Approches par apprentissage profond pour l’imagerie TEP : TEP à trois photons, correction de la portée du positron et reconstruction directe

La TEP est limitée dans sa capacité à localiser précisément l’émission le long de la ligne de réponse, en raison des incertitudes de détection et de la portée du positon avant annihilation, ce qui contraint la précision spatiale. L’imagerie à trois photons améliore cette localisation en ajoutant des contraintes géométriques, mais même une détection idéale ne peut compenser les effets liés à la portée du positon. Cette thèse explore des approches d’apprentissage profond intégrant la modélisation physique pour améliorer la reconstruction TEP. D’abord, une chaine pour la reconstruction du TEP à trois photons qui ordonne les interactions du 3ème gamma, propage les incertitudes vers une histo-image 3D, puis affine la reconstruction avec un réseau convolutif. Ensuite, les effets de portée sont modélisés par un réseau génératif, complété par des modèles prédictifs d’un opérateur de flou linéaire conditionné par la densité des matériaux. Enfin, un modèle de reconstruction directe convertit les données brutes en images à l’aide de mécanismes d’attention guidés par la géométrie du scanner.