Clinical-task based reconstruction in Digital Breast Tomosynthesis - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Clinical-task based reconstruction in Digital Breast Tomosynthesis

Modélisation de la tâche clinique en reconstruction pour la tomosynthèse numérique du sein

Résumé

The reconstruction of a volumetric image from Digital Breast Tomosynthesis (DBT)measurements is an ill-posed inverse problem, for which existing iterative regularizedapproaches can provide a good solution. However, the clinical task is somehow omittedin the derivation of those techniques, although it plays a primary role in the radiologistdiagnosis. In this work, we address this issue by introducing a novel variational formulationfor DBT reconstruction. Our approach is tailored for a specific clinical task, namely the detection of microcalcifications. Our method aims at simultaneously enhancing the detectionperformance and enabling a high-quality restoration of the background breast tissues.First, we propose an original approach aiming at enhancing the detectability of microcalcifications in DBT reconstruction. Thus, we formulate a detectability function inspired from mathematical model observers. Then, we integrate it in a cost function which is minimized for 3D reconstruction of DBT volumes. Experimental results demonstrate the interest of our approach in terms of microcalcification detectability.In a second part, we introduce the Spatially Adaptive Total Variation (SATV) as a new regularization strategy applied to DBT reconstruction, in addition to the detectability function. Hence, an original formulation for the weighted gradient field is introduced, that efficiently incorporates prior knowledge on the location of small objects. Then, we derive our SATV regularization, and incorporate it in our proposed 3D reconstruction approach for DBT. We carry out several experiments, in which SATV regularizer shows a promising improvement with respect to state-of-the-art regularization methods.Third, we investigate the application of Majorize Minimize Memory Gradient (3MG) algorithm to our proposed reconstruction approach. Thus, we suggest two numerical improvements to boost the speed of the reconstruction scheme. Then, we assess the numerical performance of 3MG by comparing the convergence speed of the proposed method with state-of-the-art convex optimization algorithms.The last part of this thesis is focused on the quantitative assessment of the contribution of our proposed DBT reconstruction. Thus, we conduct a visual experiment trial involving fourteen readers including nine radiologists with different levels of expertise and five GE Healthcare experts in mammography. According to specific visual criteria, the results show the outperformance of our proposed reconstruction approach over the standard non-regularized least squares solution.
La reconstruction en tomosynthèse numérique du sein est considérée comme un problème inverse, pour lequel les méthodes itératives régularisées permettent de fournir une bonne qualité d'image. Bien que la tâche clinique joue un rôle crucial lors de l’examen des images par le radiologue, elle n'a pas été jusqu'à présent directement prise en compte dans le processus de reconstruction des images de tomosynthèse. Dans cette thèse, nous introduisons une nouvelle formulation variationnelle de la reconstruction des images en tomosynthèse numérique du sein qui intègre la tâche clinique du radiologue, notamment la détection des microcalcifications. Le but de cette approche est de permettre à la fois le rehaussement de la détectabilité des microcalcifications et une restauration de bonne qualité des tissus mammaires.Tout d'abord, nous proposons une nouvelle approche qui vise à rehausser la détectabilité des microcalcifications. Nous formulons une nouvelle fonction de détectabilité inspirée d’observateurs mathématiques. Nous l’intégrons, par la suite, dans une fonction objectif minimisée par un algorithme de reconstruction dédié. Nous montrons finalement l'intérêt de notre approche à l'égard des méthodes standards de reconstruction. Dans une deuxième partie, nous introduisons une nouvelle régularisation, Spatially Adaptive Total Variation (SATV), en complément de la fonction de détectabilité dans le problème de reconstruction en tomosynthèse. Nous proposons une formulation originale où l’opérateur de gradient est remplacé par un opérateur adaptatif appliqué à l'image qui incorpore efficacement la connaissance a priori relative à la localisation de petits objets. Ensuite, nous dérivons notre régularisation SATV et l'intégrons dans une nouvelle approche de reconstruction. Les résultats expérimentaux montrent que SATV est une piste prometteuse pour améliorer les méthodes de régularisation de l’état de l'art. Dans une troisième partie, nous étudions l'application de l’algorithme de Majoration-Minimisation à Mémoire de Gradient (3MG) à notre problème de reconstruction. Dans le but d’accroître sa vitesse de convergence, nous proposons deux améliorations numériques. Dès lors, les performances numériques sont évaluées en comparant la vitesse de convergence de la méthode proposée avec celles d'algorithmes d'optimisation convexe concurrents. La dernière partie de la thèse porte sur l'évaluation quantitative des contributions de l'approche de reconstruction proposée en tomosynthèse numérique du sein. Nous menons une étude de lecture d'images impliquant quatorze lecteurs dont neuf radiologues avec différents niveaux d'expertise et cinq experts en mammographie de GE Healthcare. Les résultats démontrent l'intérêt de notre approche de reconstruction par rapport à l'approche standard non-régularisée selon des critères visuels spécifiques.
Fichier principal
Vignette du fichier
97810_SGHAIER_2020_archivage.pdf (21.63 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03163854 , version 1 (15-02-2021)
tel-03163854 , version 2 (09-03-2021)

Identifiants

  • HAL Id : tel-03163854 , version 2

Citer

Maissa Sghaier. Clinical-task based reconstruction in Digital Breast Tomosynthesis. Signal and Image processing. Université Paris-Saclay, 2020. English. ⟨NNT : 2020UPASG040⟩. ⟨tel-03163854v2⟩
261 Consultations
74 Téléchargements

Partager

Gmail Facebook X LinkedIn More