French
English
(English description in the pdf)
- CONTEXTE
L’objectif médical de ce projet est l’obtention simultanée de la dynamique de la paroi myocardique et de celle du
sang pour une évaluation exhaustive de la fonction cardiaque lors d’un examen échocardiographique. En imagerie
ultrasonore, les acquisitions Doppler duplex permettent effectivement de visualiser l’anatomie des tissus explorés
(images B-mode) et les vitesses de déplacements (images Doppler). De ce fait, le temps d'acquisition doit être
partagé entre les tirs consacrés à l’anatomie et ceux consacrés au Doppler. Ce type d’imagerie est dès lors limité en
cadence d’acquisition : la réalisation d’une image duplex de qualité nécessite de l’ordre de 32 émissions pour la
partie anatomique et de 32 émissions pour la partie Doppler, ce qui conduit, au mieux, à des cadences d’acquisition
de l’ordre de 50 images/cycle cardiaque [1]. Cette limitation s’avère très problématique pour l’étude et le suivi de
phénomènes cardiaques très rapides.
Nous avons récemment démontré qu’une approche reposant sur des réseaux convolutionnels permettait de
réduire d’un ordre de grandeur les temps d’acquisition dévolus à la caractérisation des structures anatomiques (B-
Mode) en imagerie par ondes planes [2] ou divergentes [3].
En ce qui concerne la partie Doppler de l’acquisition, nous avons par ailleurs montré la faisabilité d’une réduction
d’un facteur d’environ 2 du nombre d’émissions à partir d’approches d’échantillonnage compressé [4, 5]. Ces
approches ne permettent malheureusement pas une augmentation significative de la cadence d’acquisition, du fait
du faible facteur de compression et surtout parce qu’elles impliquent la résolution d'un problème inverse, qui ne
permet pas d'obtenir des temps de calcul compatibles avec des acquisitions rapides.
- OBJECTIF ET MÉTHODOLOGIE
Dans ce contexte, l'objectif de ce projet est de développer, mettre en œuvre et valider une approche de réseau
neuronal profond (DNN) pour la reconstruction de la paroi myocardique (B-mode) et du flux sanguin (Doppler) à
partir d’un très faible nombre d’émissions. Cette approche devra permettre d’obtenir des images de haute qualité
tout en diminuant d’un ordre de grandeur les temps d’acquisition (cadences de plus de 500 images/s).
Un élément crucial pour l’apprentissage de tout DNN est la disponibilité de données de référence massives et
fiables. Les données Doppler de référence ne peuvent pas être obtenues à partir d’acquisitions physiques. De ce fait, ces données de référence seront générées en utilisant les approches de simulation d'images ultrasonores
développées à Creatis pour les structures cardiaques [6] et pour les flux sanguins [7].
Les points clés à aborder dans ce travail seront alors les suivants :
- En utilisant l'ensemble d’entraînement mentionné ci-dessus, l’adaptation du réseau convolutionnel développé à Creatis en imagerie [3] pour l’estimation du Doppler sera examinée. En particulier, les propriétés de conservation de la phase du réseau devront être quantifiées.
- À partir de ces premiers résultats, une approche DNN dynamique sera développée pour exploiter la redondance temporelle inhérente aux séquences d'images et améliorer ainsi la qualité de l’estimation ainsi que le temps de calcul. Afin d'intégrer ces contraintes temporelles dans le processus de reconstruction, le·la doctorant·e devra examiner l'adaptation d'architectures telles que les réseaux neuronaux récurrents ou les réseaux convolutionnels temporels.
Les approches développées seront optimisées et évaluées sur la base de simulations numériques et de données
expérimentales acquises in vitro sur des fantômes avec mouvement contrôlé. Une phase de validation sur des
données cardiaques acquises in vivo sera réalisée en fin de thèse. Sur le plan informatique, les développements
logiciels seront basés sur la bibliothèque python PyTorch.
La validation du projet sur les données acquises in vivo sera réalisée en collaboration avec un cardiologue. Les séquences ultrarapides, obtenues avec un appareil échographique de recherche Verasonics, seront évaluées chez 10 volontaires [8].
- PROFIL DES CANDIDAT·E·S
Master en apprentissage machine ou en traitement du signal/de l'image, montrant une bonne connaissance et
expérience des réseaux neuronaux profonds, ainsi que d'excellentes compétences en programmation,
entraînement et test de ces réseaux. Des connaissances préalables en imagerie ultrasonore ne sont pas un
prérequis dans la mesure où le·la candidat·e sera formé·e dans ce domaine à Creatis. Une expérience et un intérêt
pour l'imagerie médicale et l'imagerie ultrasonore en particulier constitueront néanmoins un atout.
- RÉFÉRENCES DE L'ÉQUIPE D'ENCADREMENT SUR LE SUJET
[1] J. Faurie, M. Baudet, J. Porée, G. Cloutier, F. Tournoux, and D. Garcia, Coupling Myocardium and Vortex
Dynamics in Diverging-Wave Echocardiography, IEEE Transactions on Ultrasonics, Ferroelectrics, and
Frequency Control, 66 (3), 425-432, 2019.
[2] M. Gasse, F. Millioz, E. Roux, D. Garcia, H. Liebgott, and D. Friboulet, High-Quality Plane Wave Compounding
using Convolutional Neural Networks, IEEE Transactions on Ultrasonics, Ferroelectricity and Frequency Control,
64 (10), 1637-1639, 2017.
[3] J. Lu, F. Millioz, D. Garcia, S. Salles, W. Liu, and D. Friboulet, Reconstruction for Diverging-Wave Imaging Using
Deep Convolutional Neural Networks, IEEE Transactions on Ultrasonics, Ferroelectricity and Frequency Control,
67 (12), 2481-2492, 2020.
[4] O. Lorintiu, H. Liebgott, and D. Friboulet, Compressed sensing Doppler ultrasound reconstruction using block
sparse Bayesian learning, IEEE Transactions on Medical Imaging, 35 (4), 978-987, 2016.
[5] J. Richy, D. Friboulet, A. Bernard, O. Bernard, and H. Liebgott, Blood Velocity Estimation Using Compressive
Sensing, IEEE Transactions on Medical Imaging, 32 (11), 1979-1988, 2013.
[6] M. Alessandrini, B. Chakraborty, B. Heyde, O. Bernard, M. D. Craene, M. Sermesant, and J. D’Hooge, Realistic
Vendor-Specific Synthetic Ultrasound Data for Quality Assurance of 2-D Speckle Tracking Echocardiography:
Simulation Pipeline and Open Access Database, IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency
Control, 65 (3), 411-422, 2018.
[7] K. C. Assi, E. Gay, C. Chnafa, S. Mendez, F. Nicoud, J. F. P. J. Abascal, P. Lantelme, F. Tournoux, and D. Garcia,
Intraventricular vector flow mapping—a Doppler-based regularized problem with automatic model selection,
Physics in Medicine & Biology, 62 (17), 7131-7147, 2017.
[8] P. Joos, J. Porée, H. Liebgott, D. Vray, M. Baudet, J. Faurie, F. Tournoux, G. Cloutier, B. Nicolas, and D. Garcia,
High-Frame-Rate Speckle-Tracking Echocardiography, IEEE Transactions on Ultrasonics, Ferroelectrics, and
Frequency Control, 65 (5), 720-728, 2018.