Reconstruction de l'IRM cardiaque intégrant le mouvement basée sur l'IA – MEDICARE

Les techniques de reconstruction accélérée de l'IRM sont nécessaires pour accélérer les examens cardiaques de longue durée et éviter les arrêts respiratoires. Les techniques d'imagerie parallèle (IP) sont largement utilisées dans la pratique clinique pour réduire le nombre de lignes de l'espace k acquises, en tirant parti des informations fournies par les bobines de réception multiples. GRAPPA est un algorithme de reconstruction IP qui vise à interpoler les lignes manquantes de l'espace k à l'aide de noyaux de convolution déterminés lors d'un étalonnage basé sur des lignes centrales de l'espace k entièrement échantillonnées. L'algorithme RAKI a récemment proposé d'intégrer la non-linéarité en appliquant un CNN à couches multiples. L'avantage de cette approche réside dans l'apprentissage en une seule fois, ce qui n'est pas courant pour les techniques de DL qui nécessitent généralement un grand ensemble de données d'apprentissage.

Le PSNR de la méthode accélérée proposée est presque aussi bon que le RAKI standard et le GRAPPA, tandis que le temps de reconstruction est réduit.

La reconstruction sur trois tranches adjacentes a montré le meilleur compromis entre la qualité de l'image et l'accélération de la reconstruction.

GRAPPA, RAKI standard et notre méthode semblent donner des résultats visuels comparables .

Des artefacts subsistent pour plusieurs exemples lors de l'évaluation des approches basées sur la RAKI. Ces artefacts semblent être présents dans le RAKI standard et intrinsèques à la technique. Les travaux futurs mettront en évidence ces artefacts dans l'espoir de les réduire ou de les éliminer. On suppose que ces artefacts semblent être dus à un surentraînement sur les données d'étalonnage et aux structures du sous-échantillonnage. On étudiera l'utilisation de fonctions de perte plus spécifiques aux données brutes et/ou l'utilisation d'un sous-échantillonnage non cartésien.

.

L'imagerie par résonance magnétique (IRM) est la modalité d'imagerie médicale recommandée pour un large éventail de pathologies cardiovasculaires, et l'utilisation de l'IRM cardiaque dans la pratique clinique ne fera que se généraliser étant donné le rythme des développements technologiques ces dernières années.
L'apprentissage en profondeur (Deep Learning, DL) et d'autres types de techniques dites d'intelligence artificielle (IA) ont récemment impacté les communautés de la vision par ordinateur et ont permis d'atteindre des niveaux de performance comparables à ceux des humains pour plusieurs tâches (classification d'objets, ...). Ces techniques ont donc naturellement été transposées au domaine de l'imagerie médicale avec des succès similaires, bien que des limitations spécifiques soient inhérentes au domaine médical (comme la relative rareté des ensembles de données annotées). Plus récemment, des techniques de reconstruction de l'imagerie médicale basées sur la DL ont été proposées, car elles pourraient permettre une acquisition et une reconstruction plus rapide des données, et donc accélérer l'examen IRM et réduire leur coût sur les soins de santé.
Le projet MEDICARE vise à combiner l'expertise des deux partenaires, la reconstruction IRM et l'analyse des données physiologiques pour le laboratoire de l'IADI et l'analyse de l'imagerie médicale pour l'IMI, afin de développer une technique de reconstruction IRM cardiaque basée sur l'IA intégrant le mouvement permettant l'imagerie cardiaque du cœur tout entier en respiration libre. Une telle solution ouvrirait un vaste éventail d'applications cliniques (images CINE accélérées à haute résolution, acquisition accélérée de cartes T1/T2). Certaines limites doivent être surmontées avant de transférer une telle solution basée sur l'IA dans la pratique clinique, principalement en raison de la nécessité de gagner la confiance des radiologues en élaborant des solutions robustes (en évitant une régularisation trop simplifiée et biaisée en faveur des tissus sains) et en fournissant des cartes de confiance avec les images reconstruites pour aider le radiologue à prendre une décision de diagnostic rationnelle.
L'objectif global de développer une technique de reconstruction cardiaque basée sur l'IA intégrant le mouvement sera atteint grâce aux quatre sous-objectifs suivants :
- Mettre au point une reconstruction IRM accélérée basée sur l'IA qui intègre la modélisation de l'incertitude dans l'analyse afin d'améliorer la fiabilité de la qualité des images
- Avancer la reconstruction par IRM des détails anormaux subtils pour éviter les biais vers les tissus sains dans les modèles IA et améliorer la fiabilité clinique
- Développer et incorporer la prédiction de mouvement 4D basée sur l'IA sans reconstruction complète pour un échantillonnage plus rapide de l'espace K pour l'acquisition IRM
- Améliorer l'explicabilité des méthodes d'IA pour le traitement d'images IRM en combinant l'extraction de caractéristiques basée sur l'IA avec des stratégies d'optimisation robustes basées sur des graphes.