidature

Les candidat(e)s intéressé(e)s sont invité(e)s à envoyer : une lettre de motivation, un CV, ainsi que tout autre document pertinent (lettre de recommandation, relevés de notes récents, etc.) à : david.sarrut@creatis.insa-lyon.fr, ane.etxebeste@creatis.insa-lyon.fr, and corentin.constanza@creatis.insa-lyon.fr.

References

[1] O. Sartor et al., “Lutetium-177–PSMA-617for metastatic castration-resistant prostate cancer,” New England Journal of Medicine, vol. 385, no. 12, pp. 1091–1103, 2021.
[2] L. Vergnaud et al., “Patient-specific dosimetry adapted to variable number of SPECT/CT time-points per cycle for 177 Lu-DOTATATE therapy,” EJNMMI physics, vol. 9, no. 1, p. 37, 2022.
[3] M. Ljungberg et al., “3-D image-based dosimetry in radionuclide therapy,” IEEE Transactions on Radiation and Plasma Medical Sciences, vol. 2, no. 6, pp. 527–540, 2018.
[4] E. Hippel¨ainen et al., “Quantitative accuracy of 177Lu SPECT reconstruction using different compensation methods: Phantom and patient studies,” EJNMMI research, vol. 6, no. 1, p. 16, 2016.
[5] M. D’Arienzo et al., “Gamma camera calibration and validation for quantitative SPECT imaging with 177Lu,” Applied Radiation and Isotopes, vol. 112, pp. 156–164, 2016.
[6] G. L. Zeng et al., “Three-dimensional iterative reconstruction algorithms with attenuation and geometric point response correction,” IEEE transactions on nuclear science, vol. 38, no. 2, pp. 693–702, 1991.
[7] P. J. Green, “Bayesian reconstructions from emission tomography data using a modified EM algorithm,” IEEE transactions on medical imaging, vol. 9, no. 1, pp. 84–93, 1990.
[8] T. Kaprélian et al., “Partial volume correction on 177 Lu-SPECT sinogram with deep learning trained on synthetic data,” in 2024 IEEE Nuclear Science Symposium (NSS), Medical Imaging Conference (MIC) and Room Temperature Semiconductor Detector Conference (RTSD), IEEE, 2024, pp. 1–2.
[9] A. J. Reader, “Self-supervised and supervised deep learning for PET image reconstruction,” in AIP Conference Proceedings, AIP Publishing LLC, vol. 3061, 2024, p. 030 003.
[10] L. A. Polson et al., “Pytomography: A python library for medical image reconstruction,” SoftwareX, vol. 29, p. 102 020, 2025