Novel approaches for photoacoustic imaging of blood vessels : 3D quantitative fluctuation imaging and deep learning assisted reconstruction

Guillaume Godefroy

Résumé

Vascular imaging is of considerable interest for many health applications, including pathology diagnosis, surgical guidance, medical monitoring and biomedical research. While several modalities are currently used to image blood vessels, bimodal devices combining photoacoustic imaging (PA) and ultrasound imaging (US) is a promising approach. The sensitivity of PA imaging to hemoglobin and the emergence of flow-sensitive methods in US imaging allow accurate mapping of the vascular network within biological tissues at depths of several cm and resolutions down to the tens of µm. The excellent temporal resolution of US imaging provides several quantitative information on blood flow dynamics. Through spectroscopic approaches, PA imaging provides valuable data on the imaged molecules such as their concentrations, and biological indicators of interest such as oxygen saturation can be mapped. The work carried out during this thesis involves the implementation of a device allowing simultaneous acquisition of 3D images with these two modalities, and the development of new reconstruction and processing methods for PA imaging. These methods aim to correct the so-called visibility artifacts and those linked to the use of sparse sensor networks on PA images. In a first approach, the statistical analysis of the fluctuation of the PA signal related to the blood flow allows to correct these artefacts and to obtain an image proportional to the absorbed energy. The approach is applied in vivo on chicken embryos and a quantitative measurement of the oxygen saturation is obtained. In a second approach relying on deep learning, a neural network is used to resolve these artifacts from a single acquisition once trained. The used architecture allows for the estimation of the prediction uncertainty, providing the localization of so-called hallucination errors. Firstly demonstrated in 2D on test samples, the approach is then applied in 3D and the first experimental results on chicken embryos are presented.

L’imagerie de la vascularisation présente un intérêt considérable pour de multiples applications de santé, incluant le diagnostic de pathologies, le guidage d’intervention chirurgicale, le suivi de traitement ou encore la recherche biomédicale. Si plusieurs modalités permettent aujourd’hui d’imager la vascularisation, l’utilisation de dispositifs bimodaux combinant l’imagerie photoacoustique (PA) et l’imagerie ultrasonore (US) constitue une approche prometteuse. La sensibilité de l’imagerie PA à l’hémoglobine et l’apparition de méthodes sensibles au flux en imagerie US permettent de cartographier avec précision le réseau vasculaire au sein des tissus biologiques à des profondeurs de l’ordre de plusieurs cm et des résolutions allant jusqu’à la dizaine de µm. L’excellente résolution temporelle de l’imagerie US permet d’obtenir une multitude d’informations quantitatives sur la dynamique du flux sanguin. Au travers d’approches spectroscopiques, l’imagerie PA fournit quant à elle de précieuses données sur les molécules imagées telles que leurs concentrations, et des indicateurs biologiques d’intérêt tels que la saturation en oxygène peuvent être cartographiés. Les travaux menés au cours de cette thèse consistent en la mise en place d’un dispositif permettant de réaliser simultanément des images 3D avec ces deux modalités, et le développement de nouvelles méthodes de reconstruction et de traitement en imagerie PA. Ces méthodes ont pour but de corriger sur les images PA les artefacts dits de visibilité et ceux liés à l’utilisation de réseaux de capteurs parcimonieux. Dans une première approche, l’analyse statistique de la fluctuation du signal PA liée au flux sanguin permet de corriger ces artefacts et d’obtenir une image proportionnelle à l’énergie absorbée. L’approche est appliquée in vivo sur des embryons de poulet et une mesure quantitative de la saturation en oxygène est obtenue. Dans une seconde approche s’appuyant sur l’apprentissage profond (deep learning), un réseau de neurone a été implémenté, permettant de résoudre ces artefacts à partir d’une unique acquisition une fois le réseau entrainé. L’architecture utilisée permet d’inclure une estimation de l’incertitude de la prédiction, fournissant la localisation des erreurs dites d’hallucination. D’abord démontrée en 2D sur des échantillons tests, l’approche est ensuite appliquée en 3D et de premiers résultats expérimentaux sur l’embryon de poulet sont présentés.