Architectures neuronales profonds pour la reconstruction haute qualité en IRM

Abstract

L’imagerie par résonance magnétique (IRM) est une modalité de choix en imagerie médicale, offrant une excellente résolution de contraste sans exposition aux rayonnements ionisants. Toutefois, sa durée d’acquisition prolongée la rend vulnérable aux artefacts de mouvement et limite son applicabilité dans certains contextes cliniques. Pour pallier ce problème, des techniques de sous-échantillonnage de l’espace k, telles que le Compressed Sensing (CS), ont été développées. Bien qu'elles accélèrent l'acquisition, elles s'accompagnent souvent d'artefacts et d'une perte d'informations dégradant la qualité de l'image. Dans ce travail, nous proposons une méthode de reconstruction basée sur un réseau de neurones convolutif résiduel (ResNet) appliqué directement aux données de l’espace k sous-échantillonné. Nous avons évalué l'impact de plusieurs hyper paramètres. Nos résultats confirment l'efficacité des réseaux de neurones profonds pour la reconstruction accélérée en IRM et soulignent l'importance cruciale de l'optimisation des paramètres d'apprentissage et d'acquisition afin d'atteindre un compromis idéal entre réduction du temps d'examen et préservation de la qualité diagnostique.