Les mouvements respiratoires réduisent les performances quantitatives et qualitatives de l'imagerie d'émission. Leur impact est devenu maintenant évident avec l'utilisation des machines hybrides, avec lesquelles des différences entre les conditions respiratoires d'acquisition des images anatomiques et des images fonctionnelles peuvent induire des artéfacts significatifs. Actuellement la solution proposée pour prendre en compte ces effets est de synchroniser les acquisitions sur la respiration. Alors que de telles acquisitions peuvent effectivement réduire l'impact des mouvements respiratoires, le bénéfice est limité car seulement une partie des données disponibles est réellement utilisée pour reconstruire chaque image corrigée. Les approches proposées pour corriger les différences liées à la respiration dans les images synchronisées sont de deux types, selon qu'elles sont appliquées aux images ou aux données brutes. Les méthodes appliquées aux images utilisent des algorithmes de recalage qui réalignent les images synchronisées pour ensuite les sommer, alors que les méthodes appliquées aux données brutes incorporent, avant ou pendant la reconstruction de celles-ci, des transformations modélisant les différences dues à la respiration entre les images. Les travaux déjà réalisés dans ce dernier domaine ont montré que les modèles locaux de transformation non rigide donnent alors de meilleurs résultats que les transformations affines pour prendre en compte les mouvements respiratoires survenus entre les images d'une série synchronisée sur la respiration. De plus, en incorporant une transformation lors du processus de reconstruction, on obtient un contraste dans les images finales qui est meilleur que celui qui est obtenu avec une méthode de correction appliquée aux images.

Respiratory motion reduces overall qualitative and quantitative accuracy in emission tomography imaging. The impact of respiratory motion has been further highlighted in the use of multi-modality imaging devices, where differences in respiratory conditions between the acquisition of anatomical and functional datasets can lead to significant artefacts. Current state of the art in accounting for such effects is the use of respiratory-gated acquisitions. Although such acquisitions may lead to a certain reduction in respiratory motion effects, the improvement is reduced as a result of using only part of the available data to reconstruct the individual gated frames. Approaches to correct the differences in the respiratory motion between the individual gated frames, in order to allow their combination, can be divided in two categories, namely, image or raw data based. The image-based approaches make use of registration algorithms to realign the gated images and, subsequently, sum them together; while the raw data approaches, based on the incorporation of transformations, account for differences in the respiratory motion between individual frames, either prior or during the reconstruction of all of the acquired data. Previous research in this field has demonstrated that a non-rigid local-based model leads to better results compared with an affine model in accounting for respiratory motion between gated frames. In addition, a superior image contrast can be obtained by incorporating the necessary transformation in the reconstruction process in comparison to an image-based approach.