Problèmes de reconstruction en imagerie par résonance magnétique parallèle à l'aide de représentations en ondelettes, Parallel magnetic resonance imaging reconstruction problems using wavelet representations

Lotfi Chaari

Description

Sous la direction de Jean-Christophe Pesquet
Thèse soutenue le 05 novembre 2010: Paris Est
Pour réduire le temps d'acquisition ou bien améliorer la résolution spatio-temporelle dans certaines application en IRM, de puissantes techniques parallèles utilisant plusieurs antennes réceptrices sont apparues depuis les années 90. Dans ce contexte, les images d'IRM doivent être reconstruites à partir des données sous-échantillonnées acquises dans le « k-space ». Plusieurs approches de reconstruction ont donc été proposées dont la méthode SENSitivity Encoding (SENSE). Cependant, les images reconstruites sont souvent entâchées par des artéfacts dus au bruit affectant les données observées, ou bien à des erreurs d'estimation des profils de sensibilité des antennes. Dans ce travail, nous présentons de nouvelles méthodes de reconstruction basées sur l'algorithme SENSE, qui introduisent une régularisation dans le domaine transformé en ondelettes afin de promouvoir la parcimonie de la solution. Sous des conditions expérimentales dégradées, ces méthodes donnent une bonne qualité de reconstruction contrairement à la méthode SENSE et aux autres techniques de régularisation classique (e.g. Tikhonov). Les méthodes proposées reposent sur des algorithmes parallèles d'optimisation permettant de traiter des critères convexes, mais non nécessairement différentiables contenant des a priori parcimonieux. Contrairement à la plupart des méthodes de reconstruction qui opèrent coupe par coupe, l'une des méthodes proposées permet une reconstruction 4D (3D + temps) en exploitant les corrélations spatiales et temporelles. Le problème d'estimation d'hyperparamètres sous-jacent au processus de régularisation a aussi été traité dans un cadre bayésien en utilisant des techniques MCMC. Une validation sur des données réelles anatomiques et fonctionnelles montre que les méthodes proposées réduisent les artéfacts de reconstruction et améliorent la sensibilité/spécificité statistique en IRM fonctionnelle
-IRMp
-Régularisation
-Ondelettes
-Approches Bayésiennes
-Optimisation convexe
-Mcmc
To reduce scanning time or improve spatio-temporal resolution in some MRI applications, parallel MRI acquisition techniques with multiple coils have emerged since the early 90's as powerful methods. In these techniques, MRI images have to be reconstructed from acquired undersampled « k-space » data. To this end, several reconstruction techniques have been proposed such as the widely-used SENSitivity Encoding (SENSE) method. However, the reconstructed images generally present artifacts due to the noise corrupting the observed data and coil sensitivity profile estimation errors. In this work, we present novel SENSE-based reconstruction methods which proceed with regularization in the complex wavelet domain so as to promote the sparsity of the solution. These methods achieve accurate image reconstruction under degraded experimental conditions, in which neither the SENSE method nor standard regularized methods (e.g. Tikhonov) give convincing results. The proposed approaches relies on fast parallel optimization algorithms dealing with convex but non-differentiable criteria involving suitable sparsity promoting priors. Moreover, in contrast with most of the available reconstruction methods which proceed by a slice by slice reconstruction, one of the proposed methods allows 4D (3D + time) reconstruction exploiting spatial and temporal correlations. The hyperparameter estimation problem inherent to the regularization process has also been addressed from a Bayesian viewpoint by using MCMC techniques. Experiments on real anatomical and functional data show that the proposed methods allow us to reduce reconstruction artifacts and improve the statistical sensitivity/specificity in functional MRI
-Pmri
-Regularization
-Wavelets
-Bayesian approaches
-Convex optimization
-Mcmc
Source: http://www.theses.fr/2010PEST1010/document

Sujets

• Régularisation
• Ondelette

Informations

• Publié par: Thesee
• Nombre de lectures: 30
• Langue: English
• Poids de l'ouvrage: 5 Mo

Extrait

`THESE
soutenue le 05/11/2010 pour obtenir
le grade de Docteur en Sciences de l’Universit´e de Paris-Est Marne-la-Vall´ee
Sp´ecialit´e: Traitement du Signal et des images
par
Lotfi Chaari
Probl`emes de reconstruction en Imagerie par
R´esonance Magn´etique parall`ele `a l’aide de
repr´esentations en ondelettes
Composition de la commission d’examen :
Pr´esident : Jean-Yves Tourneret
Rapporteurs : Dimitri Van de Ville
Jean-Franc¸ois Giovannelli
Examinateurs : Florence Forbes
Amel Benazza-Benyahia
Directeur de th`ese : Jean-Christophe Pesquet
Co-directeur de th`ese : Philippe Ciuciu
tel-00587410, version 1 - 20 Apr 2011tel-00587410, version 1 - 20 Apr 2011Remerciments
Jetiensenpremierlieua`remerciermonadmirabledirecteurdeth`ese, M. Jean-Christophe
PESQUET (Laboratoire d’Informatique de l’Institut Gaspard Monge, Univ. Paris-Est
Marne-la-Vall´ee), aupr`esduquelj’ai´enorm´ementappris. Jeleremerciepourtoutel’attention
et pour le soutien qu’il m’a port´es durant ces trois ann´ees. Il m’a communiqu´e sa rigueur
et sa volont´e d’aller toujours plus loin, et j’ai pris un r´eel plaisir `a effectuer cette th`ese
sous sa direction.
Jetiens´egalementa`exprimermareconnaissancea`M.PhilippeCIUCIU(CEA-NeuroSpin)
et Mme. Amel BENAZZA-BENYAHIA (SUP’COM Tunis) pour avoir co-dirig´e cette
th`ese. Je les remercie d’avoir toujours r´epondu pr´esent lorsque j’avais besoin de leurs con-
seils. Je les remercie pour leurs qualit´es humaines et leurs encouragements.
Je voudrais aussi remercier M. Jean-Yves TOURNERET (INP-ENSEEIHT Toulouse)
d’avoir bien voulu pr´esider le jury de th`ese, M. Jean-Franc¸ois GIOVANNELLI (Univ.
de Bordeaux) et M. Dimitri VAN DE VILLE (Univ. de Gen`eve) pour avoir accept´e de
rapporter surcette th`ese, ainsi que Mme Florence FORBES(INRIA RhˆoneAlpes) d’avoir
bien voulu participer a` ce jury.
´Cette th`ese a ´et´e effectu´ee dans l’Equipe Signal et Communications (elle-mˆeme faisant
partie du Laboratoire d’Informatique de l’Institut Gaspard Monge) dans laquelle j’ai ´et´e
tr`es bien accueilli et au sein de laquelle j’ai pu excercer mes travaux de recherche dans de
tr`es bonnes conditions. Je remercie tous les membres de cette ´equipe pour leur aide, pour
les discussions que nous avons eues, pour leurs pr´ecieux conseils. Je tiens surtout `a saluer
mes coll`egues de cette ´equipe avec qui j’ai eu ´enorm´ement de plaisir pendant mes trois
ann´ees de th`ese: Caroline, Mounir, Nelly, Elena, Florian, Pascal, Mireille, Anna.
Durant ma th`ese, j’ai aussi en l’occasion de collaborer avec des chercheurs de NeuroSpin
´comme M. S´ebastien MERIAUX, M. Thomas VINCENT et Mlle. Solveig BADILLO, que
je remercie ´egalement pour les discussions et les reflexions men´ees ensemble.
Mes remerciment `a tous mes amis qu’il soient a` Paris ou en Tunisie !
Jed´ediecetteth`esea`mesparentsMohsenetSania, ainsiqu’`amesfr`eresMohamed, Fahmi
et Sami qui m’ont toujours soutenu de tr`es pr´es durant ce long chemin. Je la d´edie ´egale-
ment `a ma cher fianc´ee Salma pour son soutien et sa patience malgr´e les distances qui
nous s´eparent.
tel-00587410, version 1 - 20 Apr 20114 REMERCIMENTS
tel-00587410, version 1 - 20 Apr 2011Abstract
To reduce scanning time or improve spatio-temporal resolution in some MRI applications,
parallel MRI acquisition techniques with multiple coils have emerged since the early 90’s
as powerful methods. In these techniques, MRI images have to be reconstructed from ac-
quired undersampled“k-space”data. To this end, several reconstruction techniques have
been proposed suchas thewidely-usedSENSitivityEncoding(SENSE)method. However,
the reconstructed images generally present artifacts due to the noise corrupting the ob-
served data and coil sensitivity profile estimation errors. In this work, we present novel
SENSE-based reconstruction methods which proceed with regularization in the complex
wavelet domain so as to promote the sparsity of the solution. These methods achieve ac-
curate image reconstruction underdegraded experimental conditions, in which neitherthe
SENSEmethodnorstandardregularized methods(e.g. Tikhonov)giveconvincingresults.
The proposed approaches relies on fast parallel optimization algorithms dealing with con-
vex but non-differentiable criteria involving suitable sparsity promoting priors. Moreover,
in contrast with most of the available reconstruction methods which proceed by a slice by
slice reconstruction, one of the proposed methods allows 4D (3D + time) reconstruction
exploiting spatial and temporal correlations. The hyperparameter estimation problem in-
herent to the regularization process has also been addressed from a Bayesian viewpoint
by using MCMC techniques. Experiments on real anatomical and functional data show
that the proposed methods allow us to reduce reconstruction artifacts and improve the
statistical sensitivity/specificity in functional MRI.
tel-00587410, version 1 - 20 Apr 20116 ABSTRACT
tel-00587410, version 1 - 20 Apr 2011R´esum´e
Pour r´eduire le temps d’acquisition ou bien am´eliorer la r´esolution spatio-temporelle dans
certaines application en IRM, de puissantes techniques parall`eles utilisant plusieurs an-
tennes r´eceptrices sont apparuesdepuisles ann´ees 90. Dans ce contexte, les images d’IRM
doivent ˆetre reconstruites `a partir des donn´ees sous-´echantillonn´ees acquises dans le “k-
space” . Plusieurs approches de reconstruction ont donc ´et´e propos´ees dont la m´ethode
SENSitivity Encoding (SENSE). Cependant, les images reconstruites sont souvent en-
tˆach´eespardesart´efactsdusaubruitaffectantlesdonn´eesobserv´ees, oubiena`deserreurs
d’estimation des profils de sensibilit´e des antennes. Dans ce travail, nous pr´esentons de
nouvellesm´ethodesdereconstructionbas´eessurl’algorithme SENSE,quiintroduisentune
r´egularisation dans le domaine transform´e en ondelettes afin de promouvoir la parcimonie
de la solution. Sous des conditions exp´erimentales d´egrad´ees, ces m´ethodes donnent une
bonne qualit´e de reconstruction contrairement a` la m´ethode SENSE et aux autres tech-
niques de r´egularisation classique (e.g. Tikhonov). Les m´ethodes propos´ees reposent sur
des algorithmes parall`eles d’optimisation permettant de traiter descrit`eres convexes, mais
non n´ecessairement diff´erentiables contenant des a priori parcimonieux. Contrairement a`
la plupart des m´ethodes de reconstruction qui op`erent coupe par coupe, l’une des m´eth-
odes propos´ees permet une reconstruction 4D (3D + temps) en exploitant les corr´elations
spatiales et temporelles. Le probl`eme d’estimation d’hyperparam`etres sous-jacent au pro-
cessusder´egularisationaaussi´et´etrait´edansuncadrebay´esienenutilisantdestechniques
MCMC. Une validation sur des donn´ees r´eelles anatomiques et fonctionnelles montre que
les m´ethodes propos´ees r´eduisent les art´efacts de reconstruction et am´eliorent la sensibil-
it´e/sp´ecificit´e statistique en IRM fonctionnelle.
tel-00587410, version 1 - 20 Apr 2011´ ´8 RESUME
tel-00587410, version 1 - 20 Apr 2011Contents
1 Introduction 25
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2 Organization of the manuscript . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.4 Patent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2 Magnetic Resonance Imaging background 31
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Magnetic Resonance Imaging . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Nuclear Magnetic resonance . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 NMR signal measurement . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Image contrast and acquisition parameters . . . . . . . . . . . . . . . . . . . 37
2.3.1 TR effect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 TE effect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.3 Acquiring a T or T -weighted MRI image . . . . . . . . . . . . . . . 381 2
2.4 Functional Magnetic Resonance Imaging . . . . . . . . . . . . . . . . . . . . 39
2.4.1 Blood Oxygen Level Dependent effect . . . . . . . . . . . . . . . . . 40
2.4.2 Data acquisition in fMRI . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4.3 Artifacts in fMRI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 Parallel Magnetic Resonance Imaging . . . . . . . . . . . . . . . . . . . . . 44
2.5.1 Parallel MRI basics . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.5.2 Parallel MRI reconstruction . . . . . . . . . . . . . . . . . . . . . . . 48
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3 Regularization and convex analysis for