Synthèse de TEP à partir de tomodensitométrie : plus près des tumeurs express
Une tumeur sur une image, c'est comme un petit point lumineux sur une immense toile sombre. C'est précisément ce point que le médecin cherche, pas un fond parfaitement uniforme. Mais quand un réseau de neurones apprend à transformer une tomodensitométrie (TDM) classique en une sorte de tomographie par émission de positons (TEP), il essaie souvent de tout rendre joli — et finit par estomper ce point.
Le problème, c'est que les cellules tumorales n'occupent qu'une fraction minuscule du volume total du corps. Si l'on mesure la qualité sur l'ensemble de l'image, le modèle peut obtenir de bons scores tout en manquant la faible lueur du cancer. Les auteurs de ces travaux proposent d'ajouter au réseau deux signaux simples : l'un indique à quel point la texture du tissu est hétérogène, l'autre montre l'intensité des variations de densité. Ces signaux se calculent à moindre coût à partir de la TDM et aident le modèle à se concentrer sur les zones suspectes.
Le modèle s'appelle LAFNO. Il a été entraîné sur des données réelles de patients atteints d'un cancer de la prostate, où les tumeurs brillent grâce au marqueur radioactif PSMA. Lors des tests, LAFNO a réduit de près de moitié l'erreur dans l'estimation de l'activité tumorale globale par rapport aux méthodes précédentes. La précision de la reproduction de la texture de la tumeur a également augmenté — un point important pour l'analyse automatique ultérieure.
Pour l'instant, la reproduction du tissu autour de la tumeur reste instable et dépend du type de marqueur. Mais l'approche elle-même — indiquer au réseau où regarder à l'aide de caractéristiques physiques simples — pourrait être utile dans d'autres tâches d'imagerie médicale.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2608.10429v1
Deep learning models that synthesize PET from CT or MRI can reduce patient dose and scanner demand, but are typically optimized with global losses such as L1 or mean squared error (MSE) that treat all voxels similarly. In whole-body PSMA-PET, tumor voxels occupy only a small fraction of the volume, yet carry the clinically relevant activity signal; as a result, models can achieve high structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR) while still underestimating lesion activity or failing to preserve tumor-specific structure. Radiomics provides biologically meaningful descriptors of tumor intensity and texture, but direct radiomics conditioning is time-consuming because it requires feature extraction from delineated lesion regions. We propose LAFNO, a Lesion-Aware Adaptive Fourier Neural Operator for CT-to-PSMA-PET synthesis that replaces high-dimensional radiomics conditioning with two efficient CT-derived proxy channels. Motivated by radiomics analysis of PSMA-avid tumor core and peritumoral regions, LAFNO uses a contrast proxy for local density variation and a disorder proxy for local texture heterogeneity, both injected into the model bottleneck. LAFNO combines whole-volume reconstruction with lesion-level total lesion activity (TLA), tumor-core contrast, and peritumoral supervision. We evaluated LAFNO against four baseline architectures on the TCIA PSMA-PET-CT-Lesions dataset. LAFNO remained competitive on whole-volume image quality, achieving SSIM of 0.960 and 0.938 for 18F- and 68Ga-PSMA, respectively, while reducing per-patient TLA error to 48.3% and 64.0% for 18F- and 68Ga-PSMA, respectively, and achieving the highest tumor-core radiomics reproducibility across all feature classes for both tracers. Peritumoral reproducibility remained tracer-dependent, indicating that biological fidelity in synthetic PSMA-PET remains challenging.
Le marqueur radioactif PSMA utilisé en TEP se fixe spécifiquement à une protéine abondante à la surface des cellules du cancer de la prostate — c'est pourquoi la tumeur « brille » sur l'image.