Contrôle qualité rétrospectif pour l'IRM quantitative

Retrospective quality control toward quantitative MR

• Auteur / Autrice : Ghiles Reguig
• Direction : Stéphane Lehéricy
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 29/09/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau (Paris ; 2009-....)
• Jury : Président / Présidente : Isabelle Bloch
• Jury : Examinateurs / Examinatrices : Francesca Galassi
• Jury : Rapporteur / Rapporteuse : Alexandre Vignaud, Pierrick Coupé

Mots clés

Mots clés contrôlés

Qualité -- Contrôle

Apprentissage profond

Imagerie par résonance magnétique

Cerveau

Mots clés libres

IRM cérébrale

Contrôle qualité

Apprentissage profond

Brain MRI

Quality control

Deep learning

Résumé

L'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale non invasive permettant d'obtenir des images en trois dimensions des organes internes du corps. A la fois utilisées en clinique comme aide au diagnostic et en recherche afin d'améliorer la compréhension de certaines maladies (Alzheimer, Parkinson), les images IRM représentent un outil précieux pour le monde médical. Ainsi, la qualité de ces données s'avère cruciale, sans quoi les analyses et les études en découlant mèneraient à des conclusions erronées. La difficulté principale liée au contrôle qualité des images IRM réside dans leur origine. En effet, les volumes sont d'abord acquis sous forme de fréquence avant de donner des images interprétables, les rendant sujettes à des artefacts très spécifiques à leur acquisition. La quantité grandissante de données IRM ainsi que le besoin de traitements à large échelle de données hétérogènes nécessitent un contrôle qualité rapide, fiable et efficace. En effet, il n'est pas rare de d'agréger des données de plusieurs sources afin de conduire des études statistiquement plus significatives. Dans ce cas, s'assurer de leur qualité est primordial. Les travaux de recherche de cette thèse s'inscrivent dans le cadre du contrôle qualité rétrospectif (après acquisition) et quantitatif des données IRM. Nous avons décrit et caractérisé les artefacts spécifiques aux données IRM et étudié plusieurs méthodes de contrôle qualité évaluées sur des données large échelle et hétérogènes. Les interactions entre le domaine fréquentiel (domaine où sont acquises les données IRM) et le domaine image ont été investiguées en ayant recours à la simulation d'artefact de mouvement qui est la corruption la plus répandue en IRM cérébrale. Des méthodes de quantification de la sévérité d'artefacts simulés sur des volumes IRM ont également été évaluées et analysées.

Magnetic resonance imaging (MRI) is a non invasive imaging technique that produces three dimensional images of internal body organs. Used in clinic for diagnostic purposes as well as in research for better understanding of diseases (Alzheimer, Parkinson), MR images represent a valuable tool in the medical field. Hence, the quality of these data is crucial, otherwise the underlying analyses and studies would lead to erroneous conclusions. The main difficulty of MRI quality control is rooted in their origin. Indeed, the volumes are first acquired as frequencies before yielding interpretable images, making them prone to very specific artifacts during their acquisition. The growing number of MRI data and the need for large scale treatments of heterogeneous data required a fast, robust and efficient quality control. It is common to gather data from different sources in order to enhance the statistical impact of studies. In this case, making sure of the data quality is paramount. The work of this thesis concerns retrospective (after acquisition) quality control of quantitative MRI data. We described and characterized MRI specific artifacts and studied several quality control methods assessed on large scale, heterogeneous data. The interactions between the frequency domain (where the MRI data is acquired) and the image domain were investigated by using motion artifact simulations, which is the most common artifact in brain MRI. Methods for quantifying simulated artifact severity were also evaluated and analyzed.