Conception et apprentissage de trajectoires d'échantillonnage non cartésiennes dans l'espace k pour l'IRM 3D accélérée
Auteur / Autrice : | Chaithya Giliyar Radhakrishna |
Direction : | Philippe Ciuciu |
Type : | Thèse de doctorat |
Discipline(s) : | Physique et imagerie médicale |
Date : | Soutenance le 25/04/2023 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : NeuroSpin (Gif-sur-Yvette, Essonne ; 2017-....) |
Référent : Faculté des sciences d'Orsay | |
graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….) | |
Equipe de recherche : Modèles et inférence pour les données de neuro-imagerie | |
Jury : | Président / Présidente : Charles Soussen |
Examinateurs / Examinatrices : Daniel Rueckert, Douglas Noll, Myriam Edjlali-Goujon, Ludovic de Rochefort | |
Rapporteur / Rapporteuse : Daniel Rueckert, Douglas Noll |
Mots clés
Résumé
L'imagerie par résonance magnétique (IRM) est une technique d'imagerie médicale non invasive très répandue qui permet de comprendre les structures des tissus du corps humain. Cependant, sa portée et son utilisation sont fortement limitées par les longs temps d'acquisition, car l'acquisition des données est segmentée en temps et réalisée dans le domaine de Fourier de l'image ou espace k. Les théories d'échantillonnage compressif ont permis d'accéder à des temps d'examen plus courts en collectant moins d'information compressible, en particulier en adoptant d’un échantillonnage à densité variable (EDV) dans l'espace k : les basses fréquences (au centre de l'espace k) doivent être échantillonnées plus densément que les hautes fréquences situées à la périphérie de celui-ci. Un moyen efficace d'obtenir un tel EDV est d'utiliser un échantillonnage non cartésien, où l'espace k est échantillonneur le long de courbes plutôt que de lignes alignées sur une grille cartésienne. Essentiellement, cela implique l'optimisation 1) du modèle d'échantillonnage dans l'espace k sous les contraintes matérielles de l'IRM et 2) la reconstruction de l'image à partir des données sous-échantillonnées de l'espace k. Dans cette thèse, nous abordons les questions ci-dessus dans le contexte de l'IRM 3D accélérée. Tout d'abord, nous étendons l'algorithme SPARKLING développé précédemment à l'imagerie 3D, ce qui permet d'obtenir des trajectoires non cartésiennes conformes aux contraintes matérielles et fidèles à une densité d'échantillonnage cible (DEC) spécifiée par l'utilisateur dans l'espace k. Ensuite, nous abordons le problème des artefacts hors résonance présents au sein des trajectoires SPARKLING en modifiant l'algorithme sous-jacent, afin de permettre la récupération du signal dans les régions où la hors résonance est élevée. Dans la dernière partie de la thèse, nous passons à une approche basée sur l'apprentissage piloté par les données pour apprendre la DEC pour les trajectoires SPARKLING. Enfin, nous proposons une nouvelle approche basée sur l'apprentissage profond pour apprendre des courbes d'échantillonnage de l'espace k conformes aux contraintes matérielles conjointement avec un réseau de reconstruction d'images adapté. Dans l'ensemble, nos efforts dans cette thèse ont permis d'accélérer jusqu'à 20 fois les scans IRM 3D avec une réduction significative des artefacts hors résonance, permettant ainsi une dégradation minimale de la qualité des images reconstruites.