Dans le domaine de la médecine nucléaire, la Tomographie par Émission de Positrons (TEP) est une méthode d'imagerie essentielle au diagnostic en oncologie, neurologie et cardiologie. Au cours de l'examen, des atomes radioactifs émetteurs de positrons sont injectés au patient sous la forme d'un produit radiopharmaceutique. La désintégration du radiotraceur libère des positrons, qui s'annihilent chacun en deux photons gamma émis dos à dos et atteignent une paire de détecteurs opposés entourant le patient. Ces photons détectés en coïncidence sont utilisés pour reconstituer la distribution du traceur dans le corps du sujet. La précision de cette imagerie dépend donc de la capacité des détecteurs à localiser et dater les interactions des photons gamma dans les scintillateurs.
Récemment, le projet ClearMind a proposé un concept innovant de détecteur TEP composé de cristaux monolithiques de tungstate de plomb (PbWO4) sensibles à la position des photons gamma. Ce scintillateur offre une sensibilité supérieure aux détecteurs pixellisés traditionnels, mais introduit une complexité supplémentaire dans le traitement des signaux pour la reconstruction spatiale des interactions.
Dans cette étude, le consortium de chercheurs des trois laboratoires de l'ISAS, du DPHP et du SHFJ a développé une méthode innovante de Machine Learning pour améliorer la localisation des interactions des photons gamma dans les scintillateurs développés par le projet ClearMind. L'équipe a utilisé un réseau de neurones à densité (Density Neural Network), entraîné sur des simulations du détecteur, avec une fonction de perte intégrant les contraintes physiques du détecteur (notamment près des bords), ainsi qu'une estimation de l'incertitude inhérente au processus de reconstruction. Cette combinaison unique a permis des estimations de position plus robustes et plus fiables et les résultats obtenus démontrent l'efficacité de l'approche proposée en mettant en évidence les avantages significatifs de l'estimation des incertitudes par le modèle.
En atteignant leur objectif de reconstruction plus fiable et précise des coordonnées spatiales des interactions gamma pour l'imagerie TEP, les auteurs discutent le fait que leur méthode pourrait s'appliquer à d'autres domaines nécessitant des analyses de données de capteurs complexes. Ils prévoient que leur approche pourrait transformer la manière dont les reconstructions spatiales sont réalisées, ouvrant la voie à des applications élargies ainsi qu'à une imagerie médicale plus précise et fiable en lien avec l'IA de confiance.
Contacts et affiliations :
Geoffrey Daniel geoffrey.daniel@cea.fr - Laboratoire d'Intelligence Artificielle et de sciences des Données (SGLS/DM2S/ISAS/DES) ;
Dominique Yvon dominique.yvon@cea.fr - Département de Physique des Particules (IRFU/DRF) et Laboratoire BioMaps (SHFJ/JOLIOT/DRF)
Ces travaux, qui ont bénéficié du partage de connaissances et de compétences entre la
physique des détecteurs, l
'intelligence artificielle et les
applications en médecine nucléaire, ont pu être réalisés grâce au cadre collaboratif offert par les Programmes Transversaux de Compétence (
PTC) du CEA. Ils se poursuivent, notamment grâce à un nouveau financement de l'ANR.