Conception et apprentissage de trajectoires d'échantillonnage non cartésiennes dans l'espace k pour l'IRM 3D accélérée

Designing and learning non-Cartesian k-space sampling trajectories for accelerated 3D MRI

• 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-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Partenaire(s) de recherche : Equipe de recherche : Modèles et inférence pour les données de neuro-imagerie
• Jury : Président / Présidente : Charles Soussen
• Jury : Examinateurs / Examinatrices : Daniel Rueckert, Douglas Noll, Myriam Edjlali-Goujon, Ludovic de Rochefort
• Jury : Rapporteur / Rapporteuse : Daniel Rueckert, Douglas Noll

Mots clés

Mots clés contrôlés

Reconstruction d'image

Apprentissage profond

Imagerie par résonance magnétique

Mots clés libres

Reconstruction d’image IRM

Imagerie pondérée en susceptibilité magnétique

Acquisitions non-cartésiennes

Correction d’effet hors-resonance

Apprentissage profond

Trajectoires SPARKLING

MR image reconstruction

Susceptibility-weighted imaging

Non-Cartesian imaging

Off-resonance correction

Deep learning

SPARKLING trajectories

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.

Magnetic resonance Imaging (MRI) is a popular non-invasive medical imaging technique to understand structures of tissues in the human body. However, its reach and use is strongly limited by long acquisition times, as the data acquisition is segmented in time and performed in the Fourier domain of the image or k-space. Compressed sensing theories enabled shorter scan times by sensing less compressible information, particularly by adopting a variable density sampling (VDS) in k-space: i.e. the lower frequencies (center of k-space) have to be sampled more densely than the higher at its periphery. Efficient ways to achieve such VDS is through the use of non-Cartesian sampling, where k-space is sampled along curves rather than conventional gridded lines. Essentially, this involves the optimization of 1) the sampling pattern in k-space under MR hardware constraints and 2) image reconstruction from undersampled k-space data.In this thesis, we address the above issues in the context of accelerated 3D MRI. Firstly, we extend the earlier developed SPARKLING algorithm to 3D, which results in hardware compliant non-Cartesian trajectories that meet a user specified target sampling density (TSD) in k-space. Secondly, we tackle the issue of off-resonance artifacts in these SPARKLING trajectories through a modification of the underlying algorithm, to allow for signal recovery at regions where the off-resonance is high. Thirdly, we shift to data-driven learning based approach to learn the TSD for SPARKLING trajectories. Last but not least, we propose a novel deep learning based approach to learn hardware compliant k-space sampling trajectories jointly with a corresponding image reconstruction network. Overall, our efforts in this thesis allowed for an acceleration of up to 20x in 3D MRI scans with a significant reduction in off-resonance artifacts, allowing to image with minimum degradation in reconstructed image quality.