Reconstruction d’image ultrasonore à base d’apprentissage profond pour l’imagerie échographique ultrarapide

  1. Contexte :

L’imagerie échographique ultrarapide basée sur les ondes planes (Plane Waves, PW) ou les ondes divergentes (Diverging Waves, DW) est actuellement un domaine de recherche très actif, par sa capacité à atteindre des cadences d’acquisition très élevées (plusieurs milliers par seconde en 2D). L’obtention de séquences d’images ultrarapides reste toutetfoisdifficile dans des situations où des phénomènes très complexes et rapides se produisent (par exemple dans le cœur), du fait du compromis existant entre la qualité d’image et la vitesse d’acquisition. En effet l’obtention d’images de bonne qualité implique l’acquisition successive de plusieurs PW/DW, ce qui conduit à une diminution de la cadence d’acquisition. Une stratégie possible pour éviter ce problème est de limiter le nombre de PW/DW à acquérir et de développer une méthode de reconstruction menant à une très bonne qualité d’image, malgré les données manquantes.

  1. Objectif :

Les techniques issues de l’acquisition compressée (Compressed Sensing, CS) sont bien adaptées à ce type de reconstruction et ont récemment été appliquées à Creatis [1, 2]. Toutefois, les reconstructions de ce type impliquent de résoudre un problème de minimisation de très grande dimension, et les algorithmes associés ne permettent pas des temps de calcul compatibles avec avec une acquisition en temps réel des images ultrasonores.

Dans ce contexte, le but de ce travail est de développer des méthodes alternatives de reconstruction, basées sur les réseaux de neurones profonds (Deep Neural Network, DNN), dont l’architecture permettra de diminuer le temps de reconstruction de plusieurs ordres de grandeur par rapport au CS. L’utilisation des DNN pour les problèmes de reconstruction d’images est un sujet très récent [3, 4]. Un premier travail fait à Creatis montre d’ores et déjà des résultats prometteurs en application sur les PW [5].

Par conséquent, les points-clés à traiter dans ce travail sont les suivants :

  • Adaptation de la méthode en PW dans le contexte des DW.

  • Sélection du type de réseau de neurones. En particulier, les réseaux convolutionnels, les Generative Adversarial Networks (GAN), et les hyper-réseaux seront étudiés.

  • Optimisation de l’architecture du type de réseau retenu.

  • Sélection des entrées et sorties des données ultrasonores (c’est-à-dire les signaux radiofréquences, beamformés ou en enveloppe) menant aux meilleurs résultats.

Les perspectives de l’approche développée concernent deux problèmes majeurs en échographie: i) l’amélioration de la cadence d’acquisition en imagerie cardiaque 2D, en réduisant le nombre d'émissions d'ondes divergentes nécessaires pour atteindre une qualité d'image élevée ii) la réalisation d'acquisitions 3D ultra-rapides dans des conditions cliniques de routine, en réduisant le nombre d'éléments actifs de la sonde nécessaires à l'enregistrement du volume de données.

  1. Méthodologie :

    Le développement des DNN adaptés à la représentation et la reconstruction des données ultrasonores sera basé sur la bibliothèque Python PyTorch. L’approche développée sera optimisée et évaluée en terme de compromis entre le temps de calcul et la précision de reconstruction sur des données expérimentales acquises ex vivo sur des organes en utilisant les échographes de recherche disponibles à Creatis.

  2. Profil recherché :

Bonne connaissance en Machine Learning, avec de l’expérience en réseaux de neurones profonds, ainsi que d’excellentes capacités en programmation, en entraînement et en test de tels réseaux.

Une connaissance a priori de l’imagerie ultrasonore n’est pas nécessaire, le candidat sera forme sur ce thème à Creatis. Cependant des bases et un intérêt pour la physique de l’imagerie ultrasonore représenteraient un plus pour une candidature.

  1. Références:

    1. Lorintiu, O., Liebgott, H., Alessandrini, M., Bernard, O., Friboulet, D., 2015. Compressed sensing reconstruction of 3D ultrasound data using dictionary learning and line-wise subsampling. IEEE Trans. Med. Imaging 34, 2467‑2477.

    2. Lorintiu, O., Liebgott, H., Friboulet, D., 2016. Compressed sensing Doppler ultrasound reconstruction using block sparse Bayesian learning. IEEE Trans. Med. Imaging 35, 978-987.

    3. Kulkarni, K., Lohit, S., Turaga, P., Kerviche, R., Ashok, A., 2016. ReconNet: Non-Iterative Reconstruction of Images from Compressively Sensed Random Measurements, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 449-458.

    4. Mousavi, A., Baraniuk, R.G., 2017. Learning to invert: signal recovery via deep convolutional networks. ArXiv, 1‑5. https://arxiv.org/abs/1701.03891

    5. Gasse, M. ,Millioz, F., Roux, E., Garcia, D., Liebgott, H., Friboulet, D., 2017. High-Quality Plane Wave Compounding using Convolutional Neural Networks. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. PP. 1-1. 10.1109/TUFFC.2017.2736890

    6. Gasse, M. ,Millioz, F., Roux, E., Liebgott, H., Friboulet, D., 2017. Accelerating Plane Wave Imaging through Deep Learning-based Reconstruction: An Experimental Study. IEEE International Ultrasonics Symposium.

    7. Gasse, M., 2018. Deep Learning for ultrasound imaging IEEE International Ultrasonics Symposium, Invited talk, accepted.