Return to search

Méthodes statistiques de reconstruction tomographique spectrale pour des systèmes à détection spectrométrique de rayons X / Spectral CT statistical reconstruction methods for X-ray photon-counting detectors system

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.

Identiferoai:union.ndltd.org:theses.fr/2018GREAM093
Date09 October 2018
CreatorsRodesch, Pierre-Antoine
ContributorsGrenoble Alpes, Forbes, Florence
Source SetsDépôt national des thèses électroniques françaises
LanguageFrench
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0018 seconds