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 : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 13/09/2021
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Images et Son

Mots clés

Mots clés libres

Apprentissage profond

Analyse d'Images

Imagerie médicale

IRM pulmonaires

Gan

Deep learning

Image Analysis

Medical Imaging

Lung MRI

Gan

Résumé

Le but de cette thèse est de développer de nouvelles méthodes de filtrages de bruit et de segmentation spécifiques aux caractéristiques de ces nouvelles images IRM. Un premier développement a été fait sur une séquence UTE PETRA, mais malheureusement cette séquence a une forte variabilité en terme de qualité d'image en fonction de l'opérateur qui fait l'acquisition. De nouvelles acquisitions prometteuses ont été réalisées et permettrons de développer de nouvelles méthodes pour l'imagerie diagnostique du poumon dans le cadre de cette thèse. Tout d'abord la séquence UTE SpiralVibe qui contrairement à PETRA possède des caractéristiques stables entre les centres. Nous disposons de plus d'une cohorte pour laquelle nous avons fait l'acquisition d'un CT et d'une IRM le même jour. Cela permettra non seulement d'évaluer la qualité des nouvelles méthodes développées pour l'IRM en les comparant à l'état de l'art sur CT, mais aussi de tester l'utilisation de GAN afin d'améliorer le signal de l'IRM à partir de celui du CT. Nous disposons aussi de la décomposition de Fourier (FD) temporelle pour laquelle nous souhaitons la aussi développer des techniques d'analyse d'image permettant de générer des cartes fonctionnelles pulmonaires de ventilation et de perfusion.

The aim of this thesis is to develop new methods of noise filtering and segmentation specific to the characteristics of these new MRI images. A first development has been done on a UTE PETRA sequence, but unfortunately this sequence has a high variability in terms of image quality depending on the operator doing the acquisition. New promising acquisitions have been made and will allow the development of new methods for diagnostic imaging of the lung in the framework of this thesis. First of all, the UTE SpiralVibe sequence which, unlike PETRA, has stable characteristics between centers. In addition, we have a cohort for which we have acquired a CT and an MRI on the same day. This will not only allow us to evaluate the quality of the new methods developed for MRI by comparing them to the state of the art on CT, but also to test the use of GAN to enhance the MRI signal from the CT signal. We also have the temporal Fourier decomposition (FD) for which we also want to develop image analysis techniques to generate pulmonary functional maps of ventilation and perfusion.