Apprentissage non-supervisé en 4D pour la reconstruction d'images cérébrales en IRM fonctionnelle à partir de données comprimées acquises à champ magnétique extrême

Unsupervised learning in 4D for brain image reconstruction in functional MRI at extreme magnetic fields from compressed data collected at extreme magnetic fields

• Auteur / Autrice : Pierre-Antoine Comby
• Direction : Philippe Ciuciu
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 01/10/2021
• 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 : Modèles et inférence pour les données de neuro-imagerie
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Neuroimagerie fonctionnelle

Deep Learning

Supercalculateur Jean Zay

Compressed sensing

7 Tesla

Apprentissage profond

7 Tesla MRI

Functional neuroimaging

Transfer learning

Implicit learning

Résumé

L'imagerie par résonance magnétique fonctionnelle (IRMf) est la modalité de référence pour sonder le fonctionnement cérébral in vivo. L'amélioration de la résolution spatio-temporelle (e.g. 0.8mm isotrope en moins de 2 sec.) en IRMf passe par des techniques d'acquisition accélérées comme l'échantillonnage compressif. Cependant, le gain de temps à l'acquisition est perdu durant la phase de reconstruction d'images, plus coûteuse car itérative. L'apparition en 2016 de l'apprentissage profond pour la reconstruction d'images IRM anatomiques 2D à partir de données sous-échantillonnées a permis d'améliorer la qualité image et de réduire le temps de reconstruction. Toutefois, ces approches n'ont pu être transposées à l'IRMf car elles demeurent supervisées et requièrent donc des données annotées (i.e. non compressées) pour l'entraînement des réseaux de neurones. De plus en IRMf, il est nécessaire de reconstruire une séquence temporelle d'images 3D c'est-à-dire opérer un apprentissage en 4D. L'objectif de cette thèse vise donc à répondre à ce double défi d'un apprentissage non-supervisé, i.e. sans données annotées, en 4D pour la reconstruction d'images en IRMf. Nous utiliserons pour ce faire des techniques d'apprentissage par transfert (e.g. Deep Image Prior) et un apprentissage implicite, beaucoup plus compact en nombre de paramètres pour représenter un réseau de neurones. Nous développerons de nouvelles variantes de XPDNet, notre solution classée deuxième sur le challenge Brain fastMRI lancé par Facebook AIR en 2020 sur l'imagerie anatomique. L'application visée concerne l'IRMf à haute résolution à 7T chez l'adulte sain sur des données accélérées par la technologie SPARKLING et acquises à NeuroSpin au cours d'un protocole de rétinotopie visuelle.

Functional magnetic Resonance Imaging (fMRI) is the gold-standard imaging technique to probe the human brain function in vivo. Improvement in spatio-temporal resolution (e.g. 1mm isotropic in less than 2s) in fMRI can be achieved using compressed sensing techniques. However, the gain in scan time is often lost at the reconstruction stage due to costly iterative processes. In 2016, the inclusion of deep learning for 2D anatomical MR image reconstruction from compressed data has allowed for a significant gain in image quality and computation time. However, these approaches cannot be transposed to fMRI as they remain supervised and thus require labeled data (i.e. fully sampled) for training neural networks. Moreover, in fMRI, a reconstruction of a temporal sequence of 3D MR images is necessary in order to address learning in 4D. This PhD thesis aims to tackle both challenges, that of unsupervised learning (i.e. without labeled data), and 4D image reconstruction in fMRI. We will make use of transfer learning techniques (e.g. Deep Image Prior) and implicit learning, which offers more of a compact representation of deep networks. We will develop novel extensions of XPDnet, our in-house solution ranked second in the 2020 brain fastMRI challenge launched by Facebook AIR on anatomical imaging. The targeted application will be high resolution fMRI at 7 Tesla in healthy adults on prospectively accelerated data using the SPARKLING technology and collected at NeuroSpin during an visual retinotopic experiment.