Reconstruction conjointe B0 et image dans l'IRM à champ faible par apprentissage profond informé par la physique
Reconstruction d’images IRM en champ faible utilisant l’apprentissage profond basé sur la connaissance physique
Introduction :
La technologie de l’imagerie par résonance magnétique (IRM) a attiré de plus en plus d’attention ces dernières années dans les applications d’imagerie par résonance magnétique à faible champ. L’IRM à faible champ, en raison de son faible coût et de sa maintenance simple, est considérée comme ayant de vastes perspectives d’application dans divers environnements cliniques et de recherche. Par exemple, les scanners IRM portables à faible champ sont non seulement plus faciles à utiliser, mais peuvent également être utilisés dans des unités d’urgence et des salles d’opération. De plus, les évaluations préliminaires montrent que l’IRM à faible champ a un potentiel d’application clinique dans le diagnostic des accidents vasculaires cérébraux, ce qui rend cette technologie plus attrayante dans le diagnostic médical mondial. Cependant, les principaux défis de l’IRM à faible champ incluent le faible rapport signal/bruit (SBR) et les inhomogénéités du champ magnétique B0 causées par la conception des aimants, les défauts de matériaux et les tolérances de fabrication.
Cette étude, réalisée par les académiciens David Schote, Lukas Winter, Christoph Kolbitsch, Georg Rose, Oliver Speck et Andreas Kofler, a été publiée dans l’IEEE Transactions on Biomedical Engineering en 2023. La recherche vise à résoudre les distorsions et le bruit dans les images IRM à faible champ en utilisant une méthode combinant les connaissances physiques et l’apprentissage profond, afin d’améliorer la qualité des images et la précision du diagnostic.
Méthodologie :
Cette étude propose une méthode de reconstruction d’images basée sur un réseau neuronal déployé, appelé SH-Net (Spherical Harmonic Network), qui garantit la continuité spatiale de l’estimation du champ magnétique en estimant les coefficients harmoniques sphériques. Ce réseau, entraînable de bout en bout, estime conjointement la carte du champ B0 et reconstruit l’image. Les expériences ont été menées en utilisant des données de genou humain en champ faible pour une simulation rétrospective, comparant les performances du modèle avec d’autres méthodes basées sur des modèles dans différentes conditions de bruit et distributions de champs B0.
Le processus spécifique est comme suit :
Acquisition et prétraitement des données : Les données tridimensionnelles de genou à écho de spin à détecteur unique du jeu de données FastMRI sont utilisées. Une coupe bipédal est choisie pour chaque échantillon, obtenant un total de 973 échantillons complexes. Dans les phases d’entraînement, validation et test, 1260 (70 %), 360 (20 %) et 180 (10 %) images sont respectivement générées.
Conception de l’architecture SH-Net : SH-Net estime les coefficients harmoniques sphériques de l’image complexe d’entrée par un chemin d’encodage, en fixant un nombre constant de 16 canaux de caractéristiques, et en les mappant aux coefficients harmoniques sphériques par une couche entièrement connectée. Le réseau est destiné à générer des coefficients jusqu’à l’ordre 5, suffisamment pour décrire la carte du champ.
Réseau de régularisation : Deux architectures neuronales différentes sont utilisées pour estimer la carte du champ et la débruiter. Pour la dénoyation, un réseau en U (U-Net) avec connexions résiduelles est utilisé. Supposant qu’une bonne estimation de la carte du champ est déjà disponible, le U-Net effectue la dénoyation de l’image en utilisant des cartes du champ B0 corrigées pour les distorsions géométriques.
Stratégie d’optimisation : L’algorithme amélioré se compose de deux sous-problèmes alternés, optimisant respectivement la carte du champ et l’image. Pour améliorer l’efficacité de l’entraînement, une pré-formation des réseaux neuronaux est adoptée, pré-entrant respectivement SH-Net et U-Net pour les tâches connexes, puis entraînant de bout en bout.
Conception expérimentale : Des expériences avec différents nombres d’itérations alternées sont menées pour étudier l’impact de l’optimisation alternante sur les résultats de reconstruction. Les réseaux neuronaux pré-entraînés utilisent l’optimiseur Adam, en optimisant les coefficients de régularisation pendant l’entraînement. Le nombre optimal d’alternances t=3 est finalement déterminé et utilisé pour les analyses ultérieures.
Résultats de l’étude :
Résultats de l’estimation de la carte du champ : À différents niveaux de bruit, SH-Net affiche une erreur absolue moyenne (MAE) inférieure, surpassant les méthodes de carte de différence de phase et de réseaux neuronaux convolutifs résiduels existants (ORN). La MAE est de 324,7±145,3Hz (σ_y=0,2) pour toute la carte, avec des erreurs encore plus basses dans les régions d’intérêt (ROI).
Résultats de la reconstruction des images : Les performances de l’algorithme d’optimisation déployé de bout en bout sont comparées à celles de la reconstruction FFT sans connaissance du champ B0, du modèle combiné et des méthodes à double modèle. Voici les indicateurs de reconstruction pour différents niveaux de bruit :
- RMSE (Erreur quadratique moyenne) : À σ_y=0,2, le RMSE de la méthode entraînée par SH-Net est de 0,1386, nettement inférieur aux méthodes combinées et à double modèle.
- PSNR (Ratio signal-bruit de pointe) : À σ_y=0,2, le PSNR de la méthode SH-Net est de 28,058, supérieur aux autres méthodes.
- SSIM (Indice de similarité structurale) : À σ_y=0,2, le SSIM de la méthode SH-Net est de 0,6906, surpassant largement les autres méthodes.
Comparaison globale : En combinant les indicateurs quantitatifs et la qualité visuelle des images reconstruites, la méthode SH-Net montre une performance exceptionnelle dans la correction des distorsions géométriques et l’amélioration du rapport signal-bruit d’image, surtout dans des conditions de bruit élevé, prouvant ainsi sa robustesse et sa stabilité.
Conclusion et significations :
Cette étude propose une nouvelle méthode de reconstruction d’images pour l’IRM à faible champ, qui combine les connaissances physiques et l’apprentissage profond, atteignant des résultats remarquables dans la correction conjointe des inhomogénéités de champ B0 et l’amélioration du rapport signal-bruit des images. La méthode est non seulement applicable aux scans uniques, réduisant le temps d’acquisition, mais a un potentiel significatif pour les applications cliniques pratiques. À l’avenir, on peut l’étendre aux trajectoires non cartésiennes et aux données réelles de l’IRM à faible champ.
Points forts :
- Proposition innovante de l’architecture SH-Net, garantissant la continuité spatiale de l’estimation de la carte du champ par une méthode d’apprentissage profond basée sur la physique.
- Stratégie d’optimisation conjointe efficace, améliorant considérablement la robustesse et la précision de l’estimation de la carte du champ et de la reconstruction d’images.
- La méthode SH-Net montre des performances exceptionnelles sous différents niveaux de bruit et dans des cartes de champs B0 complexes, prouvant ainsi sa large applicabilité dans le contexte de l’IRM à faible champ.