Apprentissage profond pour l'IRM à ultra bas champ

Deep learning for very low field MRI

• Auteur / Autrice : Damien Vaurs
• Direction : Marie Poirier-quinot
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Imagerie Biomédicale Multimodale Paris-Saclay
• Partenaire(s) de recherche : Equipe de recherche : Développements méthodologiques et instrumentaux
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Imagerie médicale

Intelligence artificielle

Imagerie par Résonance Magnétique

Magnetic Resonance Imaging

Machine Learning

Medical imaging

Résumé

L'imagerie par résonance magnétique à ultra bas champ (VLF-MRI) présente plusieurs avantages par rapport à l'IRM à haut champ traditionnel ; cependant, elle n'est pas sans limitations et défis. L'apprentissage profond offre une promesse significative pour surmonter les contraintes inhérentes à la VLF-MRI en permettant des acquisitions plus rapides, en améliorant la qualité et la résolution des images, et en réduisant les artefacts. À BioMaps, un système d'IRM à 10mT est en cours de développement. Ce projet doctoral vise à tirer parti des stratégies d'apprentissage profond tout en intégrant les forces des approches basées sur des modèles et des approches axées sur les données.

Very Low Field Magnetic Resonance Imaging (VLF-MRI) presents several advantages over traditional high-field MRI, however, from it is not without its limitations and challenges. Deep learning offers significant promise in addressing the inherent constraints of VLF-MRI by enabling faster acquisitions, improving image quality and resolution, and reducing artifacts. In BioMaps, we are in the process of developing a 10mT MRI system. This PhD project seeks to leverage deep learning strategies while integrating the strengths of both model-based and data-driven approaches.