French
English
L’acquisition d’images par IRM nécessite généralement de réaliser un compromis entre temps d’acquisition, rapport signal-à-bruit (RSB) et résolution spatiale. L’obtention d’images haute-résolution requises pour le diagnostic de certaines pathologies (atteintes articulaires, neuro-imagerie, infarctus, cancer colorectal), nécessite donc des temps d’acquisition importants pour obtenir des images de qualité suffisante.
La super-résolution en IRM est une méthode de post-traitement, visant à reconstruire une image à haute-résolution spatiale à partir de plusieurs images basse résolution. La combinaison des images basse-résolution permet d’obtenir une image présentant un RSB et une résolution spatiale supérieurs pour une durée d’acquisition équivalente. La super-résolution a été initialement formalisée sous la forme d’un problème inverse régularisé (approches variationnelles), et résolu grâce à des algorithmes d’optimisation numériques, et abordé récemment avec des approches par apprentissage automatique.
Ce projet vise à étudier l'avantage de combiner des avancées récentes obtenues dans l'équipe en super-résolution multi-contrastes, avec des méthodes d'apprentissage automatique pour l'obtention de cartes paramétriques à haute-résolution. Plus de détails sont fournis dans le projet de recherche ci-joint.