L'échantillonnage compressif en IRM: conception optimisée de courbes de remplissage de l'espace-k pour accélérer l'IRM

par Carole Lazarus

Thèse de doctorat en Imagerie et physique médicale

Sous la direction de Philippe Ciuciu.

Thèses en préparation à Paris Saclay , dans le cadre de Electrical,Optical,Bio: PHYSICS_AND_ENGINEERING , en partenariat avec Unité d'analyse et de traitement de l'information (laboratoire) et de Université Paris-Sud (établissement opérateur d'inscription) .


  • Résumé

    L'imagerie par résonance magnétique (IRM) est l'une des modalités d'imagerie les plus puissantes et les plus sures pour examiner le corps humain. L'IRM de haute résolution devrait aider à la compréhension et le diagnostic de nombreuses pathologies impliquant des lésions submillimétriques ou des maladies telles que la maladie d'Alzheimer et la sclérose en plaque. Bien que les systèmes à haut champ magnétique soient capables de fournir un rapport signal-sur-bruit permettant d'augmenter la résolution spatiale, le long temps d'acquisition et la sensibilité au mouvement continuent d'entraver l'utilisation de l'IRM de haute résolution. Malgré le développement de méthodes de correction du mouvement et du bruit physiologique, le long temps d'acquisition reste un obstacle majeur à l'IRM de haute résolution, en particulier dans les applications cliniques. Au cours de la dernière décennie, la nouvelle théorie du compressed sensing (CS) a proposé une solution prometteuse pour réduire le temps d'examen en IRM. Après avoir expliqué la théorie du compressed sensing, ce projet de thèse propose une étude empirique et quantitative du facteur de sous-échantillonnage maximum réalisable grâce au CS pour l'imagerie pondérée en T2*. En outre, l'application de CS en IRM repose généralement sur l'utilisation de courbes d'échantillonnage simples telles que les lignes droites, spirales ou des légères variations de ces formes élémentaires qui ne tirent pas pleinement parti des degrés de liberté offerts par le hardware et ne peuvent être facilement adaptées à une distribution d'échantillonnage arbitraire. Dans cette thèse, j'ai introduit une méthode appelée SPARKLING, qui permet de surmonter ces limitations en adoptant une approche radicalement nouvelle de la conception de l'échantillonnage de l'espace-k. L'acronyme SPARKLING signifie Spreading Projection Algorithm for Rapid K-space sampLING. C'est une méthode flexible inspirée des techniques de stippling qui génère automatiquement, grâce à un algorithme d'optimisation, des courbes d'échantillonnage non-cartésiennes compatibles avec les contraintes hardware de l'IRM en termes d'amplitude de gradient maximale et d'accélération maximale. Ces courbes d'échantillonnage sont conçues pour répondre à des critères clés pour un échantillonnage optimal : une distribution contrôlée des échantillons et une couverture de l'espace-k localement uniforme. Avant de s'engager dans des acquisitions, nous avons vérifié que notre système de gradient était bien capable d'exécuter ces trajectoires complexes. Nous avons implémenté une méthode de mesure de phase et avons observé une très bonne adéquation entre trajectoires prescrites et mesurées. Enfin, en alliant une efficacité d'échantillonnage avec le compressed sensing et l'imagerie parallèle, les trajectoires SPARKLING ont permis de réduire jusqu'à 20 fois le temps d'acquisition d'un examen IRM T2* par rapport aux acquisitions cartésiennes de référence, sans détérioration de la qualité d'image. Ces résultats experimentaux ont été obtenus à 7 Tesla pour de l'imagerie cérébrale in vivo. Par rapport aux stratégies d'échantillonnage non-cartésiennes usuelles (spirale et radiale), la technique proposée a également permis d'obtenir une qualité d'image supérieure. Enfin, l'approche proposée a été étendue à l'imagerie 3D et appliquée à 3 Tesla pour laquelle des résultats préliminaires ex vivo à une résolution isotrope de 0.6 mm suggèrent la possibilité d'atteindre des facteurs d'accélération très élevés jusqu'à 60 pour la pondération T2* et l'imagerie pondérée en susceptibilité.

  • Titre traduit

    Compressed Sensing in MRI: optimization-based design of k-space filling curves for accelerated MRI


  • Résumé

    Magnetic resonance imaging (MRI) is one of the most powerful and safest imaging modalities for examining the human body. High-resolution MRI is expected to aid in the understanding and diagnosis of many neurodegenerative pathologies involving submillimetric lesions or morphological alterations, such as Alzheimer's disease and multiple sclerosis. Although high-magnetic-field systems can deliver a sufficient signal-to-noise ratio (SNR) to increase spatial resolution, long scan times and motion sensitivity continue hindering the utilization of high resolution MRI. Despite the development of corrections for bulk and physiological motion, lengthy acquisition times remain a major obstacle to high-resolution acquisition, especially in clinical applications. In the last decade, the newly developed theory of compressed sensing (CS) offered a promising solution for reducing the MRI scan time. After having explained the theory of compressed sensing, this PhD project proposes an empirical and quantitative analysis of the maximum undersampling factor achievable with CS for T2*-weighted imaging. Furthermore, the application of CS to MRI commonly relies on simple sampling patterns such as straight lines, spirals or slight variations of these elementary shapes, which do not take full advantage of the degrees of freedom offered by the hardware and cannot be easily adapted to fit an arbitrary sampling distribution. In this PhD thesis, I have introduced a method called SPARKLING, that may overcome these limitations by taking a radically new approach to the design of k-space sampling. The acronym SPARKLING stands for Spreading Projection Algorithm for Rapid K-space sampLING. It is a versatile method inspired from stippling techniques that automatically generates optimized non-Cartesian sampling patterns compatible with MR hardware constraints on maximum gradient amplitude and slew rate. These sampling curves are designed to comply with key criteria for optimal sampling: a controlled distribution of samples and a locally uniform k-space coverage. Before engaging into experiments, we verified that our gradient system was capable of executing the complex gradient waveforms. We implemented a local phase measurement method and we observed a very good adequacy between prescribed and measured k-space trajectories. Finally, combining sampling efficiency with compressed sensing and parallel imaging, the SPARKLING sampling patterns allowed up to 20-fold reductions in MR scan time, compared to fully-sampled Cartesian acquisitions, for T2*-weighted imaging without deterioration of image quality, as demonstrated by our experimental results at 7 Tesla on in vivo human brains. In comparison to existing non-Cartesian sampling strategies (spiral and radial), the proposed technique also yielded superior image quality. Finally, the proposed approach was also extended to 3D imaging and applied at 3 Tesla for which preliminary results on ex vivo phantoms at 0.8 mm isotropic resolution suggest the possibility to reach very high acceleration factors up to 60 for T2*-weighting and susceptibility-weighted imaging.