Le scanner de perfusion myocardique (ou scintigraphie de perfusion myocardique) est un examen d'imagerie de médecine nucléaire non-invasif qui utilise une petite quantité d'un traceur radioactif

L'acquisition se fait typiquement sur une durée de 20 à 40 minutes, synchronisée au rythme cardiaque permettant ainsi de reconstituer un cycle cardiaque sur une séquence 3D animée
Cependant, ces images scintigraphiques souffrent d'une mauvaise résolution spatiale (environ 1 cm3), et d'un mauvais rapport signal sur bruit.

La méthode la plus efficace utilisée actuellement pour traiter ces deux problèmes est d'augmenter les images de scintigraphie par une image 3D anatomique obtenue par tomographie à rayon X (CT) pour corriger l'atténuation des rayons gamma.

Objectifs:

L'objectif général est d'optimiser les doses de traceur et de radiation reçues afin d'obtenir des images de qualité suffisante pour appuyer le diagnostic tout en exposant le patient aux doses les plus basses de radiation possibles. L'étude réalisée permettra de proposer des critères simples, facilement mesurables avant la réalisation d'une scintigraphie ou d'un scanner, afin d'optimiser la dose de traceur à injecter.

Méthode:

Les GNN, sont une classe de modèles de deep learning spécialement conçue pour traiter des données représentées sous forme de graphes. Contrairement aux images classiques, qui sont souvent traitées en utilisant des CNN sur des grilles de pixels, les GNN permettent de capturer des relations complexes entre des éléments non structurés de manière régulière, ce qui peut être particulièrement utile pour les images médicales, la segmentation d'objets ou l'analyse de structures 3D [muller_survey_2024,han_vision_2022]

Un réseau de graphes permettra de recréer un cycle cardiaque complet à partir d'une seule image tomodensitométrique et d'un ECG. La reconstitution permettra de générer sur l'ensemble du cycle cardiaque une représentation de haute qualité de l'atténuation des tissus afin de recaler la correction d'atténuation sur l'acquisition par scintigraphie. Ceci permettrait ainsi d'éviter les artefacts observés.

Dans le but de valider notre approche sur une large base de données représentative des pratiques du service de médecine nucléaire, cette étude s'appuiera sur la base de donnée du CHSF.

Profil et compétences recherchées:

La personne recrutée devra justifier d'un diplôme d'ingénieur ou d'un Master, de solides connaissances en intelligence artificielle, par exemple en deep learning (DL), en réseaux de neurones profonds et en codage (Python, Cuda, C++). Des expériences de développement sur processeurs graphiques (GPU) seront très appréciées. Son anglais sera courant. Le candidat sélectionné aura la chance de travailler dans une équipe interdiciplinaire et avec un consortium de data scientists et de cliniciens du centre hospitalier sud-francilien (CHSF)

Lieux:
IBISC, EVRY.
LISSI, IUT Sénart-Fontainebleau, Lieusaint.


Contact: hichem.maaref@ibisc.univ-evry.fr, aurelien.hazan@u-pec.fr

[han_vision_2022] Vision gnn: An image is worth graph of nodes, Advances in neural information processing systems, Han et al., 2022

[muller_survey_2024] A survey on graph construction for geometric deep learning in medicine: Methods and recommendations, Transactions on Machine Learning Research, Müller et al., 2024