Dans le domaine de la tomographie par rayons X préclinique, la tomographie spectrale est une voie de plus en plus en plus explorée. Les objectifs de la tomographie spectrale sont tant la caractérisation et la quantification des tissus et agents de contraste que l'amélioration de contraste entre tissus mous. Cela passe par l'exploitation de l'information spectrale (ou énergétique) des photons X et non plus seulement par la quantité de rayons X détectée comme en tomographie standard par absorption de rayons X. L'intérêt de la tomographie spectrale se trouve renforcé par l'arrivée des caméras à comptage comme le détecteur à pixels hybrides XPAD3 qui ont la capacité de sélectionner les photons X en fonction de leur énergie. Ce détecteur a été développé pour fonctionner dans le micro-tomodensitomètre PIXSCAN construit au CPPM. Dans ce contexte, cette thèse a deux buts~: participer à la construction du prototype PIXSCAN et y effectuer une preuve de concept de la tomographie spectrale. Le premier but est rempli grâce au développement de l'interface d'acquisition du PIXSCAN. Le second est atteint par l'implantation de la méthode de séparation de composantes dont le but est d'isoler les contributions photoélectrique, Compton et celles des agents de contraste. Ce travail débute par la caractérisation de cette méthode et se termine par sa démonstration sur données réelles acquises à l'aide du prototype PIXSCAN.

La tomographie à rayons X est une technologie d’imagerie en trois dimensions. Elle se base sur la transmission de rayons X à travers l’objet d’étude. Elle est non destructive mais néanmoins irradiante. Cette technique de visualisation est utilisée principalement dans trois domaines : le diagnostic médical, le contrôle non destructif (détection de défauts dans des pièces industrielles de haute performance) et la sécurité (contrôles aéroportuaires des bagages). Les récentes avancées technologiques dans le domaine des détecteurs spectrométriques de rayons X ouvrent des perspectives d’amélioration de cette technique d’imagerie dans ses divers domaines d’application. Nous avons développé une nouvelle méthode reconstruction statistique appelée MLTR-ONE-STEP qui permet de reconstruire la variabilité énergétique du coefficient linéaire d’atténuation de l’objet étudié. Cette approche est dite « one-step » car elle reconstruit directement le volume final à partir des mesures brutes issues de détecteurs spectrométriques.Les phénomènes physiques au sein du détecteur provoquent une distorsion énergétique du spectre d’atténuation qui a été prise en compte lors de la reconstruction. La méthode utilisée s’inscrit dans le cadre bayésien et maximise la log-vraisemblance du modèle tout en prenant en compte de l’a priori spatial sur le volume reconstruit. L’objectif de la méthode est l’amélioration de la qualité de l’image finale (réduction des artefacts et niveau de bruit) et la quantification des matériaux présents. Nous avons étudié dans le cadre de données simulées l’influence des paramètres de régularisation sur la reconstruction. En pratique, le détecteur de rayon X étudié classe les photons incidents en 64 canaux. Ils sont ensuite regroupés en un nombre de canaux plus faible (2 à 25) et l’influence de ce regroupement a été étudiée. La reconstruction MLTR-ONE-STEP a ensuite été testée sur des données expérimentales regroupées en 12 canaux. / X-ray spectral tomography is a 3D visualization technique. It is based on the transmission of X-rays through object matter. It is a non-destructive technology but which irradiates the studied object/patient. X-ray tomography is mainly used in three areas: medical diagnosis, non-destructive testing (detection of defects in industry devices) and airport security (luggage screening). New technological breakthroughs in X-ray photon-counting detectors provide new perspective for improving this technique in each application field. We have developed a new reconstruction method named MLTR-ONE-STEP which enables the obtention of energetic variability of the scanned object linear attenuation coefficient. This approach belongs to the “One-Step” class because it directly reconstructs the final images from raw photon-counting detector data.Physical effects inside the detector are causing spectral distortion of the energetic spectrum. This distortion is taken into account in our reconstruction through a Detector Response Matrix. The developed reconstruction method maximizes the poissonian likelihood of the measurements with a spatial regularization Tukey term. The objectives of spectral tomography are the improvement of the image quality compared to standard tomography and the quantification of materials inside the object. We have studied the influence of regularization parameters on the final result. In practice, photon-counting detector measurements are in practice sorted in 64 energy bins. Bins are then merged in a smaller number (from 2 to 25). The influence of this binning was studied on simulated data. The MLTR-ONE-STEP was then tested on real experimental data in order to prove the feasibility of such a “One-Step” reconstruction method.

Depuis quelques années les détecteurs à pixels hybrides ont ouvert la voie au développement de la tomographie à rayon X spectrale ou tomodensitométrie (TDM) spectrale. La TDM spectrale permet d’extraire plus d’information concernant la structure interne de l’objet par rapport à la TDM d’absorption classique. Un de ses objectifs dans l’imagerie médicale est d’identifier et quantifier des composants d’intérêt dans un objet, tels que des marqueurs biologique appelés agents de contraste (iode, baryum, etc.). La majeure partie de l’état de l’art procède en deux étapes : - la "pré-reconstruction" qui consiste à séparer les composants dans l’espace des projections puis reconstruire, - la "post-reconstruction", qui reconstruit l’objet puis sépare les composants.On s’intéresse dans ce travail de thèse à une approche qui consiste à séparer et reconstruire simultanément les composants de l’objet. L’état de l’art des méthodes de reconstruction et séparation simultanées de données de TDM spectrale reste à ce jour peu fourni et les approches de reconstruction existantes sont limitées dans leurs performances et ne tiennent souvent pas compte de la complexité du modèle d’acquisition.L’objectif principal de ce travail de thèse est de proposer des approches de reconstruction et séparation tenant compte de la complexité du modèle afin d’améliorer la qualité des images reconstruites. Le problème à résoudre est un problème inverse, mal-posé, non-convexe et de très grande dimension. Pour le résoudre, nous proposons un algorithme proximal à métrique variable. Des résultats prometteurs sont obtenus sur des données réelles et montrent des avantages en terme de qualité de reconstruction. / In recent years, hybrid pixel detectors have paved the way for the development of spectral X ray tomography or spectral tomography (CT). Spectral CT provides more information about the internal structure of the object compared to conventional absorption CT. One of its objectives in medical imaging is to obtain images of components of interest in an object, such as biological markers called contrast agents (iodine, barium, etc.).The state of the art of simultaneous reconstruction and separation of spectral CT data methods remains to this day limited. Existing reconstruction approaches are limited in their performance and often do not take into account the complexity of the acquisition model.The main objective of this thesis work is to propose better quality reconstruction approaches that take into account the complexity of the model in order to improve the quality of the reconstructed images. Our contribution considers the non-linear polychromatic model of the X-ray beam and combines it with an earlier model on the components of the object to be reconstructed. The problem thus obtained is an inverse, non-convex and misplaced problem of very large dimensions.To solve it, we propose a proximal algorithmwith variable metrics. Promising results are shown on real data. They show that the proposed approach allows good separation and reconstruction despite the presence of noise (Gaussian or Poisson). Compared to existing approaches, the proposed approach has advantages over the speed of convergence.

La tomographie (CT) aux rayons X joue un rôle important dans l'imagerie non invasive depuis son introduction. Au cours des dernières années, de nombreuses avancées technologiques en tomographie par rayons X ont été observées, notamment la CT spectrale, qui utilise un détecteur à comptage de photons (PCD) pour discriminer les photons transmis correspondant à des bandes d'énergie sélectionnées afin d'obtenir une information spectrale. La CT spectrale permet de surmonter de nombreuses limitations des techniques précédentes et ouvre de nombreuses applications nouvelles, parmi lesquelles la décomposition quantitative des matériaux est le sujet le plus étudié. Un certain nombre de méthodes de décomposition des matériaux ont été rapportées et différents systèmes expérimentaux sont en cours de développement pour la CT spectrale. Selon le type de données sur lequel l'étape de décomposition fonctionne, nous avons les méthodes du domaine des projections (décomposition avant reconstruction) et les méthodes du domaine de l'image reconstruite (décomposition après reconstruction). La décomposition couramment utilisée est basée sur le critère des moindres carrés, nommée proj-LS et méthode ima-LS. Cependant, le problème inverse de la décomposition du matériau est généralement mal posé et les mesures du CT spectral aux rayons X souffrent de bruits de comptage de photons de Poisson. Le critère des moindres carrés peut conduire à un surajustement des données de mesure bruitées. Dans le présent travail, nous avons proposé un critère de moindre log-carré pour la méthode du domaine de projection afin de minimiser les erreurs sur le coefficient d'atténuation linéaire: méthode proj-LLS. De plus, pour réduire l'effet du bruit et lisser les images, nous avons proposé d'ajouter un terme de régularisation par patch pour pénaliser la somme des variations au carré dans chaque zone pour les décompositions des deux domaines, nommées proj-PR-LLS et ima -PR-LS méthode. Les performances des différentes méthodes ont été évaluées par des études de simulation avec des fantômes spécifiques pour différentes applications: (1) Application médicale: identification de l'iode et du calcium. Les résultats de la décomposition des méthodes proposées montrent que le calcium et l'iode peuvent être bien séparés et quantifiés par rapport aux tissus mous. (2) Application industrielle: tri des plastiques avec ou sans retardateur de flamme. Les résultats montrent que 3 types de matériaux ABS avec différents retardateurs de flamme peuvent être séparés lorsque l'épaisseur de l'échantillon est favorable. Enfin, nous avons simulé l'imagerie par CT spectrale avec un fantôme de PMMA rempli de solutions de Fe, Ca et K. Différents paramètres d'acquisition, c'est-à-dire le facteur d'exposition et le nombre de bandes d'énergie, ont été simulés pour étudier leur influence sur la performance de décomposition pour la détermination du fer. / X-ray computed tomography (X-ray CT) plays an important part in non-invasive imaging since its introduction. During the past few years, numerous technological advances in X-ray CT have been observed, including spectral CT, which uses photon counting detectors (PCDs) to discriminate transmitted photons corresponding to selected energy bins in order to obtain spectral information with one single acquisition. Spectral CT enables us to overcome many limitations of the conventional CT techniques and opens up many new application possibilities, among which quantitative material decomposition is the hottest topic. A number of material decomposition methods have been reported and different experimental systems are under development for spectral CT. According to the type of data on which the decomposition step operates, we have projection domain method (decomposition before reconstruction) and image domain method (decomposition after reconstruction). The commonly used decomposition is based on least square criterion, named proj-LS and ima-LS method. However, the inverse problem of material decomposition is usually ill-posed and the X-ray spectral CT measurements suffer from Poisson photon counting noise. The standard LS criterion can lead to overfitting to the noisy measurement data. In the present work, we have proposed a least log-squares criterion for projection domain method to minimize the errors on linear attenuation coefficient: proj-LLS method. Furthermore, to reduce the effect of noise and enforce smoothness, we have proposed to add a patchwise regularization term to penalize the sum of the square variations within each patch for both projection domain and image domain decomposition, named proj-PR-LLS and ima-PR-LS method. The performances of the different methods were evaluated by spectral CT simulation studies with specific phantoms for different applications: (1) Medical application: iodine and calcium identification. The decomposition results of the proposed methods show that calcium and iodine can be well separated and quantified from soft tissues. (2) Industrial application: ABS-flame retardants (FR) plastic sorting. Results show that 3 kinds of ABS materials with different flame retardants can be separated when the sample thickness is favorable. Meanwhile, we simulated spectral CT imaging with a PMMA phantom filled with Fe, Ca and K solutions. Different acquisition parameters, i.e. exposure factor and number of energy bins were simulated to investigate their influence on the performance of the proposed methods for iron determination.