Analyse de champs magnétiques en IRM pour une application d'électro-imaging

MRI magnetic fields analysis for electro-imaging applications.

• Auteur / Autrice : Benjamin Roussel
• Direction : Jacques Felblinger, Julien Oster
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Inscription en doctorat le 25/09/2018
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : IADI - Imagerie Adaptative Diagnostique et Interventionnelle

Mots clés

Mots clés libres

Electro-Imaging

Apprentissage Supervisé

Problème inverse

Supervised learning

Electro-Imaging

Inverse problem

Résumé

La tachycardie ventriculaire (TV) est un des risques de complication pour les patients souffrant d'insuffisance cardiaque (IC). Les TV sont responsables de près de 80% des morts subites cardiaques. La méthode actuelle pour stratifier les patients à risque de mort subite cardiaque, basée sur la fraction d'éjection du ventricule gauche, est très controversée et il est donc indispensable de développer de meilleurs biomarqueurs. L'imagerie par résonance magnétique (IRM) est un outil puissant capable de fournir de tels biomarqueurs avec des informations fonctionnelles et anatomiques. Ces informations d'imagerie peuvent être également fusionnées avec d'autres données médicales. La fusion d'électrophysiologie cardiaque et de l'imagerie, aussi appelée Electro-Imaging (ECGI), a été récemment suggérée pour la visualisation non-invasive de l'activité électrique cardiaque. L'ECGI semble être une solution particulièrement prometteuse pour une meilleure stratification des patients à risque de TV. Notre hypothèse est que l'ECGI pourra à l'avenir être améliorée par les informations fonctionnelles accessibles grâce à l'IRM, telles que l'orientation des fibres cardiaques, la conductivité des tissus, mais aussi des modèles dynamiques 3D du cœur. Pour ce faire, nous proposons de développer des techniques pour l'analyse des champs magnétiques créés en IRM. Cet objectif principal sera atteint en travaillant sur les deux axes suivants : 1) Localisation magnétique des capteurs d'Electrocardiogramme (ECG). Les techniques d'ECGI nécessitent de connaître avec précision la position des électrodes utilisées pour la mesure des potentiels électriques. Nous allons travailler sur des techniques de localisation magnétique. Les capteurs ECG utilisés intègrent un capteur de champ magnétique 3D, il est possible de déduire la position de ces champs, grâce à une source magnétique tridimensionnelle. Cette approche est utilisée dans certains cathéters d'électrophysiologie. Nous proposons d'utiliser des techniques d'apprentissage supervisé, avec des approches neuronales pour la localisation. Des réseaux de neurones convolutifs ou récurrents (LTSM) pourront être utilisés pour intégrer l'analyse des signaux temporels dans la localisation. Les premiers tests seront effectués avec une source de champs magnétiques alimentée dans l'unique but de faire de la localisation. Dans une seconde étape, les champs magnétiques des bobines des « gradients » seront utilisés pour localiser les électrodes, en plus de l'encodage spatial pour l'acquisition des images. 2) Caractérisation des champs électriques induits par l'IRM. Les techniques d'ECGI nécessitent de connaître les propriétés électriques des tissus. A l'heure actuelle, les images du torse du patient sont segmentées, et des valeurs de conductivité prédéterminées pour chaque catégorie de tissu sont attribuées. La précision des techniques d'ECGI pourrait être améliorée en utilisant une estimation personnalisée de ces paramètres. Nous proposons de caractériser avec précision les champs électriques et courants induits dans le patient à l'aide des artefacts de gradients créés sur les signaux ECG, la multiplication des mesures permettra une caractérisation localisée de ces champs. Ceci correspond à des techniques de tomographie d'impédance électrique, mais notre approche diffère en cela qu'elle utilise les champs magnétiques de l'IRM pour la création des courant induits. Nous utiliserons des approches neuronales, avec des réseaux de neurones récurrents pour l'estimation des champs induits, à partir d'entrées multiples données par la cartographie des champs magnétiques des gradients. Nous estimerons finalement la zone d'influence des gradients, c'est-à-dire établir la région des champs magnétiques responsables pour les courants induits.

Ventricular tachycardia (VT) is a complication risk for patients with heart failure (CHF). TVs are responsible for nearly 80% of sudden cardiac deaths. The current method for stratifying patients at risk of sudden cardiac death, based on the left ventricular ejection fraction, is highly controversial and it is therefore essential to develop better biomarkers. Magnetic resonance imaging (MRI) is a powerful tool that can provide such biomarkers with functional and anatomical information. This imaging information can also be merged with other medical data. Cardiac Electrophysiology Fusion and Imaging, also called Electro-Imaging (ECGI), has recently been suggested for non-invasive visualization of cardiac electrical activity. ECGI seems to be a particularly promising solution for better stratification of patients at risk of TV. Our hypothesis is that the ECGI can be improved in the future by the functional information accessible through MRI, such as cardiac fiber orientation, tissue conductivity, but also 3D dynamic models of the heart. To do this, we propose to develop techniques for the analysis of magnetic fields created in MRI. This main objective will be achieved by working on the following two axes: 1) Magnetic location of electrocardiogram (ECG) sensors. ECGI techniques require precise knowledge of the position of the electrodes used for the measurement of electrical potentials. We will work on magnetic localization techniques. The ECG sensors used incorporate a 3D magnetic field sensor, it is possible to deduce the position of these fields, thanks to a three-dimensional magnetic source. This approach is used in some electrophysiology catheters. We propose to use supervised learning techniques, with neural approaches for localization. Convolutional or recurrent neural networks (LTSM) can be used to integrate the analysis of temporal signals in the localization. The first tests will be carried out with a source of magnetic fields fed for the sole purpose of locating. In a second step, the magnetic fields of the coils of the 'gradients' will be used to locate the electrodes, in addition to the spatial encoding for the acquisition of the images. 2) Characterization of electric fields induced by MRI. ECGI techniques require knowledge of the electrical properties of tissues. At present, images of the patient's torso are segmented, and predetermined conductivity values ​​for each tissue category are assigned. The accuracy of ECGI techniques could be improved by using a personalized estimate of these parameters. We propose to precisely characterize the electrical and current fields induced in the patient using gradient artifacts created on the ECG signals, the multiplication of measurements will allow a localized characterization of these fields. This corresponds to electric impedance tomography techniques, but our approach differs in that it uses the magnetic fields of the MRI for the creation of the induced currents. We will use neural approaches, with recurrent neural networks for the estimation of induced fields, from multiple inputs given by magnetic field mapping of gradients. We will finally estimate the zone of influence of the gradients, that is to say, establish the region of the magnetic fields responsible for the currents induced.