Correction généralisable d'atténuation et de diffusion en TEP sans CT via une adaptation inter-domaines en quelques exemples

Pourquoi cela compte pour les patients et les médecins

La tomographie par émission de positons (TEP) aide les médecins à observer le comportement des cancers et d'autres maladies à l'intérieur du corps. Mais pour obtenir des images TEP précises, les patients doivent généralement subir un examen complémentaire par tomodensitométrie (CT), ce qui ajoute une dose de radiation et peut parfois être mal aligné avec les images TEP. Cette étude présente une méthode pour améliorer les images TEP sans recourir au CT, en utilisant une intelligence artificielle capable de s'adapter rapidement à de nouveaux hôpitaux et types d'appareils avec seulement quelques exemples de patients.

Le défi : des images plus nettes avec moins de radiation

Les scanners PET/CT modernes combinent deux modalités d'imagerie : la TEP, qui montre comment les tissus utilisent l'énergie ou des molécules spécifiques, et le CT, qui révèle la structure corporelle. La partie CT permet de corriger les pertes de signal et la diffusion en TEP pour que les médecins puissent faire confiance aux valeurs observées dans les tumeurs et les organes. Cependant, le CT peut représenter jusqu'à la moitié de la dose totale de radiation dans un examen PET/CT corps entier, ce qui est particulièrement préoccupant pour les enfants et d'autres populations sensibles. Même avec des CT à très faible dose, la respiration et les mouvements du patient peuvent désynchroniser les images CT et TEP, créant des stries et de faux points chauds ou froids. Les chercheurs cherchent donc des méthodes permettant de corriger les images TEP sans recourir au CT.

Comment l'intelligence artificielle intervient

Des méthodes récentes d'apprentissage profond tentent de corriger directement les images TEP non corrigées. Certaines apprennent à prédire une image CT virtuelle, tandis que d'autres convertissent en une seule étape une image TEP non corrigée et floue en une image corrigée et plus nette. Ces systèmes peuvent bien fonctionner dans le contexte où ils ont été entraînés, mais ont souvent du mal lorsque l'hôpital change d'appareil, de traceur ou de population de patients. De petites différences entre machines, réglages ou traceurs radioactifs utilisés pour mettre en évidence la maladie peuvent modifier l'apparence des images TEP et perturber un modèle qui n'a vu qu'un ensemble restreint d'exemples. Les auteurs soutiennent qu'il est irréaliste d'entraîner un modèle unique et fixe qui fonctionnerait partout, et que la correction TEP devrait plutôt être conçue comme un système vivant capable de s'adapter à chaque nouveau contexte clinique.

Un modèle de correction TEP flexible qui apprend à partir de quelques cas

L'équipe a développé un cadre appelé CrossPET-Adapt qui utilise un processus d'apprentissage en deux étapes. D'abord, ils ont entraîné un réseau profond sur un très grand ensemble de scans TEP issus d'un traceur largement utilisé, le 18F-FDG, collectés dans un centre majeur équipé d'un scanner à long champ axial. Plutôt que de générer directement une nouvelle image TEP, le réseau apprend une carte de correction lisse qui met à l'échelle chaque pixel de l'entrée, reflétant le fait que les pertes physiques réelles en TEP se comportent comme des changements d'intensité. Il utilise aussi des statistiques simples de chaque examen d'entrée, comme la luminosité moyenne et la variance, pour ajuster ses caractéristiques internes afin de reconnaître comment différents appareils et traceurs modifient l'apparence des images. Dans la seconde étape, le modèle est affiné sur seulement un à cinq patients d'un nouveau domaine — par exemple un traceur, un scanner ou un hôpital différent — ce qui lui permet de capturer les particularités locales sans tout réentraîner.

Tests à travers traceurs, appareils et hôpitaux

Pour évaluer l'efficacité de cette approche, les chercheurs ont constitué un jeu de données de 1539 patients provenant de 11 groupes, incluant quatre traceurs, plusieurs modèles d'appareils de différents fournisseurs et trois hôpitaux externes. Ils ont comparé trois stratégies : des modèles entraînés sur un seul traceur, un modèle conjoint entraîné sur des traceurs mixtes, et leur approche d'adaptation en quelques exemples. Dans les contextes où les traceurs correspondaient aux données d'entraînement, le modèle mixte a obtenu des performances légèrement supérieures, comme prévu. Mais dans de nouveaux environnements avec des traceurs, appareils ou centres inconnus, le modèle adapté a systématiquement fourni une plus grande similarité d'image, une erreur plus faible et des valeurs d'absorption normalisées plus fiables, même lorsqu'il était affiné sur un seul ou quelques sujets. Chez les patients atteints de lymphome, les images corrigées par apprentissage profond concordaient étroitement avec les résultats standards PET/CT, réduisant fortement les erreurs de volume tumoral et des mesures d'absorption qui orientent les décisions thérapeutiques.

Ce que cela signifie pour les futurs examens TEP

L'étude montre que la correction TEP sans CT peut être à la fois pratique et fiable lorsqu'elle est associée à une stratégie d'adaptation en quelques exemples. Plutôt que de collecter des centaines d'examens annotés chaque fois qu'un hôpital installe un nouveau scanner ou commence à utiliser un nouveau traceur, les cliniciens pourraient affiner un modèle de base partagé avec seulement quelques cas locaux en moins de dix minutes sur une seule carte graphique. Cette approche pourrait réduire l'exposition aux radiations, simplifier les flux de travail et rendre l'imagerie TEP avancée plus cohérente entre les sites, tout en préservant les détails quantitatifs dont dépendent les oncologues et d'autres spécialistes.

Citation: Wang, H., Wen, M., Qiao, X. et al. Generalizable CT-free PET attenuation and scatter correction via few-shot cross domain adaptation. npj Digit. Med. 9, 374 (2026). https://doi.org/10.1038/s41746-026-02760-w

Mots-clés: Imagerie TEP, correction d'atténuation, apprentissage profond, adaptation de domaine, imagerie médicale