Amélioration de résolution d’images IRM par compressive sensing et super-résolution

Contexte et objectifs

L’IRM est une modalité d’imagerie permettant d’avoir accès à diverses informations anatomiques, du fait de la grande variété de contrastes qu’elle permet de produire. Certains détails ne sont cependant accessibles qu’en faisant l’acquisition de volumes haute résolution, souvent contraignants à obtenir en pratique : la durée de l’acquisition est allongée, et l’image obtenue est très dégradée.

Ces contraintes encouragent donc à se tourner vers l’acquisition de volumes basse résolution, et à développer des méthodes d’amélioration de résolution en post-traitement. C’est le cas par exemple des méthodes dites de super-résolution, qui permettent de reconstruire un volume haute résolution en combinant plusieurs acquisitions orthogonales basse résolution. Cela permet d’obtenir un compromis avantageux entre temps d’acqusition, rapport signal à bruit et résolution spatiale.

Ce compromis peut encore être amélioré en intégrant les propriétés physiques de l’IRM dans le modèle via un processus d’acquisition compressée (compressive sensing). On souhaite généraliser les approches variationnelles utilisées en super-résolution à un processus d’acquisition compressée, pour lequel le pattern d’acquisition est un sous-échantillonnage aléatoire dans l’espace de Fourier.

Descriptif du stage

En s’appuyant sur des travaux et un code existant, l’objectif de ce stage est de généraliser les approches variationnelles existantes au compressive sensing pour des données IRM. En particulier :

• intégrer les opérateurs d’acquisition compressée dans les formulations variationnelles,
• intégrer et étudier l’impact de l’opérateur de sous-échantillonnage utilisé en super-résolution, en général très mal conditionné, sur l’optimisation,
• validations expérimentales à partir de données synthétiques via un générateur de volumes IRM.

Profil recherché

Stagiaire de 5 ou 6 mois, de niveau M2 ou dernière année d’école d’ingénieur. Des compétences en programmation Python, en traitement d’image et en optimisation sont nécessaires. Une connaissance de l’IRM serait un plus.