Reconstruction du champ de vitesses Doppler par apprentissage profond en imagerie ultrasonore / Reconstruction of the Doppler velocity field in ultrasound imaging by deep learning
Recrutement: 
Recrutement en cours/passé: 
Recrutement en cours
Periode: 
2021-2024
Contact: 
Denis Friboulet, denis.friboulet@creatis.insa-lyon.fr, Fabien Millioz, fabien.millioz@univ-lyon1.fr,

(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 dusang pour une évaluation exhaustive de la fonction cardiaque lors d’un examen échocardiographique. En imagerieultrasonore, 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 êtrepartagé entre les tirs consacrés à l’anatomie et ceux consacrés au Doppler. Ce type d’imagerie est dès lors limité encadence d’acquisition : la réalisation d’une image duplex de qualité nécessite de l’ordre de 32 émissions pour lapartie anatomique et de 32 émissions pour la partie Doppler, ce qui conduit, au mieux, à des cadences d’acquisitionde l’ordre de 50 images/cycle cardiaque [1]. Cette limitation s’avère très problématique pour l’étude et le suivi dephénomènes cardiaques très rapides.Nous avons récemment démontré qu’une approche reposant sur des réseaux convolutionnels permettait deréduire 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 réductiond’un facteur d’environ 2 du nombre d’émissions à partir d’approches d’échantillonnage compressé [4, 5]. Cesapproches ne permettent malheureusement pas une augmentation significative de la cadence d’acquisition, du faitdu faible facteur de compression et surtout parce qu’elles impliquent la résolution d'un problème inverse, qui nepermet 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 réseauneuronal profond (DNN) pour la reconstruction de la paroi myocardique (B-mode) et du flux sanguin (Doppler) àpartir d’un très faible nombre d’émissions. Cette approche devra permettre d’obtenir des images de haute qualitétout 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 etfiables. 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 ultrasonoresdéveloppées 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 donnéesexpérimentales acquises in vitro sur des fantômes avec mouvement contrôlé. Une phase de validation sur desdonnées cardiaques acquises in vivo sera réalisée en fin de thèse. Sur le plan informatique, les développementslogiciels 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 etexpérience 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 unprérequis dans la mesure où le·la candidat·e sera formé·e dans ce domaine à Creatis. Une expérience et un intérêtpour 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 VortexDynamics in Diverging-Wave Echocardiography, IEEE Transactions on Ultrasonics, Ferroelectrics, andFrequency Control, 66 (3), 425-432, 2019.

[2] M. Gasse, F. Millioz, E. Roux, D. Garcia, H. Liebgott, and D. Friboulet, High-Quality Plane Wave Compoundingusing 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 UsingDeep 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 blocksparse 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 CompressiveSensing, 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, RealisticVendor-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 FrequencyControl, 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, andFrequency Control, 65 (5), 720-728, 2018.