Reconstruction parcimonieuse d'images IRM 3D et 3D+t à partir de données fortement sous-échantillonnées en imagerie anatomique et fonctionnelle haute résolution à 7 et 11.7 Tesla.

par Zaccharie Ramzi

Projet de thèse en Imagerie et physique médicale

Sous la direction de Philippe Ciuciu et de Jean-Luc Starck.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale Electrical, optical, bio-physics and engineering , en partenariat avec Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts (laboratoire) et de Faculté des sciences d'Orsay (référent) depuis le 18-02-2019 .


  • Résumé

    L'imagerie par résonance magnétique (IRM) est la modalité d'imagerie médicale de référence pour sonder in vivo le cerveau. L'amélioration de la résolution spatiale des images IRM dans un temps d'examen constant (e.g, 200μm isotrope en 15 min) est un enjeu majeur pour permettre aux médecins d'améliorer significativement leur diagnostic et la prise en charge des patients. L'avènement, il y a 10 ans, de la théorie de l'échantillonnage compressif a révolutionné la façon de collecter des données dans plusieurs disciplines scientifiques (e.g., en ultrasons, IRM, radio-astronomie) en permettant de réduire drastiquement les temps d'acquisition. Dans ce contexte, les efforts de NeuroSpin (thèses Nicolas Chauffert 2012-15 puis celle de Carole Lazarus, 2015-18) ont porté sur le développement de nouveaux schémas d'échantillonnage et séquence d'acquisition pour l'imagerie anatomique 2D et 3D, l'aspect 3D permettant ici d'atteindre la haute résolution dans la troisième direction de l'espace. Par ailleurs, le projet DRF Impulsion COSMIC (https://cosmic.cosmostat.org/) entre NeuroSpin/UNATI et CosmoStat (IRFU/Sap) a permis à ce jour d'améliorer la qualité des images IRM 2D reconstruites grâce à l'usage de décomposition multi-échelles parcimonieuses optimisées (e.g., curvelets). L'objet de la thèse consistera à étendre ces travaux pour l'imagerie 3D anatomique haute résolution et l'imagerie fonctionnelle (IRMf) 3D+temps. Il s'agira d'identifier les meilleurs dictionnaires pour représenter de façon parcimonieuse en espace et en temps les images à reconstruire. Des algorithmes de reconstruction efficaces seront développés pour gérer les données multi-canaux dans le contexte de l'imagerie parallèle. Les validations seront effectuées in vivo sur volontaires sains d'abord à 7 Tesla puis sur l'aimant Iseult à 11.7 Tesla à une résolution isotropique de 200μm en IRM anatomique et de 500μm en IRMf. L'objectif affiché sera de reconstruire à l'aide d'une implémentation GPU chaque volume IRMf de taille 512x512x512 (2 GB en mémoire/volume) en moins de 30 sec et une image anatomique haute résolution en 5 min environ.

  • Titre traduit

    3D and 3D+t Compressed Sensing MR image reconstruction in high resolution anatomical and functional brain imaging at 7 and 11.7 Tesla


  • Résumé

    Magnetic Resonance Imaging (MRI) is the gold-standard medical imaging technique to probe the brain in vivo in a non-invasive manner. MR image resolution improvement in a standard scanning time (e.g., 200 µm isotropic in 15 min) is a major challenge to allow neuroscientists and medical doctors to push the limits of their current knowledge and to significantly improve both their diagnosis and patients' follow-up. The raise of the new sampling theories like Compressed Sensing (CS) has revolutionized the way of collecting data in numerous scientific fields (e.g., ultrasound imaging, MRI, radio-astronomy) by drastically reducing acquisition times. In this context, NeuroSpin's efforts have been focused on the development of new sampling schemes as well as new MR pulse sequences for 2D and 3D high resolution anatomical imaging, the 3D imaging schenario allowing us to achieve isotropic high resolution. Since 2016, the DRF impulsion COSMIC project between the NeuroSpin and IRFU/CosmoStat teams has provided us with the opportunity to improve 2D MR image quality using multiresolution analysis based on geometrically-informed sparse dictionaries (e.g., curvelets). The main goal of this PhD thesis will consist of extending this work to 3D and 3D+t settings for respectively high resolution anatomical and functional brain imaging at ultra-high magnetic fields (on the 7 Tesla and the future 11.7T system). The first challenge will be to identify optimal sparse dictionaries in space and time, and their combination, for optimal 3D and 3D+t MR images recovery. Fixed and data-adaptive dictionaries will be tested, in particular the possibility offered by machine learning techniques to uncover data-driven decompositions such as convolutional dictionaries. Efficient off-line and on-line 3D and 3D+t parallel imaging (i.e. multichannel) reconstruction algorithms will be developed using the PySAP software5 in the context of ordered sparse + low-rank regularization for functional MRI data. On-line implementation will be implemented using the Gadgetron solution installed on NeuroSpin's scanners. In vivo validation will be performed on healthy volunteers first at 7 Tesla and then at 11.7 Tesla to reach isotropic anatomical (200 µm) and functional (500 µm) high resolution imaging. Using GPU-based implementation, the objective will be to achieve a reconstruction time less than 20 sec/volume for each 512 × 512 × 512 fMRI scan (2GB in memory/volume) and less than 5 min for a single high resolution anatomical image (1024 × 1024 × 1024).