• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 2
  • Tagged with
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Co-registration of fluorescence diffuse optical tomography (fDOT) with Positron emission tomography (PET) and development of multi-angle fDOT / Recalage d’image de la tomographie optique diffuse de fluorescence (fDOT) et la tomographie par émission de positons (TEP) et le développement de tomographie optique en multi-angle

Tong, Xiao 24 October 2012 (has links)
Ce travail de thèse concerne le traitement d’image fDOT (fDOT pour fluorescence diffuse optical tomography) suit vers deux axes. Le recalage d'images fDOT à l’aide de l’imagerie TEP (tomographie par émission de positons) et l’amélioration des reconstructions fDOT à l’aide de miroirs pour collecter des projections complémentaires. Il est présenté en deux parties : Dans la première partie, une méthode automatique pour recaler les images de fDOT avec les images de Tomographie par Emission de Positons (TEP) développée dans le but de corréler l’ensemble des informations issues de chaque modalité. Cette méthode de recalage est basée sur une détection automatique de marqueurs fiduciaires présents dans les deux modalités. La particularité de cette méthode est l’utilisation de l’image de surface obtenue en fDOT, qui sert à identifier la position en Z des marqueurs fiduciaires dans les images optiques. Nous avons testé cette méthode sur un modèle de souris porteuses de xénogreffes de tumeurs de cellules cancéreuses MEN2A qui imitent un carcinome thyroïdien médullaire humain, après une double injection de traceur radioactif : [18F]2-fluoro-2-Deoxy-D-glucose (FDG) pour l’imagerie TEP et un traceur optique d’infrarouge fluorescent, le Sentidye. Grâce à la précision de notre méthode, nous arrivons à démontrer que le signal Sentidye est présent à la fois dans la tumeur et les vaisseaux environnants [1]. La qualité des images fDOT est dégradée selon l’axe Z du fait d’un nombre limité de projections pour la reconstruction. Dans la deuxième partie, le travail s’est orienté vers une nouvelle méthode de reconstruction d’images fDOT à partir d’un nouveau système d’acquisition multi-angulaire avec deux miroirs placés de chaque côté de l’animal. Ce travail a été mené en collaboration avec le département CS d’University College London (UCL), partenaire du projet Européen FMT-XCT. Le logiciel TOAST développé par cette équipe a été utilisé comme source pour l’algorithme de reconstruction, et modifié pour s’adapter à notre problématique. Après plusieurs essais concernant l’ajustement des paramètres du programme, nous avons appliqué cette méthode sur un fantôme réaliste des tissus biologiques et chez la souris. Les résultats montrent une amélioration de l’image reconstruite d’un fantôme semi-cylindrique et de l’image de rein chez la souris, pour lesquelles la méthode des miroirs est supérieure à la méthode classique sans miroir. Malgré tout, nous avons observé que les résultats étaient très sensibles à certains paramètres, d’où une performance de reconstruction variable d’un cas à l’autre. Les perspectives futures concernent l’optimisation des paramètres afin de généraliser l’approche multi-angle. / This thesis concerns the image processing of fluorescence diffuse optical tomography (fDOT), following two axes: FDOT image co-registration with PET (positron emission tomography) image and improvement of fDOT image reconstructions using mirrors to collect additional projections. It is presented in two parts:In the first part, an automatic method to co-register the fDOT images with PET images has been developed to correlate all the information from each modality. This co-registration method is based on automatic detection of fiducial markers (FM) present in both modalities. The particularity of this method is the use of optical surface image obtained in fDOT imaging system, which serves to identify the Z position of FM in optical images. We tested this method on a model of mice bearing tumor xenografts of MEN2A cancer cells that mimic a human medullary thyroid carcinoma, after a double injection of radiotracer [18F] 2-fluoro-2-Deoxy-D-glucose ( FDG) for PET imaging and optical fluorescent infrared tracer Sentidye. With the accuracy of our method, we can demonstrate that the signal of Sentidye is present both in the tumor and surrounding vessels.The fDOT reconstruction image quality is degraded along the Z axis due to a limited number of projections for reconstruction. In the second part, the work is oriented towards a new method of fDOT image reconstruction with a new multi-angle data acquisition system in placing two mirrors on each side of the animal. This work was conducted in collaboration with the CS Department of University College London (UCL), a partner of the European project FMT-XCT. TOAST software developed by this team was used as source code for the reconstruction algorithm, and was modified to adapt to the concerned problem. After several tests on the adjustment of program parameters, we applied this method on a phantom that simulating the biological tissue and on mice. The results showed an improvement in the reconstructed image of a semi-cylindrical phantom and the image of mouse kidney, for which the reconstruction of the mirrors geometry is better than that of conventional geometry without mirror. Nevertheless, we observed that the results were very sensitive to certain parameters, where the performance of reconstruction varies from one case to another. Future prospectives concern the optimization of parameters in order to generalize the multi-angle approach.
2

Model-based and machine learning techniques for nonlinear image reconstruction in diffuse optical tomography / Techniques basées sur des modèles et apprentissage machine pour la reconstruction d’image non-linéaire en tomographie optique diffuse

Ettehadi, Seyedrohollah January 2017 (has links)
La tomographie optique diffuse (TOD) est une modalité d’imagerie biomédicale 3D peu dispendieuse et non-invasive qui permet de reconstruire les propriétés optiques d’un tissu biologique. Le processus de reconstruction d’images en TOD est difficile à réaliser puisqu’il nécessite de résoudre un problème non-linéaire et mal posé. Les propriétés optiques sont calculées à partir des mesures de surface du milieu à l’étude. Dans ce projet, deux méthodes de reconstruction non-linéaire pour la TOD ont été développées. La première méthode utilise un modèle itératif, une approche encore en développement qu’on retrouve dans la littérature. L’approximation de la diffusion est le modèle utilisé pour résoudre le problème direct. Par ailleurs, la reconstruction d’image à été réalisée dans différents régimes, continu et temporel, avec des mesures intrinsèques et de fluorescence. Dans un premier temps, un algorithme de reconstruction en régime continu et utilisant des mesures multispectrales est développé pour reconstruire la concentration des chromophores qui se trouve dans différents types de tissus. Dans un second temps, un algorithme de reconstruction est développé pour calculer le temps de vie de différents marqueurs fluorescents à partir de mesures optiques dans le domaine temporel. Une approche innovatrice a été d’utiliser la totalité de l’information du signal temporel dans le but d’améliorer la reconstruction d’image. Par ailleurs, cet algorithme permettrait de distinguer plus de trois temps de vie, ce qui n’a pas encore été démontré en imagerie de fluorescence. La deuxième méthode qui a été développée utilise l’apprentissage machine et plus spécifiquement l’apprentissage profond. Un modèle d’apprentissage profond génératif est mis en place pour reconstruire la distribution de sources d’émissions de fluorescence à partir de mesures en régime continu. Il s’agit de la première utilisation d’un algorithme d’apprentissage profond appliqué à la reconstruction d’images en TOD de fluorescence. La validation de la méthode est réalisée avec une mire aux propriétés optiques connues dans laquelle sont inséres des marqueurs fluorescents. La robustesse de cette méthode est démontrée même dans les situations où le nombre de mesures est limité et en présence de bruit. / Abstract : Diffuse optical tomography (DOT) is a low cost and noninvasive 3D biomedical imaging technique to reconstruct the optical properties of biological tissues. Image reconstruction in DOT is inherently a difficult problem, because the inversion process is nonlinear and ill-posed. During DOT image reconstruction, the optical properties of the medium are recovered from the boundary measurements at the surface of the medium. In this work, two approaches are proposed for non-linear DOT image reconstruction. The first approach relies on the use of iterative model-based image reconstruction, which is still under development for DOT and that can be found in the literature. A 3D forward model is developed based on the diffusion equation, which is an approximation of the radiative transfer equation. The forward model developed can simulate light propagation in complex geometries. Additionally, the forward model is developed to deal with different types of optical data such as continuous-wave (CW) and time-domain (TD) data for both intrinsic and fluorescence signals. First, a multispectral image reconstruction algorithm is developed to reconstruct the concentration of different tissue chromophores simultaneously from a set of CW measurements at different wavelengths. A second image reconstruction algorithm is developed to reconstruct the fluorescence lifetime (FLT) of different fluorescent markers from time-domain fluorescence measurements. In this algorithm, all the information contained in full temporal curves is used along with an acceleration technique to render the algorithm of practical use. Moreover, the proposed algorithm has the potential of being able to distinguish more than 3 FLTs, which is a first in fluorescence imaging. The second approach is based on machine learning techniques, in particular deep learning models. A deep generative model is proposed to reconstruct the fluorescence distribution map from CW fluorescence measurements. It is the first time that such a model is applied for fluorescence DOT image reconstruction. The performance of the proposed algorithm is validated with an optical phantom and a fluorescent marker. The proposed algorithm recovers the fluorescence distribution even from very noisy and sparse measurements, which is a big limitation in fluorescence DOT imaging.

Page generated in 0.1292 seconds