Doppler couleur cardiaque à partir d'un nombre réduit d'échantillons par apprentissage profond

Doctorante : Julia PUIG

Laboratoire INSA : CREATIS - Centre de Recherche en Acquisition et Traitement de l'image pour la Santé

École doctorale : ED160 EEA - Électronique, Électrotechnique, Automatique de Lyon

L'échocardiographie Doppler couleur permet la visualisation du flux sanguin à l'intérieur du cœur. Cependant, la faible cadence d'images du Doppler couleur empêche une évaluation quantitative de la vitesse du sang tout au long du cycle cardiaque, compromettant ainsi une analyse complète de la fonction ventriculaire. La formation d'une image Doppler couleur implique une acquisition ultrasonore composée d'environ huit acquisitions temporelles, suivie d'un filtrage du clutter pour récupérer les informations sanguines, puis d'une estimation de la vitesse Doppler. Une solution à la faible cadence d'images consiste à réduire le nombre d'acquisitions temporelles pour la reconstruction de chaque image. Cependant, les méthodes classiques de traitement Doppler couleur pour le filtrage du clutter et l'estimation de la vitesse Doppler sont sensibles à cette réduction d'informations temporelles. Parallèlement, l'apprentissage profond, et en particulier les réseaux de neurones convolutionnels, montrent des résultats prometteurs pour le post-traitement des données échocardiographiques dans diverses applications. Cette thèse explore l'utilisation de modèles d'apprentissage profond pour le traitement Doppler couleur d'acquisitions avec un nombre réduit d'échantillons temporels. Nous avons adopté une approche d'apprentissage supervisé en simulant des acquisitions Doppler couleur cardiaques basées sur des patients à l'aide d'un pipeline de simulation modélisant à la fois les mouvements des tissus et du sang. Nous avons ensuite exploré l'utilisation de modèles U-Net basés sur l'attention pour le filtrage du clutter, obtenant des résultats surpassant ceux d'un filtre passe-haut classique. Pour l'estimation de la vitesse Doppler à partir des signaux filtrés, nous avons proposé des modèles d'apprentissage profond basés sur U-Net, ainsi que des stratégies d'augmentation de données permettant d'égaler ou de surpasser la méthode de référence par autocorrélation, tout en atténuant efficacement l'aliasing et le bruit. Pour ces deux tâches, nous avons comparé l'utilisation de représentations en valeurs réelles et complexes, et évalué les modèles proposés sur des expériences in silico et in vivo. Globalement, tous les modèles proposés ont montré une bonne capacité de généralisation aux données in vivo malgré un entraînement uniquement sur des séquences in silico. Enfin, la combinaison des deux méthodes a donné des résultats prometteurs sur des acquisitions avec seulement trois échantillons temporels. Ces résultats démontrent l'intérêt des méthodes d'apprentissage profond supervisé pour le traitement Doppler couleur à partir d'un nombre réduit d'acquisitions.

Développement d'une séquence IRM pour une quantification robuste et efficace de la vitesse du sang simultanément dans le cœur et les grands vaisseaux.

Doctorante : Marta BEGHELLA BARTOLI

Laboratoire INSA : CREATIS - Centre de Recherche en Acquisition et Traitement de l'image pour la Santé
École doctorale : ED162 MEGA - Mécanique, Énergétique, Génie Civil, Acoustique

L'IRM en flux 4D (4D Flow MRI) est une technique d'imagerie par contraste de phase qui permet une évaluation complète de la fonction cardiovasculaire en fournissant des mesures volumétriques du flux sanguin tout au long du cycle cardiaque. La phase du signal IRM est proportionnelle à la vitesse et est limitée par le paramètre d'encodage de vitesse (VENC), ce qui restreint la plage de vitesses à -VENC et +VENC. L'IRM en flux 4D permet de capturer des modèles complexes de flux sanguins, incluant des vitesses faibles dans les veines et des vitesses élevées dans les artères. Le choix du bon VENC est crucial : un VENC faible entraîne un aliasing lorsque les vitesses dépassent ±VENC, tandis qu'un VENC élevé introduit du bruit, rendant les mesures de flux lent peu précises. Le VENC optimal équilibre un bon rapport signal sur bruit (VNR) pour des mesures de flux lent précises et une large gamme dynamique pour éviter l'aliasing. Pour étendre la gamme dynamique de la vitesse, des techniques à double ou multiple VENC sont utilisées, en acquérant des données avec différentes valeurs de VENC. Le déballage standard en double-VENC utilise les données VENC_high pour détecter les sauts de phase dans les données VENC_low, ajoutant ou soustrayant des multiples de 2n pour combiner les avantages des deux acquisitions. Cependant, dans les cas pathologiques, cette méthode est limitée par l'aliasing dans les données VENC_high en raison de vitesses imprévues et élevées. Pour résoudre ce problème, nous avons introduit une nouvelle séquence 4D Flow MRI à double-VENC, basée sur la règle des coprimes pour le rapport de VENC, permettant une gamme dynamique de vitesses étendue, accompagnée d'un algorithme de déballage de vitesses efficace en termes de temps, validé in vitro et démontré in vivo chez des patients présentant des pathologies cardiovasculaires. Malgré ces progrès, les séquences à double-VENC sont limitées par des temps d'acquisition longs. L'échantillonnage radial 3D a émergé comme une solution prometteuse, conservant les données de basse fréquence essentielles lors de l'undersampling, et étant plus résistant aux artefacts de mouvement. En utilisant des acquisitions en libre circulation et des techniques d'auto-gating, l'IRM en flux 4D avec échantillonnage radial 3D permet d'extraire les signaux cardiaques et respiratoires directement des données de k-space, éliminant le besoin d'appareils externes comme les ECG. Nous avons également étudié la performance de la séquence double-VENC coprime combinée avec l'échantillonnage radial 3D pour résoudre les limitations de temps d'acquisition des méthodes à double-VENC. Bien que l'IRM en flux 4D offre des mesures détaillées, sa nature chronophage et son coût élevé la rendent moins pratique comparée à l'échocardiographie, notamment le Doppler couleur, qui est abordable, portable et offre une imagerie en temps réel. Cependant, la nature unidimensionnelle du Doppler couleur et sa dépendance à l'angle d'incidence limitent sa capacité à capturer des modèles complexes de flux tridimensionnels. Des techniques comme la cartographie du flux vectoriel intraventriculaire (iVFM) ont été développées pour extraire des champs de vitesses bidimensionnels à partir des données Doppler couleur, fournissant une représentation plus précise de la dynamique du flux sanguin. Bien que l'iVFM ait été validé par des simulations de dynamique des fluides computationnelle (CFD), des défis demeurent lors de la comparaison de ses résultats avec ceux de l'IRM en flux 4D, la norme en matière de mesures de vitesses de flux sanguin in vivo. Un défi majeur est la possibilité de divergences lors de la comparaison des champs de vitesses instantanés dérivés de l'iVFM avec les données moyennées dans le temps de l'IRM en flux 4D. Dans cette thèse, nous avons développé une méthodologie visant à réconcilier ces divergences en comparant les champs de vitesses mesurés par les deux techniques au sein du ventricule gauche.

Reconstruction bimodale d'images TEP/IRM assistée par intelligence artificielle

Doctorant : Valentin GAUTIER

Laboratoire INSA : CREATIS - Centre de Recherche en Acquisition et Traitement de l'image pour la Santé
École doctorale : ED160 : Électronique, Électrotechnique, Automatique de Lyon

L'imagerie TEP/IRM est une méthode d'imagerie médicale qui gagne progressivement en popularité. Sa capacité à coupler une image anatomique de haute résolution fournie par l'IRM avec l'information fonctionnelle fournie par la TEP en font un outil prometteur en oncologie ou en neurosciences. Une contrainte majeure de cette technique d'imagerie est sa durée d'acquisition pouvant monter jusqu'à une heure. Diminuer le temps d'acquisition est ainsi un enjeu majeur qui permettrait d'augmenter le confort des patients et augmenter la disponibilité des machines. L'objectif dans cette thèse est de mettre au point de nouvelles méthodes de reconstruction faisant usage de la présence des deux modalités pour obtenir des images d'une qualité standard dans la pratique clinique avec des temps d'acquisitions plus courts. Est ainsi proposée dans un premier temps une méthode de reconstruction TEP guidée par IRM s'appuyant sur un autoencodeur variationnel bimodal pré entraîné sur des données de qualité clinique standard. Celui-ci est utilisé pour contraindre les solutions du problème inverse et permet, à travers son espace latent, d'obtenir une représentation jointe des deux modalités. Cette méthode apparaît robuste au bruit comparée à des méthodes classiques, témoignant ainsi de l'utilisation de l'information de la deuxième modalité pour compenser l'ajout de bruit sur les données. Cette méthode est ensuite étendue à la reconstruction jointe de la TEP et de l'IRM et sont explorées différentes architectures de VAE. Cette étude met notamment en avant un partage de l'information de l'IRM vers la TEP bien supérieur à celui de la TEP vers l'IRM. Finalement, cette thèse explore aussi l'utilisation des récents modèles de diffusion pour résoudre le problème de la reconstruction jointe.

« Tomographic incompleteness maps and application to image reconstruction and stationary scanner design »

Doctorant : Matthieu LAURENDEAU

Laboratoire INSA : CREATIS

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

Computed tomography (CT) is one of the most commonly used modality for three-dimensional (3D) imaging in the medical and industrial fields. In the past few years, new X-ray sources have been developed based on carbon nanotube (CNT) cathodes. Their compact size enables the design of a new generation of multi-source CT scanners. In contrast to traditional systems with a single moving source, these scanners often adopt stationary architectures where multiple sources are static. It would benefit both industry with cheaper and motionless systems and medical applications with light-weight and mobile scanners which could be brought to emergency sites. However, this type of scanner uses a fewer number of measurements, known as projections, and may acquire data with a limited range of angles, leading to well-known image reconstruction challenges. This thesis focuses on the design of such stationary CT scanners. Three axes of study are investigated.

The first contribution is the development of an object-independent metric to assess the reconstruction capability of a given scanning geometry. Based on Tuy's condition, the metric evaluates local tomographic incompleteness and is visualized through 3D vector field maps. It is further extended to handle truncated projections, improving its applicability to real-world configurations. The metric enables ranking different geometries, predicting image quality reconstruction, and identifying the origin of geometric artifacts. It is applied to a variety of geometries, including existing scanners.

The second is a novel local regularization method to address limited-angle reconstruction challenges. The method employs a directional total variation (DTV) regularizer whose strength and directional weights are adaptively selected at each voxel. The weights are determined based on the previously introduced metric. Two approaches for directional weights are explored: ratio-based weighting relative to image axes and ellipse-based weighting. The reconstruction algorithm is evaluated in both 2D and 3D simulations, considering noiseless and noisy data, as well as real data.

The third is a tool for optimizing the geometry of CT scanners. Given a fixed number of sources and the surface area available for their positions, the tool optimizes the placement of sources based on the proposed metric. Several state-of-the-art optimization algorithms are implemented and tested on simple 2D and 3D scenarios.

Détection et segmentation des anomalies en imagerie ultrasonore 3D et en imagerie industrielle par des approches d’apprentissage automatique supervisées ou non supervisées

Doctorante: Flora ESTERMANN

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

La détection d’anomalies faiblement contrastées dans les images est une problématique partagée à la fois par le domaine médical et l'industrie. Au cours de cette thèse, nous avons développé des méthodes d’apprentissage automatique pour la détection d’anomalies dans deux contextes différents: la détection des lésions ponctuées de la substance blanche (PWML) en échographie 3D chez les enfants prématurés par apprentissage supervisé pour notre application médicale, et la détection de défauts par apprentissage non supervisé pour des applications industrielles.

Le premier chapitre du manuscrit fournit une vue d’ensemble des quatre thématiques principales de nos recherches avec l’état de l’art correspondant : segmentation et classification supervisées pour la détection des lésions, classification non supervisée pour la détection des défauts, quantification des incertitudes pour l’explicabilité des résultats. La suite du manuscrit décrit séquentiellement les contributions de la thèse au domaine. Le deuxième chapitre présente notre étude sur les caractéristiques des PWML à l’échographie et introduit l’approche que nous avons proposée afin de réaliser la sur-segmentation des PWML dans les volumes ETF. Le troisième chapitre s’attaque directement aux méthodes de classification multi-vues proposées pour améliorer la précision de nos prédictions après la segmentation, et détaille également la manière dont nous avons intégré le cadre des prédictions conformes afin d’apporter une meilleure interprétabilité des résultats et un niveau de confiance plus élevé pour les médecins. Enfin, le dernier chapitre présente les approches non supervisées proposées pour la détection des défauts dans les images industrielles, en intégrant la détection conforme des anomalies également.

Nos résultats sont très encourageants pour le futur de l’intégration des modèles d’IA dans l’aide au diagnostic. De plus, dans le but de rendre nos modèles plus interprétables aux yeux des praticiens et des industriels, nous avons également traité la quantification des incertitudes en considérant le cadre des prédictions conformes dans nos approches.
 

 

Détection et segmentation des anomalies en imagerie ultrasonore 3D et en imagerie industrielle par des approches d’apprentissage automatique supervisées ou non supervisées

Doctorante : Flora ESTERMANN

Laboratoire INSA : CREATIS

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

La détection d’anomalies faiblement contrastées dans les images est une problématique partagée à la fois par le domaine médical et l'industrie. Au cours de cette thèse, nous avons développé des méthodes d’apprentissage automatique pour la détection d’anomalies dans deux contextes différents: la détection des lésions ponctuées de la substance blanche (PWML) en échographie 3D chez les enfants prématurés par apprentissage supervisé pour notre application médicale, et la détection de défauts par apprentissage non supervisé pour des applications industrielles.

Le premier chapitre du manuscrit fournit une vue d’ensemble des quatre thématiques principales de nos recherches avec l’état de l’art correspondant : segmentation et classification supervisées pour la détection des lésions, classification non supervisée pour la détection des défauts, quantification des incertitudes pour l’explicabilité des résultats. La suite du manuscrit décrit séquentiellement les contributions de la thèse au domaine. Le deuxième chapitre présente notre étude sur les caractéristiques des PWML à l’échographie et introduit l’approche que nous avons proposée afin de réaliser la sur- segmentation des PWML dans les volumes ETF. Le troisième chapitre s’attaque directement aux méthodes de classification multi-vues proposées pour améliorer la précision de nos prédictions après la segmentation, et détaille également la manière dont nous avons intégré le cadre des prédictions conformes afin d’apporter une meilleure interprétabilité des résultats et un niveau de confiance plus élevé pour les médecins. Enfin, le dernier chapitre présente les approches non supervisées proposées pour la détection des défauts dans les images industrielles, en intégrant la détection conforme des anomalies également.

Nos résultats sont très encourageants pour le futur de l’intégration des modèles d’IA dans l’aide au diagnostic. De plus, dans le but de rendre nos modèles plus interprétables aux yeux des praticiens et des industriels, nous avons également traité la quantification des incertitudes en considérant le cadre des prédictions conformes dans nos approches.
 

Écoulement intraventriculaire en échocardiographie Doppler avec réseaux de neurones fondés sur la physique

Doctorant : Hang Jung LING

Laboratoire INSA : CREATIS
École doctorale : ED162 : MEGA de Lyon (Mécanique, Energétique, Génie civil, Acoustique)

Les maladies cardiovasculaires sont les principales causes de décès dans le monde, causant plus de 20 millions de décès chaque année. L'évaluation de la santé cardiaque est cruciale pour prévenir ces maladies. Pour cela, l'échocardiographie est couramment utilisée en routine clinique à cause de sa portabilité et de son coût abordable. Les examens échocardiographiques évaluent la fonction systolique et diastolique du cœur, mais les mesures de la fonction diastolique peuvent parfois donner des résultats de diagnostic discordants. Explorer des biomarqueurs alternatifs, comme le flux sanguin intracardiaque, pourrait améliorer la précision de la quantification de la fonction diastolique. La cartographie du flux vectoriel intraventriculaire ou “intraventricular vector flow mapping” (iVFM) est une technique qui reconstruit le flux sanguin vectoriel à partir des champs scalaires fournis par l'échocardiographie Doppler couleur, mais elle nécessite des étapes de prétraitement chronophages. Dans cette thèse, nous avons utilisé l'apprentissage profond (DL) pour automatiser ces étapes, y compris la segmentation du ventricule gauche et la correction des artefacts de repliement de phase ou l'aliasing. Nous avons également développé des méthodes basées sur les réseaux de neurones fondés sur la physique pour reconstruire l’écoulement vectoriel intraventriculaire, montrant que ces approches peuvent améliorer l'efficacité et la précision de l'iVFM. L'automatisation complète du pipeline d'iVFM à l'aide de réseaux de neurones, de la segmentation à la reconstruction du flux vectoriel, améliore la fiabilité de l'iVFM. La prochaine étape serait d'appliquer cet outil en milieu clinique pour explorer et extraire de nouveaux biomarqueurs basés sur le flux, ce qui pourrait bénéficier à la détection précoce des maladies cardiovasculaires.

Algorithmes pour l’imagerie optique computationnelle par rayons X et dans le visible

Maître de conférences : Nicolas DUCROS

Laboratoire INSA :  CREATIS

Rapporteurs : Michael LIEBLING, Christian MOREL, Nelly PUSTELNIK

Jury : 

Civilité	Nom et Prénom	Grade/Qualité	Établissement
M.	Adrian BASARAB	PU	UCBL, CREATIS, Lyon
M.	Denis FRIBOULET	PU	INSA Lyon, CREATIS, Lyon
M.	Sylvain GIGAN	PU	ENS, LKB, Paris
M.	Michael LIEBLING	Senior Researcher	IDIAP, Suisse
M.	Christian MOREL	PU	CNRS, CPPM, Marseille
Mme	Françoise PEYRIN	DR émérite (invitée)	INSERM, CREATIS, Lyon
Mme	Nelly PUSTELNIK	DR	CNRS, laboratoire de Physique, ENS Lyon

Deep brain unsupervised anomaly detection model based on multimodality imaging

Doctorante : Daria ZOTOVA

Laboratoire INSA : CREATIS

Ecole doctorale : ED160 EEA

L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR.
Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes.
La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux.

Apprentissage profond de variétés pour une meilleure caractérisation de l'hypertension artérielle en imagerie échocardiographique

Doctorant : Nathan PAINCHAUD

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

L'hypertension artérielle est une maladie cardiovasculaire répandue, affectant plus de 1,2 milliard de personnes dans le monde. Son diagnostic est difficile en raison de la variété des symptômes et du manque d'outils d'analyse rapides et précis. Cette thèse propose une méthode d'apprentissage automatique pour analyser les données médicales, particulièrement les images échocardiographiques, et extraire des informations pertinentes pour le diagnostic de l'hypertension. Les méthodes proposées combinent des modèles d'apprentissage automatique avec des techniques d'apprentissage de représentation pour garantir la cohérence des prédictions et améliorer leur interprétabilité. Des descripteurs de forme et de déformation sont extraits des images segmentées et combinés avec des données des dossiers médicaux électroniques. Un transformeur multimodal est utilisé pour apprendre une représentation commune de ces données, capable de mettre en évidence le continuum pathologique de l'hypertension. L'application de la méthode à une population de patients a permis de détecter des profils subtils de formes et de déformations corrélés avec l'hypertension. Ces résultats ouvrent la voie à de nouvelles études sur les mécanismes pathologiques de l'hypertension et à l'amélioration du diagnostic de la maladie.