IRM cardiaque 3D en respiration libre basée sur des techniques d'apprentissage automatique

Free breathing 3D cardiac MRI based on machine learning techniques

• Auteur / Autrice : Lucile Quillien
• Direction : Pierre-André Vuissoz, Julien Oster
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Inscription en doctorat le 05/01/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : IADI - Imagerie Adaptative Diagnostique et Interventionnelle

Mots clés

Mots clés libres

Modèles de mouvements

IA interprétable

Reconstruction en IRM

Imagerie médicale

Motion models

Interpretable AI

MRI reconstruction

Medical Imaging

Résumé

L'imagerie par résonance magnétique (IRM) est la modalité d'imagerie médicale recommandée pour un large éventail de pathologies cardiovasculaires. L'apprentissage en profondeur (Deep Learning, DL) et d'autres types de techniques dites d'intelligence artificielle (IA) ont récemment impacté les communautés de la vision par ordinateur. Ces techniques ont donc naturellement été transposées au domaine de l'imagerie médicale avec des succès similaires, bien que des limitations spécifiques soient inhérentes au domaine médical. Plus récemment, des techniques de reconstruction de l'imagerie médicale basées sur la DL ont été proposées, car elles pourraient permettre une acquisition plus rapide des données, et donc accélérer l'examen IRM et réduire leur coût sur les soins de santé. Le projet MEDICARE vise à combiner l'expertise des deux partenaires, la reconstruction IRM et l'analyse des données physiologiques pour le laboratoire de l'IADI et l'analyse de l'imagerie médicale pour l'IMI, afin de développer une technique de reconstruction IRM cardiaque basée sur l'IA intégrant le mouvement permettant l'imagerie cardiaque cœur entier en respiration libre. Cet objectif global sera atteint grâce aux quatre sous-objectifs suivants : - Mettre au point une reconstruction IRM accélérée basée sur l'IA qui intègre la modélisation de l'incertitude dans l'analyse afin d'améliorer la fiabilité de la qualité des images - Avancer la reconstruction par IRM des détails anormaux subtiles pour éviter les biais vers les tissus sains dans les modèles IA et améliorer la fiabilité clinique - Développer et incorporer la prédiction de mouvement 4D basée sur l'IA sans reconstruction complète pour un échantillonnage plus rapide de l'espace K pour l'acquisition IRM - Améliorer l'explicabilité des méthodes d'IA pour le traitement d'images IRM en combinant l'extraction de caractéristiques basée sur l'IA avec des stratégies d'optimisation robustes basées sur des graphes.

Magnetic Resonance Imaging (MRI) is the recommended medical imaging modality for a wide range of cardiovascular pathologies. Deep Learning (DL) and other forms of artificial intelligence (AI) techniques have recently transformed computer vision research. These methods have therefore been adopted to the medical imaging field with early successes, although specific limitations that are inherent to the medical field prevail. More recently, DL-based medical imaging reconstruction techniques have been identified as being a promising strategy for faster data acquisition, thus speeding up MRI examination and reducing its cost to healthcare. The MEDICARE project aims at combining the expertise of both partners, MRI reconstruction and physiological data analysis with AI in the IADI laboratory and AI-based medical imaging analysis at IMI, in order to develop a Motion Integrated AI-based cardiac MRI reconstruction technique that enables accurate whole heart imaging during free-breathing. This overall objective will be achieved through the following four sub-objectives: - Develop accelerated AI-based MRI reconstruction that incorporates uncertainty modelling into the analysis to enhance the trustworthiness of image quality - Advance MRI reconstruction of subtle abnormal details to avoid bias of healthy tissues in AI-models and improve clinical reliability - Develop and incorporate AI-based 4D motion prediction without full reconstruction for faster sparse K-space sampling for MRI acquisition - Enhance the explainability of AI methods for MR image processing by combining AI-based feature extraction with robust graph-based optimization strategies.