Learning-based Image Synthesis for Dynamic MRI

• Auteur / Autrice : Claire Scavinner-dorval
• Direction : François Rousseau, Douraied Ben salem
• Type : Projet de thèse
• Discipline(s) : Signal, image et vision
• Date : Soutenance en 2024
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : Sciences Pour l'Ingénieur et le Numérique
• Jury : Président / Présidente : Nicolas Passat
• Jury : Examinateurs / Examinatrices : François Rousseau, Douraied Ben salem, Christelle Pons becmeur
• Jury : Rapporteurs / Rapporteuses : Vincent Noblet, Ahror Belaid

Mots clés

Mots clés libres

Synthèse d’image

IRM dynamique

Paralysie cérébrale

Équin

Apprentissage Profond

Image Synthesis

Dynamic MRI

Cerebral Palsy

Equinus

Deep Learning

Résumé

La paralysie cérébrale (PC) est la déficience motrice la plus fréquente chez les enfants. Elle résulte de lésions cérébrales irréversibles survenues au cours de la période périnatale. L’équin est la déformation la plus fréquente chez les enfants atteints de PC. Il se définit comme une incapacité de flexion dorsale du pied au-dessus du plantigrade, entraînant des déformations de la démarche et des os au cours de la croissance. Pour approfondir la compréhension de cette pathologie, le fonctionnement de l’articulation de la cheville et des muscles peut être observé via IRM dynamique. Cependant, l’acquisition d’une IRM dynamique à haute résolution requiert de longs temps d’imagerie et des mouvements répétés à vitesse constante, ce qui la rend difficile pour les patients souffrant de troubles musculo-squelettiques. Les temps d’acquisition peuvent être réduits en dégradant la qualité de l’image, réduisant ainsi l’interprétabilité. Aujourd’hui, les méthodes de synthèse d’image basées sur l’apprentissage profond constituent l’état de l’art en matière de super-résolution et d’amélioration de la qualité de l’imagerie médicale. Cette thèse explore le potentiel des méthodes d’apprentissage pour la synthèse de séquences RM dynamiques à haute résolution à partir de séquences à basse résolution. Nous proposons un modèle qui s’appuie sur des données d’IRM statiques pour améliorer la qualité des séquences d’IRM dynamiques à faible résolution dans un contexte non apparié. Cette approche permet une meilleure interprétation des séquences IRM dynamiques.

Cerebral palsy (CP) is the most prevalent motor impairment in children, resulting from irreversible brain injuries during the perinatal period. Equinus is the most common deformity among children with CP. It is defined as the inability to dorsiflex the foot above plantigrade, leading to gait and bone deformities with growth. To enhance understanding of the equinus pathology, ankle joint and muscle mechanics can be observed through dynamic MRI. However, acquiring high-resolution dynamic MRI requires long imaging times and repeated motions at constant speed, making it challenging for patients with musculoskeletal disorders. Acquisitions times can be reduced by lowering image quality, thereby reducing interpretability. Today, deep learning-based image synthesis methods have become the state-of-the-art in super-resolution and quality enhancement in medical imaging. This thesis examines the potential of learning-based methods for synthesizing high-resolution dynamic MR sequences from low-resolution sequences. We propose a model leveraging static MRI data to enhance the quality of lowresolution dynamic MR sequences in an unpaired setting. This method will offer a greater interpretability of the dynamic MR sequences.