Добірка наукової літератури з теми "Prédiction du mouvement respiratoire"

L’ostéopathie connaît un engouement croissant. Compte tenu de leur action commune sur les enfants et les adolescents, la collaboration entre l’orthopédie dento-faciale et l’ostéopathie est de plus en plus fréquente. Il devient donc nécessaire et urgent de rechercher si, selon les données acquises de la science, il existe une preuve des inter-relations possibles entre les deux disciplines. Après revue de la littérature, peu de publications scientifiques prouvent l’utilité de l’ostéopathie et ses relations avec d’autres disciplines. Pourtant, des relations entre occlusion et posture ont été montrées – sans qu’il s’agisse à proprement parler de preuve scientifique –, notamment dans le sens sagittal. D’autre part, bien que la mobilité des os du crâne soit établie, le mouvement respiratoire primaire est toujours sujet à controverses, y compris parmi les ostéopathes. Cela alors même que l’orthopédie dento-faciale a été longtemps accusée de contrer le mouvement respiratoire primaire des os crâniens (MRP). Aujourd’hui, les ostéopathes ne rejettent plus l’orthodontie car le retour à une situation occlusale saine est considéré comme bénéfique. Selon les avis d’experts – sans preuve toutefois – certains appareils d’orthodontie (forces extra-buccales, disjoncteurs, etc.), qui bloquent les sutures, seraient néanmoins à éviter et nécessitent le cas échéant un suivi ostéopathique. Les polémiques sur les effets néfastes de l’orthodontie étant de plus en plus nuancées de la part des ostéopathes et l’orthodontie moderne se réclamant d’une approche « globale » du patient, une collaboration sera peut-être possible dans les années à venir.

L’objectif ultime de thèse est de développer un système de synchronisation de bout en bout pour la compensation en temps réel des mouvements lors du traitement du cancer du poumon et du foie sur l’Elekta Unity. Ce système surveillera et localisera automatiquement en temps réel la position spatiale tridimensionnelle de la tumeur, et prédira sa trajectoire dans 0.5 secondes. Un signal de synchronisation sera généré pour contrôler l’activation et la désactivation du faisceau pendant la radiothérapie, réduisant ainsi l’inexactitude dans la délivrance de la dose due au mouvement respiratoire. Pour atteindre cet objectif, les étapes suivantes ont été réalisées : 1. Validation de l’efficacité de KCF dans le suivi des tumeurs en 2D sur des images en IRM cine, plus efficace et précise par rapport aux méthodes traditionnelles (TM). La précision est améliorée en calculant le centroïde des pixels, et la sélection des plans (coronales vs sagittales) pour localiser les tumeurs dans la direction SI. 2. Proposition d’un modèle C-NLSTM spécifique au patient qui combine la préformation du modèle C-NLSTM et l’optimisation de la cible pour obtenir une meilleure prédiction du mouvement de tumeurs. Le transfer learning, en utilisant efficacement le modèle préformé sur un ensemble de données limité, est une solution pertinente face au manque de données de l’Elekta Unity. Le modèle montre une performance satisfaisante dans la prédiction en temps réel pour la compensation du movement spécifique au patient. 3. Validation de la régression linéaire dans la prédiction du mouvement des organs ou des tumeurs en utilisant des images MR ciné 2D et proposition d’un schéma de prédiction en ligne pour les signaux de gating. Les signaux de gating sont déclenchés àl’aide de modèles prédictifs, prouvant son efficacité dans la MRgRT en comparant avec des modèles RNN. 4. Intégration des travaux susmentionnés, proposition d’une solution complète de compensation des mouvements respiratoires basée sur la IRM cine orthogonale. En optimisant un modèle de pavé et en explorant différents scénarios, des signaux de gating sont générés pour répondre aux besoins de traitement des différents patients. La validation par étude dosimétrique confirme que l’efficacité de la solution proposée dans la protection des organes environnants à risque. En résumé, le système proposé est robuste et fiable, réalisant une adaptation en temps réel au mouvement des tumeurs en MRgRT. Il fournit un solide soutien pour la compensation du mouvement respiratoire dans le traitement des cancers thoraciques et abdominaux, servant d’outil essentiel pour la radiothérapie de précision
The ultimate aim of this paper is to develop an end-to-end gating system for real-time motion compensation during lung cancer and liver cancer treatment on the Elekta Unity. This system will monitor and automatically locate the three-dimensional spatial position of the tumor in real-time, and predict the tumor’s motion trajectory in the Superior-Inferior (SI), Left-Right (LR), and Anterior-Posterior (AP) directions in advance. Based on the set gating rules, a unique gating signal will be generated to control the beam on and off during radiotherapy, thereby compensating for the inaccuracy of dose delivery due to respiratory motion. To achieve this goal, the following steps have been carried out : 1. We proposed a tumor tracking workflow based on KCF, addressing the issues of time consumption and accuracy in tumor tracking using 2D Cine-MRI. Firstly, we verified the efficiency and accuracy of KCF in 2D Cine-MRI tumor tracking. By calculating the centroid, we improved the situation where the fixed-size template generated errors when the tumor shape changed, thus enhancing the tracking accuracy. In particular, we focused on the tracking in the SI direction by optimizing the selection of coronal slices or sagittal slices to determine the optimal position of the tumor in the SI direction. 2. We proposed a patient-specific transfer C-NLSTM model for real-time prediction of tumor motion, addressing the issue of insufficient training data. We constructed a C-NLSTM model, and introduced transfer learning to fully leverage the rich knowledge and feature representation capabilities embedded in the pretrained model, while fine-tuning is conducted based on specific patient data to achieve high-precision prediction of tumor motion. Through this approach, the model can be trained with only two minutes of patient-specific data, effectively overcoming the challenge of data acquisition. 3. We proposed an efficient gating signal prediction method, overcoming the challenge of precise predictions in 2D Cine-MRI with limited sampling frequencies. We validated the effectiveness of linear regression for predicting internal organ or tumor motion in 2D MR cine. And we proposed an online gating signal prediction scheme based on ALR to enhance the accuracy of gating radiotherapy for liver and lung cancers. 4. We proposed an end-to-end gating system based on 2D Cine-MRI for the Elekta Unity MRgRT. It enables real-time monitoring and automatic localization of the tumor’s 3D spatial position, prediction of tumor motion in three directions, and fitting an optimal cuboid (gating threshold) for each patient based on the tumor’s motion range. Additionally, we explored various approaches to derive 3D gating signals based on tumor motion in one, two, or three directions, aiming to cater to different patient treatment needs. Finally, the results of dosimetric validation demonstrate that the proposed system can effectively enhance the protection of OAR

L'objectif de cette thèse sont les corrections liées aux problèmes des mouvements respiratoires en tomographie d'émission. Il a été prouve que les mouvements respiratoires produisent des images floues, ce qui affecte la détection des lésions, les diagnostics, les traitements, etc. La solution proposée a été conçue pour opérer sans aucun dispositif externe. Cette méthode présente un schéma de la correction du mouvement basée sur un modèle inclus dans la reconstruction d'image. Le modèle prend en compte les déplacements et déformations des éléments d'émissions (voxels), lequel permet de considérer les déformations non rigides produites dans le thorax pendant la respiration. De plus, le model de voxel choisit, permet une amélioration aux calculs par rapport aux méthodes classiques. Deux models d'estimation etaitent développes. Un premier model simplifie consiste a adapter un model de respiration connu sur l'anatomie du patient. Le model initial décrit a travers un champ de déplacement les déformations du poumon produit entre les états de respiration extreme.Ce champ de déplacement est ensuite adapte sur l'anatomie du patient. La deuxième méthode a été conçu pour prendre en compte le manque de robustesse provoque par l'utilisation d'un seul sujet quand on construit les champs de déplacement connus. Incorporation de la variation des sujets dans un model statistique de respiration a été développe. La méthodologie a été développe dans un cadre de reconstruction d'image 3D et a été teste avec des données simules et réels.

Cette thèse se situe à l’intersection de l’apprentissage automatique et de la robotique humanoïde, dans le domaine de la robotique collaborative. Elle se focalise sur les interactions non verbales humain-robot, en particulier sur l’interaction gestuelle. La prédiction de l’intention, la compréhension et la reproduction de gestes sont les questions centrales de cette thèse. Dans un premier temps, le robot apprend des gestes par démonstration : un utilisateur prend le bras du robot et lui fait réaliser les gestes à apprendre plusieurs fois. Le robot doit alors reproduire ces différents mouvements tout en les généralisant pour les adapter au contexte. Pour cela, à l’aide de ses capteurs proprioceptifs, il interprète les signaux perçus pour comprendre le mouvement guidé par l’utilisateur, afin de pouvoir en générer des similaires. Dans un second temps, le robot apprend à reconnaître l’intention de l’humain avec lequel il interagit, à partir des gestes que ce dernier initie. Le robot produit ensuite des gestes adaptés à la situation et correspondant aux attentes de l’utilisateur. Cela nécessite que le robot comprenne la gestuelle de l’utilisateur. Pour cela, différentes modalités perceptives ont été explorées. À l’aide de capteurs proprioceptifs, le robot ressent les gestes de l’utilisateur au travers de son propre corps : il s’agit alors d’interaction physique humain-robot. À l’aide de capteurs visuels, le robot interprète le mouvement de la tête de l’utilisateur. Enfin, à l’aide de capteurs externes, le robot reconnaît et prédit le mouvement corps entier de l’utilisateur. Dans ce dernier cas, l’utilisateur porte lui-même des capteurs (vêtement X-Sens) qui transmettent sa posture au robot. De plus, le couplage de ces modalités a été étudié. D’un point de vue méthodologique, nous nous sommes focalisés sur les questions d’apprentissage et de reconnaissance de gestes. Une première approche permet de modéliser statistiquement des primitives de mouvements representant les gestes : les ProMPs. La seconde, ajoute à la première du Deep Learning, par l’utilisation d’auto-encodeurs, afin de modéliser des gestes corps entier contenant beaucoup d’informations, tout en permettant une prédiction en temps réel mou. Différents enjeux ont notamment été pris en compte, concernant la prédiction des durées des trajectoires, la réduction de la charge cognitive et motrice imposée à l’utilisateur, le besoin de rapidité (temps réel mou) et de précision dans les prédictions
This thesis lies at the intersection between machine learning and humanoid robotics, under the theme of human-robot interaction and within the cobotics (collaborative robotics) field. It focuses on prediction for non-verbal human-robot interactions, with an emphasis on gestural interaction. The prediction of the intention, understanding, and reproduction of gestures are therefore central topics of this thesis. First, the robots learn gestures by demonstration: a user grabs its arm and makes it perform the gestures to be learned several times. The robot must then be able to reproduce these different movements while generalizing them to adapt them to the situation. To do so, using its proprioceptive sensors, it interprets the perceived signals to understand the user's movement in order to generate similar ones later on. Second, the robot learns to recognize the intention of the human partner based on the gestures that the human initiates. The robot can then perform gestures adapted to the situation and corresponding to the user’s expectations. This requires the robot to understand the user’s gestures. To this end, different perceptual modalities have been explored. Using proprioceptive sensors, the robot feels the user’s gestures through its own body: it is then a question of physical human-robot interaction. Using visual sensors, the robot interprets the movement of the user’s head. Finally, using external sensors, the robot recognizes and predicts the user’s whole body movement. In that case, the user wears sensors (in our case, a wearable motion tracking suit by XSens) that transmit his posture to the robot. In addition, the coupling of these modalities was studied. From a methodological point of view, the learning and the recognition of time series (gestures) have been central to this thesis. In that aspect, two approaches have been developed. The first is based on the statistical modeling of movement primitives (corresponding to gestures) : ProMPs. The second adds Deep Learning to the first one, by using auto-encoders in order to model whole-body gestures containing a lot of information while allowing a prediction in soft real time. Various issues were taken into account during this thesis regarding the creation and development of our methods. These issues revolve around: the prediction of trajectory durations, the reduction of the cognitive and motor load imposed on the user, the need for speed (soft real-time) and accuracy in predictions

Cette thèse se situe à l’intersection de l’apprentissage automatique et de la robotique humanoïde, dans le domaine de la robotique collaborative. Elle se focalise sur les interactions non verbales humain-robot, en particulier sur l’interaction gestuelle. La prédiction de l’intention, la compréhension et la reproduction de gestes sont les questions centrales de cette thèse. Dans un premier temps, le robot apprend des gestes par démonstration : un utilisateur prend le bras du robot et lui fait réaliser les gestes à apprendre plusieurs fois. Le robot doit alors reproduire ces différents mouvements tout en les généralisant pour les adapter au contexte. Pour cela, à l’aide de ses capteurs proprioceptifs, il interprète les signaux perçus pour comprendre le mouvement guidé par l’utilisateur, afin de pouvoir en générer des similaires. Dans un second temps, le robot apprend à reconnaître l’intention de l’humain avec lequel il interagit, à partir des gestes que ce dernier initie. Le robot produit ensuite des gestes adaptés à la situation et correspondant aux attentes de l’utilisateur. Cela nécessite que le robot comprenne la gestuelle de l’utilisateur. Pour cela, différentes modalités perceptives ont été explorées. À l’aide de capteurs proprioceptifs, le robot ressent les gestes de l’utilisateur au travers de son propre corps : il s’agit alors d’interaction physique humain-robot. À l’aide de capteurs visuels, le robot interprète le mouvement de la tête de l’utilisateur. Enfin, à l’aide de capteurs externes, le robot reconnaît et prédit le mouvement corps entier de l’utilisateur. Dans ce dernier cas, l’utilisateur porte lui-même des capteurs (vêtement X-Sens) qui transmettent sa posture au robot. De plus, le couplage de ces modalités a été étudié. D’un point de vue méthodologique, nous nous sommes focalisés sur les questions d’apprentissage et de reconnaissance de gestes. Une première approche permet de modéliser statistiquement des primitives de mouvements representant les gestes : les ProMPs. La seconde, ajoute à la première du Deep Learning, par l’utilisation d’auto-encodeurs, afin de modéliser des gestes corps entier contenant beaucoup d’informations, tout en permettant une prédiction en temps réel mou. Différents enjeux ont notamment été pris en compte, concernant la prédiction des durées des trajectoires, la réduction de la charge cognitive et motrice imposée à l’utilisateur, le besoin de rapidité (temps réel mou) et de précision dans les prédictions
This thesis lies at the intersection between machine learning and humanoid robotics, under the theme of human-robot interaction and within the cobotics (collaborative robotics) field. It focuses on prediction for non-verbal human-robot interactions, with an emphasis on gestural interaction. The prediction of the intention, understanding, and reproduction of gestures are therefore central topics of this thesis. First, the robots learn gestures by demonstration: a user grabs its arm and makes it perform the gestures to be learned several times. The robot must then be able to reproduce these different movements while generalizing them to adapt them to the situation. To do so, using its proprioceptive sensors, it interprets the perceived signals to understand the user's movement in order to generate similar ones later on. Second, the robot learns to recognize the intention of the human partner based on the gestures that the human initiates. The robot can then perform gestures adapted to the situation and corresponding to the user’s expectations. This requires the robot to understand the user’s gestures. To this end, different perceptual modalities have been explored. Using proprioceptive sensors, the robot feels the user’s gestures through its own body: it is then a question of physical human-robot interaction. Using visual sensors, the robot interprets the movement of the user’s head. Finally, using external sensors, the robot recognizes and predicts the user’s whole body movement. In that case, the user wears sensors (in our case, a wearable motion tracking suit by XSens) that transmit his posture to the robot. In addition, the coupling of these modalities was studied. From a methodological point of view, the learning and the recognition of time series (gestures) have been central to this thesis. In that aspect, two approaches have been developed. The first is based on the statistical modeling of movement primitives (corresponding to gestures) : ProMPs. The second adds Deep Learning to the first one, by using auto-encoders in order to model whole-body gestures containing a lot of information while allowing a prediction in soft real time. Various issues were taken into account during this thesis regarding the creation and development of our methods. These issues revolve around: the prediction of trajectory durations, the reduction of the cognitive and motor load imposed on the user, the need for speed (soft real-time) and accuracy in predictions

Cette thèse traite du mouvement respiratoire dans l'imagerie TEP/TDM. L'imagerie TEP est une modalité à exposition longue très influencée par les mouvements involontaires du patient. Ces mouvements produisent des artéfacts dont les conséquences sont sérieuses pour le diagnostic car les tumeurs paraissent plus larges et moins actives. Cette thèse contribue à la résolution de ce problème. En plus de proposer l'architecture d'un système d'acquisition TEP/TDM synchronisée à la respiration, on y développe trois méthodes de traitement de signal et d'images qui peuvent être appliquées pour résoudre différents sous-problèmes: Une méthode originale de segmentation et caractérisation du signal respiratoire pour découvrir les patterns respiratoires "normaux" du patient, une méthode de reconstruction TDM-4D qui permet d'obtenir des images anatomiques du corps à chaque niveau respiratoire désiré et un algorithme itératif amélioré pour reconstruire des images TEP-4D compensées en mouvement respiratoire. Toutes ces méthodes et algorithmes ont été validés et testés sur des données simulées, des données de fantômes, et des données réelles de patients
This thesis deals with respiratory motion in PET/CT images. It is well known that PET is a modality that requires a long exposure time. During this time, patients moves and breath. These motions produce undesirable artefacts that alter seriously the images and their precision. This has important consequences when diagnosing thoracic, and particularly pulmonary, cancer. Tumours appear larger than they really are and their activity is weaker. This thesis proposes to contribute to solving these problems.We propose the architecture of an integrated PET/CT acquisition system synchronized to respiration. We also develop signal and image processing methods that can be applied to eliminating respiratory artefacts in CT and PET images. The thesis brings three main contributions : An original respiratory signal segmentation and characterization to detect "normal" respiratory patterns, a 4D-CT reconstruction method that creates 3D images of the whole body for any respiratory level and an enhanced iterative algorithm for reconstructing 4D-PET images without respiratory artefacts. The developed methods have validated and tested on simulated, phantom and real patients' data

Le principe de la radiothérapie est de délivrer le maximum de dose de rayons X à la tumeur en épargnant au mieux les tissus sains environnants. Dans le cas du cancer du poumon, les mouvements respiratoires représentent une difficulté majeure. L'imagerie tomodensitométrique (TDM) 4D fournit des informations de mouvement spécifique à chaque patient qui peuvent servir de base pour la construction de modèles de mouvement respiratoire. La disponibilité dans les salles de traitement d'imageurs tomographiques embarqués sur les accélérateurs linéaires permet une estimation direct du mouvement et offre des informations plus précises. Un tel système d'imagerie permet entre-autre d'acquérir des images fluoroscopiques : ensemble de projections radiographiques 2D acquises au cours du temps et sous le même angle de vue. Notre approche s'intègre dans des systèmes de synchronisation de l'irradiation avec la respiration. Actuellement, cette technique existe en utilisant pour signal de synchronisation soit un signal externe, soit un signal interne issu du mouvement de marqueurs implantés autour de la tumeur. Notre approche permet d'obtenir un signal de synchronisation obtenu à partir de données internes sans marqueurs implantés. Dans ce cadre, nous avons expérimenté, développé puis évalué 3 méthodes de détection du mouvement à partir de séquences fluoroscopiques. Ces méthodes sont basées respectivement sur la variation de l'intensité, l'extraction de la hauteur du diaphragme et le suivi de blocst. A partir d'un algorithme de mise en correspondance de blocs, nous avons étudié l'homogénéité du mouvement apparent et déterminé, sans a priori géométrique, des régions où le mouvement est uniforme. Nous avons ensuite étudié la corrélation entre le signal interne extrait sur des séquences fluoroscopiques, et un signal extrait d'une vidéo-caméra synchronisée aux séquences fluoroscopiques assimilable à un signal externe. Dans une dernière partie, nous proposons d'estimer le mouvement 3D de la tumeur à partir d'un modèle de mouvement a priori élaboré dans une étape de pré-traitement à l'aide d'images TDM 4D et du signal respiratoire acquis dans la salle de traitement. L'intérêt de notre approche est qu'elle ne nécessite pas de marqueurs implantés ce qui la rend moins invasive que de nombreuses autres techniques. D'autre part, nous proposons un suivi 2D donc potentiellement rapide, mais basé sur un modèle 3D sous-jacent permettant ainsi de retrouver le maximum d'information. Cliniquement, notre approche permettrait de réaliser une adaptation quotidienne aux mouvements inter-sessions. Une des limites de notre approche est qu'elle nécessite une prise d'images ionisantes en continue. Un système hybride basée sur la combinaison d'un signal interne et d'un signal externe permettrait de limiter la dose additionnelle. Des efforts supplémentaires sur la réduction du temps de calcul sont encore nécessaires pour espérer guider un traitement par une telle approche.

La tomographie par émission de positons (TEP) est une modalité d'imagerie fonctionnelle incontournable pour le diagnostic et le suivi thérapeutique en oncologie. De nouvelles applications telles que la radiothérapie guidée par l'imagerie fonctionnelle sont en cours d'investigation. Les images TEP souffrent toutefois d'une faible résolution spatiale, encore dégradée par les effets du mouvement respiratoire du patient dans le thorax et l'abdomen. La grande majorité des solutions proposées pour la correction de ce mouvement respiratoire reposent sur l'enregistrement du signal respiratoire pendant l'acquisition TEP et de la synchronisation de l'acquisition avec ce signal respiratoire. Les données peuvent ainsi être séparées selon la partie du cycle respiratoire pendant laquelle elles ont été acquises. Les données correspondant à une même position peuvent ensuite être sommées et reconstruites. Les images résultantes sont cependant de qualité réduite, car elles ne contiennent qu'une portion de l'information. Il est donc nécessaire de les combiner. Les solutions disponibles actuellement proposent de recaler et sommer les données synchronisées, avant, pendant, ou après leur reconstruction, ce qui produit une image sans mouvement de qualité proche de celle qui aurait pu être obtenue en l'absence de mouvement respiratoire. La super-résolution vise à améliorer la résolution d'une image appartenant à une séquence d'images représentant différentes vues de la même scène. Elle exploite le mouvement présent dans cette séquence afin d'obtenir une image d'une résolution supérieure à celle permise par le système d'imagerie et ne contenant pas de recouvrement de spectre. Le but de cette thèse est d'appliquer une telle technique pour compenser le mouvement respiratoire. Nous avons d'abord appliqué un algorithme de super-résolution déjà existant à une séquence d'images TEP synchronisées avec la respiration, ce qui représente une application inédite. Cette technique permet de corriger efficacement les effets du mouvement respiratoire. Les méthodes de correction du mouvement respiratoire sont souvent plus performantes lorsqu'elles sont incorporées à la reconstruction plutôt qu'appliquées aux images reconstruites. C'est pourquoi nous avons ensuite développé de nouveaux algorithmes de reconstruction TEP incorporant la super-résolution. Les images ainsi reconstruites sont de meilleure qualité que celles corrigées par super-résolution après reconstruction. Enfin, nous avons montré que la correction du mouvement respiratoire par super-résolution permet une précision accrue dans la planification du traitement par radiothérapie.

Traditionnellement, les examens de médecine nucléaire sont réalisés sans prendre en compte le mouvement respiratoire. Or, ce dernier est responsable de l’introduction de flou dans les images acquises. Nous démontrons que ce flou est d’autant plus important que le mouvement respiratoire est ample et que la résolution spatiale du système d’imagerie est élevée. Ceci devient particulièrement critique quand l’amplitude du mouvement respiratoire devient supérieure à la FWHM (Largeur à mi-hauteur) intrinsèque du système d’imagerie. Ainsi, la résolution globale du système (intégrant la résolution intrinsèque et le mouvement respiratoire) devient alors plus déterminée par l’amplitude du mouvement respiratoire que par la FWHM intrinsèque du système d’imagerie. Les récentes évolutions technologiques en médecine nucléaire se traduisent par une nette amélioration de la résolution spatiale de la TEMP et la TEP pouvant aller jusqu’à une FWHM de 5 mm et 4 mm respectivement. Celles-ci sont nettement inférieures à l’amplitude du mouvement respiratoire des organes thoraco-abdominaux qui est souvent supérieure à 10 mm selon la méta-analyse que nous rapportons. D’où la nécessité de prendre en compte le mouvement respiratoire afin de tirer le maximum de bénéfice de cette amélioration de la résolution spatiale. Nous développons un système vidéo de détection du mouvement respiratoire et une méthode basée sur le traitement des images dynamiques acquises. Nous étudions leurs performances et nous les comparons à celles d’une ceinture pneumatique. Nous présentons les résultats préliminaires d’une étude visant à comparer les performances de ces trois méthodes dans le cas de la scintigraphie myocardique de perfusion
Traditionally, nuclear medicine exams are carried out without taking respiratory motion into account. However, respiratory motion introduces blur into the images. We demonstrate that the amount of blur is positively related to the amplitude of respiratory motion and the spatial resolution of the imaging system. This becomes critical when the amplitude of respiratory movement becomes greater than the effective FWHM (full width half maximum) of the imaging system. In this situation, the global resolution of the system (integrating the effective resolution and the respiratory motion) is determined more by the amplitude of respiratory motion than by the effective FWHM of the imaging system. Recent technological advances in nuclear medicine have greatly improved the spatial resolution of SPECT and PET, allowing an FWHM up to 5 mm and 4 mm respectively. This is much lower than the amplitude of motion of the thoraco-abdominal organs which can be over 10 mm according to our meta-analysis. It is therefore necessary to account for respiratory motion in order to take full advantage of these improvements in spatial resolution. We have developed a video based motion tracking system of respiratory motion and a method based on processing of acquired dynamic images. We evaluated the performance of each and compared them with the performance of a pneumatic belt. We present the preliminary results of a comparison of these three methods during myocardial perfusion SPECT

L’objectif de cette thèse est de développer un algorithme de reconstruction 3D+t exploitant l’ensemble des contraintes spatio-temporelles connues sur le mouvement respiratoire pour aboutir à une image reconstruite en utilisant toute la statistique, compensée du mouvement respiratoire. Dans toute cette étude, les données d’émission au format list-mode ont été reconstruites en utilisant l’algorithme itératif OPL-EM (« One Pass List-Mode EM »). Deux méthodologies ont été étudiées basées sur des corrections affine ou élastique. Pour chacune des méthodes, les paramètres de transformation ont été calculés à partir des séries dynamiques TDM ou TEP reconstruites avec et sans correction d’atténuation, et appliqués ensuite directement aux données d’émission list-mode, ou intégrés pendant le processus de reconstruction. Pour évaluer les méthodes développées des simulations Monte-Carlo ont dans un premier temps été effectuées, basées sur le fantôme dynamique NCAT qui permet de modéliser le mouvement respiratoire. La phase finale de l’évaluation a reposé sur l’analyse d’acquisitions multi-modales réelles réalisées chez des patients. Les résultats de ce travail démontrent que les deux types de corrections envisagées, affine ou élastique, conduisent à d’importantes améliorations suite à la correction du mouvement respiratoire dans le champ de vue pulmonaire. Cependant, cette étude a permis de démontrer que la méthode de correction basée sur une transformation élastique permet d’obtenir une amélioration plus uniforme dans tout le champ de vue quelque soit la partie des poumons considérée
The objective of this thesis s to develop a 3D+t reconstruction algorithm taking advantage of ail the spatiotemporal known about the respiratory movement in order to produce a reconstructed image compensated from the respiratory motion using ail the statistics. In ail this study, List-mode raw emission data were reconstructed using the iterative OPL-EM algorithm (“One Pass List Mode-EM). For both proposed methodologies based on affine or elastic correction methodologies, the transformation parameters were calculated from dynamic CT or PET images reconstructed with and without attenuation correction and were subsequently applied directly to the list-mode emission data or integrated during the reconstruction process. Three different ways to incorporate the elastic transformations matrices during the QPL-EM reconstruction algorithm have been developed and evaluated. To evaluate the developed methodologies Monte-Carlo simulations based on the dynamic NCAT phantom, including a breathing movement, have in the first instance been performed. The final phase of the evaluation was based on an analysis of actual multi-modality clinical cases. The results of this work show that the two types of proposed corrections, affine or elastic, lead to significant improvements as a result of the breathing movement compensation in the lung field of view. However, this study demonstrates that the correction method based on an elastic transformation yields a more uniform improvement in the whole field of view, whatever part of the lungs is considered