Thèse en cours

IRM «fingerprint» et Intelligence Artificielle pour la prise en charge des patients victimes d'un AVC
FR  |  
EN
Auteur / Autrice : Thomas Coudert
Direction : Emmanuel Barbier
Type : Projet de thèse
Discipline(s) : Physique pour les Sciences du Vivant
Date : Inscription en doctorat le 01/10/2021
Etablissement(s) : Université Grenoble Alpes
Ecole(s) doctorale(s) : École doctorale physique (Grenoble ; 1991-....)
Partenaire(s) de recherche : Laboratoire : Grenoble Institut des Neurosciences

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Le concept d'IRM fingerprint (MRF) propose de reconstruire des images en comparant directement des acquisitions in vivo (3D spatial + 1D temporel = fingerprints) et des millions de simulations numériques qui miment les tissus du cerveau (dictionnaire). Cette approche est en théorie assez flexible pour permettre d'accéder à plusieurs paramètres IRM simultanément et de les quantifier. Comme nous l'avons montré lors d'études cliniques et précliniques, lorsque les simulations s'appuient sur la physique de la RMN (champ magnétique,susceptibilité magnétique, diffusion,relaxations ...) et sur la biophysique (dimensions cellulaire et vasculaire, flux...), la technique permet d'extraire des informations sur les microstructures tissulaires. Ces données sont particulièrement importantes pour la prise en charge de patients victimes d'un AVC aigu. Jusqu'à présent, la représentation numérique des tissus se basait sur des formes simples (cellules=sphères, vaisseaux sanguins=cylindres). De plus, le choix de la séquence 4D est actuellement basée sur des trajectoires grossières de l'aimantation nucléaire et l'étape de comparaison est extrêmement chronophage. Nous proposons ici de développer des simulations biophysiques réalistes couplées a des outils d'intelligence artificielle intégrés à différents niveaux de la trame MRF pour optimiser le protocole MRF. Nous créerons ainsi un outil intégrable dans un environnement clinique et capable de guider les patients plus rapidement vers les traitements appropriés. Le travail proposé porte sur le développement d'outils numériques qui synthétisent des structures 3D réalistes des tissus cérébraux et qui s'intègrent dans une trame MRF optimisée par IA. Les objectifs de ce travail méthodologique sont : -De développer un code qui ‘apprend' à générer des structures tissulaires réalistes à partir d'acquisition de microscopie haute résolution. -D'utiliser un outil existant de simulations du signal IRM, d'y intégrer les nouveaux modules de simulations réalistes (+ simulations dynamiques flux et oxygénation sanguine) et de construire des dictionnaires de signaux numériques. -De développer des outils IA de type ‘deep reinforcement learning' qui pilotent des scanners IRM virtuels et optimisent automatiquement les patterns d'acquisitions (enchaînement des impulsions radiofréquences, temps de relaxation, phase...). -D'acquérir des données in vivo sur cerveau (humain + petit animal) et de tester les outils lorsque le niveau d'oxygène respiré est augmenté (hyperoxie) ou abaissé (hypoxie), puis éventuellement en situation pathologique(AVC).