Simulation d’images échocardiographiques Doppler couleur à partir de patients

Patient-based color Doppler echocardiographic simulation

• Auteur / Autrice : Yunyun Sun
• Direction : Olivier Bernard, Damien Garcia
• Type : Thèse de doctorat
• Discipline(s) : Imagerie médicale. Sciences et ingénierie pour la santé
• Date : Soutenance le 24/01/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé / CREATIS
• Partenaire(s) de recherche : Equipe de recherche : MYRIAD - Modeling & analysis for medical imaging and Diagnosis
• Jury : Président / Présidente : Jean-Philippe Thiran
• Jury : Examinateurs / Examinatrices : Olivier Bernard, Damien Garcia, Jean-Philippe Thiran, Johan Bosch, Emilie Franceschini, Denis Friboulet
• Jury : Rapporteur / Rapporteuse : Johan Bosch, Emilie Franceschini

Mots clés

Mots clés contrôlés

Apprentissage automatique

Échocardiographie Doppler

Imagerie médicale

Mots clés libres

Imagerie médicale

Imagerie doppler

Echocardiographie

Flux intraventriculaire

Simulation ultrasonore

Simulation d'images

Apprentissage Profond

Imagerie cardiaque

Medical Imaging

Doppler imaging

Echocardiography

Intraventricular flow

Ultrasound simulation

Image Simulation

Deep Learning

Cardiac Imaging

Résumé

L’imagerie médicale joue un rôle primordial pour l’étude et le diagnostic des maladies cardiaques. Dans ce contexte, les mesures issues du flux intraventriculaire permettent d’estimer des indices cliniques pertinents pour établir un diagnostic. L’imagerie Doppler couleur est une modalité de choix pour la visualisation du flux intraventriculaire pour une zone étendue de l’image. Cependant, cette modalité permet uniquement la visualisation de la projection du flux le long de la direction de tirs ultrasonores et est sujet à des sources d’erreurs dont les principales sont l’aliasing (dû à des vitesses élevées du sang vis-à-vis du système d’acquisition) et le bruit de clutter (dû à de nombreuses sources dont les mouvements des tissues entourant la cavité ventriculaire). La réduction de ces artéfacts ainsi qu’une visualisation plus précise constituent donc des perspectives importantes en vue d’une meilleure analyse du flux intraventriculaire. Dans ce contexte, l’apprentissages profond (deep learning en anglais) constitue une voie prometteuse pour résoudre ces problèmes. En effet, cette technique a récemment été appliqué avec succès en imagerie ultrasonore pour des problèmes tels que la classification ou la segmentation. Les méthodes par apprentissage profond nécessitent la mise en place de bases de données annotées (c’est-à-dire avec des références) incluant plusieurs centaines voire milliers d’échantillons en imagerie médicale. Ceci constitue actuellement un frein pour l’application de telles techniques en imagerie de flux. Dans ce contexte, mes travaux de thèse consistent au développement d’un cadre méthodologique pour la simulation de séquences échocardiographiques duplex réalistes avec un champ de référence du flux intraventriculaire associée. La génération d’artéfacts synthétiques d’aliasing et de clutter est également un objectif de ma thèse. Cela permettra de générer des bases de données d’une grande variabilité permettant aux algorithmes d’apprentissage d’améliorer la qualité des séquences duplex. Nous avons en particulier simulé différents scénarios en jouant sur : i)l’accélération du flux, ii)le bruit de clutter dû au mouvement du muscle myocardique, iii) le type de transmission d’ondes ultrasonores. A la fin de ma thèse, j’ai généré la première base de données de séquences échocardiographiques duplex réalistes pour 20 patients virtuels. Cette base de données est publique et peut être utilisée pour l’évaluation de la qualité des techniques d’estimation Doppler. Dans un futur proche, il est prévu que la solution que j’ai développée soit rendu totalement automatique afin qu’elle puisse être utilisée pour la simulation de bases de données à grande échelle (>1000 patients) en vue d’alimenter des algorithmes d’apprentissage profond.

Cardiovascular diseases are one of the major causes of death in the world. The investigation of cardiac pathologies with the help of medical imaging plays a crucial part. In this context, intraventricular blood flow is an important source of information for cardiac diagnoses. In particular, color Doppler imaging is a modality of choice for simultaneous visualization of myocardium and blood flow over a wide scan area. However, this visualization modality is subject to several sources of error, the main ones being aliasing and clutter. Mitigation of these artifacts is an important concern for better analysis of intracardiac flow. In order to solve this issue, deep learning is a promising avenue that has been explored increasingly by the ultrasound community. This data-driven technique requires large databases with artifact-free ground-truths. This thesis presents a numerical framework for the generation of large scale clinical-like color Doppler sequences. Synthetic blood vector fields were computed from a computational fluid dynamics model and an intraventricular flow estimation technique. Realistic texture and clutter artifacts were simulated from real clinical ultrasound cine loops. We have simulated several scenarios highlighting the effects of i) flow acceleration, ii) wall clutter, iii) transmit wavefronts on Doppler velocities. A first synthetic dataset composed of 20 virtual patients is publicly available and can be used to evaluate the quality of Doppler estimation techniques. Besides, the framework I developed during my thesis can be seen as a first step towards the generation of comprehensive datasets for training neural networks to improve the quality of Doppler imaging.