Apprentissage profond pour la conversion d’IRM vers TDM en imagerie thoracique

Deep learning for MR to CT translation in thoracic imaging

• Auteur / Autrice : Arthur Longuefosse
• Direction : Pascal Desbarats, Fabien Baldacci
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 18/12/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Jenny Benois Pineau
• Jury : Examinateurs / Examinatrices : Nicolas Normand
• Jury : Rapporteurs / Rapporteuses : Serge Miguet, José Maria Martinez Sanchez

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Poumon

Apprentissage profond

Intelligence artificielle en médecine

Mots clés libres

IRM pulmonaire

Apprentissage profond

Conversion inter-modalité

Préservation des structures fines

Lung MRI

Deep Learning

Cross-modality Translation

Fine-structure Preservation

Résumé

L’imagerie thoracique présente des défis importants, chaque modalité d’imagerie ayant ses propres limitations. Le scanner (CT), référence en imagerie pulmonaire, offre une haute résolution spatiale, mais utilise des rayonnements ionisants, posant des risques pour les patients nécessitant des examens fréquents. À l’inverse, l’IRM pulmonaire offre une alternative sans radiation, mais est limitée par des problèmes techniques tels qu’un faible contraste et des artefacts, limitant son adoption clinique à grande échelle. Récemment, l’IRM à temps d’écho ultracourt (UTE-MRI) a montré un potentiel pour surmonter certaines de ces limitations, mais elle ne parvient toujours pas à atteindre la haute résolution et la qualité d’image du scanner, notamment pour l’évaluation détaillée des structures. L’objectif principal de cette thèse est de développer et valider des modèles basés sur l’apprentissage profond pour synthétiser des images de scanner TDM à partir d’IRM UTE. Plus précisément, nous visons à évaluer la qualité des images, la reconstruction anatomique et l’applicabilité clinique de ces images de synthèse par rapport aux IRM UTE originales et aux scanners CT correspondants. Dans un premier temps, nous avons exploré les bases de la synthèse d’images médicales, en établissant le socle pour la conversion de l’IRM vers le scanner. Nous avons mis en œuvre un modèle de GAN 2D basé sur le cadre pix2pixHD, optimisé avec la normalisation SPADE et affiné les techniques de prétraitement telles que le rééchantillonnage et l’enregistrement. L’évaluation clinique par des radiologues experts a montré des résultats prometteurs en comparant les images synthétiques aux scans réels. La synthèse a été ensuite améliorée par l’introduction de la perte perceptuelle, qui a affiné les détails structurels et la qualité visuelle, et par l’intégration de stratégies 2.5D pour équilibrer la synthèse 2D et 3D. De plus, nous avons mis l’accent sur un processus de validation rigoureux utilisant des métriques spécifiques à la tâche, remettant en question les métriques globales traditionnelles basées sur l’intensité, en nous concentrant sur la reconstruction précise des structures anatomiques. Dans la dernière étape, nous avons développé un cadre de synthèse 3D robuste et évolutif en adaptant nnU-Net pour la génération de scanner, accompagné d’une fonction de perte priorisant les caractéristiques anatomiques, permettant une meilleure reconstruction des structures critiques telles que les voies respiratoires et les vaisseaux. Notre travail met en évidence le potentiel des modèles basés sur l’apprentissage profond pour générer des images synthétiques de haute qualité de type scanner à partir d’IRM UTE, offrant une amélioration significative de l’imagerie pulmonaire non invasive. Ces avancées pourraient considérablement améliorer l’applicabilité clinique de l’IRM UTE, en offrant une alternative plus sûre au scanner pour le suivi des maladies pulmonaires chroniques. De plus, un brevet est actuellement en préparation pour l’adoption de notre méthode, ouvrant la voie à une utilisation potentielle en milieu clinique.

Thoracic imaging faces significant challenges, with each imaging modality presenting its own limitations. CT, the gold standard for lung imaging, delivers high spatial resolution but relies on ionizing radiation, posing risks for patients requiring frequent scans. Conversely, lung MRI, offers a radiation-free alternative but is hindered by technical issues such as low contrast and artifacts, limiting its broader clinical use. Recently, UTE-MRI shows promise in addressing some of these limitations, but still lacks the high resolution and image quality of CT, particularly for detailed structural assessment. The primary objective of this thesis is to develop and validate deep learning-based models for synthesizing CT-like images from UTE-MRI. Specifically, we aim to assess the image quality, anatomical accuracy, and clinical applicability of these synthetic CT images in comparison to the original UTE-MRI and real CT scans in thoracic imaging. Initially, we explored the fundamentals of medical image synthesis, establishing the groundwork for MR to CT translation. We implemented a 2D GAN model based on the pix2pixHD framework, optimizing it using SPADE normalization and refining preprocessing techniques such as resampling and registration. Clinical evaluation with expert radiologists showed promising results in comparing synthetic images to real CT scans. Synthesis was further enhanced by introducing perceptual loss, which improved structural details and visual quality, and incorporated 2.5D strategies to balance between 2D and 3D synthesis. Additionally, we emphasized a rigorous validation process using task-specific metrics, challenging traditional intensity-based and global metrics by focusing on the accurate reconstruction of anatomical structures. In the final stage, we developed a robust and scalable 3D synthesis framework by adapting nnU-Net for CT generation, along with an anatomical feature-prioritized loss function, enabling superior reconstruction of critical structures such as airways and vessels. Our work highlights the potential of deep learning-based models for generating high-quality synthetic CT images from UTE-MRI, offering a significant improvement in non-invasive lung imaging. These advances could greatly enhance the clinical applicability of UTE-MRI, providing a safer alternative to CT for the follow-up of chronic lung diseases. Furthermore, a patent is currently in preparation for the adoption of our method, paving the way for potential clinical use.