Etude et optimisation des facteurs influençant la qualité d’image en médecine nucléaire

Abstract

La médecine nucléaire est une spécialité d'imagerie qui permet d'étudier le fonctionnement des organes à l’aide de faibles doses de radiotraceurs. Les deux modalités principales utilisées sont la Tomographie par Émission de Positrons (TEP) et la Tomographie par Émission Monophotonique (TEMP). Bien que ces techniques réduisent l'exposition du patient aux rayonnements, l'utilisation de faibles activités de radiotraceurs génère intrinsèquement un bruit élevé et une dégradation de qualité d’image, rendant difficile la détection des structures pathologiques fines et compromettant la précision diagnostique. Pour surmonter ce défi, cette thèse s’appuie sur une synergie entre la simulation physique et l'intelligence artificielle (IA). Dans un premier temps, le logiciel de simulation GEANT4 a été utilisé pour modéliser les interactions des rayonnements avec les détecteurs, dont le but d’optimiser la résolution en énergie. Parallèlement, l'apprentissage profond a été déployé pour améliorer la qualité d'image : un Réseau Antagoniste Génératif (GAN) a été spécifiquement conçu pour réduire efficacement le bruit au niveau du sinogramme avant la reconstruction de l'image, tandis qu'un Réseau à Attention par Canal Résiduel (RCAN) a été appliqué pour améliorer considérablement la résolution spatiale des images reconstruites. Les résultats obtenus, qui surpassent les performances des méthodes existantes rapportées dans la littérature, démontrent que cette approche combinée permet de produire des images TEP et TEMP de qualité supérieure, tant en termes de netteté que de fidélité quantitative. Ces avancées facilitent l’interprétation clinique et contribuent à un diagnostic plus précis, fiable et reproductible.