Imagerie adaptative en IRM : utilisation des informations de mouvements physiologiques pour l’optimisation des processus d’acquisition et de reconstruction

Adaptive imaging in MRI : optimization of image acquisition and reconstruction using physiological motion information

• Auteur / Autrice : Freddy Odille
• Direction : Jacques Felblinger
• Type : Thèse de doctorat
• Discipline(s) : Automatique et Traitement du Signal
• Date : Soutenance le 14/11/2007
• Etablissement(s) : Nancy 1
• Ecole(s) doctorale(s) : IAEM Lorraine
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Imagerie Adaptative Diagnostique et Interventionnelle
• Jury : Président / Présidente : Isabelle Magnin
• Jury : Examinateurs / Examinatrices : Jacques Felblinger, Isabelle Magnin, Luc Darrasse, Alain Herment, Pierre-Yves Marie
• Jury : Rapporteurs / Rapporteuses : Luc Darrasse, Alain Herment

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Reconstruction d'image

Imagerie par résonance magnétique

Imagerie médicale -- Qualité de l'image

Mots clés libres

Artéfacts

Résumé

L’imagerie par résonance magnétique (IRM) est une technique d’imagerie relativement lente. Les mouvements du patient, en particulier en imagerie cardiaque et abdominale, constituent un obstacle important, venant perturber le processus d’encodage spatial nécessaire à la réalisation d’une image. Ces mouvements induisent des dégradations de l’image, appelées artéfacts, qui prennent des formes complexes du fait que cet encodage est réalisé dans un espace inhabituel (espace hybride Fourier/sensibilités d’antennes). Les méthodes généralement utilisées (apnée du patient, synchronisation de l’acquisition avec l’électrocardiogramme) sont imparfaites et ne sont pas toujours applicables. A l’aide d’une plateforme spécialement développée pour l’acquisition et l’analyse des données physiologiques pendant l’examen IRM, nous proposons d’intégrer des informations de mouvement a priori, à différents niveaux des processus d’acquisition et de reconstruction, avec un intérêt particulier pour la correction des erreurs d’encodage spatial. Nous construisons un modèle prédictif permettant d’estimer les champs de déplacements élastiques dans le plan ou le volume imagé, à partir de combinaisons linéaires des signaux fournis par la plateforme. Puis nous définissons un cadre de reconstruction généralisé permettant d’inclure les données de déplacements prédites par le modèle, afin de reconstruire une image corrigée, minimisant ainsi les artéfacts de mouvement. Les hypothèses et conditions de validité sont analysées, et le modèle prédictif ainsi que les différentes méthodes de reconstruction proposées sont validés sur des données réelles, cardiaques et abdominales, de sujets sains.

Magnetic resonance imaging (MRI) is a relatively slow imaging technique. In the context of cardiac and abdominal imaging, patient motion is a major impediment that disturbs the spatial encoding process needed to form an image. Motion results in image deteriorations, called artifacts. These artifacts can take complex forms as this encoding occurs in an unusual space (Fourier/coil sensitivity hybrid space). Generally the patient is asked for a breathhold in order to minimize the influence of respiration, and the acquisition is synchronized to the electrocardiogram in order to handle cardiac contraction. These methods are imperfect and not always applicable, and therefore alternative approaches are desirable. We propose to integrate prior knowledge in the acquisition and reconstruction processes, based on a specially designed platform, developed to acquire and analyze physiological data during the MRI examination. Various solutions are investigated to implement this adaptive imaging, with special care to the correction of motion induced spatial encoding errors. For that purpose, we build a predictive model that allows elastic displacement fields in the field of view to be predicted, from linear combinations of signals provided by the platform. Then we define a generalized reconstruction framework in which predicted displacement data are included, leading to the reconstruction of a motion-compensated image. The hypotheses are analyzed, and the predictive model, as well as the proposed reconstruction methods, are validated on real cardiac and abdominal data from healthy volunteers, in 2D and 3D free breathing scans.