Sandra MARTIN PhD defense entitled “Deep learning algorithms for the segmentation and the acceleration of MRI acquisitions in the context of neuromuscular pathology follow-up” will take place on the 6th of October at 02:00 pm in Amphi Rouard, in front of Institut Fresnel, campus St Jérôme, Marseille.
The presentation will be in french and the slides in english.
The jury will be composed of the following members :
- Antoine Vacavant, Institut Pascal, Reviewer
- Pierre-Henri Conze, LaTIM, Reviewer
- Caroline Petitjean, LITIS, Examiner
- Benjamin Lemasson, GIN, Examiner
- David Bendahan, CRMBM, Thesis Supervisor
- Rémi André, Institut Fresnel, Co-Supervisor
- Amira Trabelsi, MultiwaveTechnologies, Invited Member
- Redha Abdeddaim, Institut Fresnel, invited Member
Abstract : Les maladies neuromusculaires se caractérisent par la perte progressive de masse musculaire qui s’accompagne d’un remplacement par du tissu graisseux. Ce contenu en graisse peut être quantifié par IRM. Cette fraction graisseuse doit être mesurée au niveau des muscles individuels car les atteintes peuvent différer selon les muscles. Cette quantification se fait à l’aide d’un processus de segmentation. Cependant, la segmentation manuelle est chronophage et peut souffrir de variabilité inter-opérateurs. C’est pourquoi des méthodes automatiques ont été développées, notamment des méthodes d’apprentissage profond. Les réseaux de neurones ont montré leur efficacité pour la segmentation, cependant ces méthodes nécessitent des ressources de calculs importantes. Dans un premier temps, nous avons étudié l’impact de la complexité des réseaux de neurones sur la segmentation et l’estimation de la fraction graisseuse. L’étude a montré qu’il n’existait pas de lien probant entre la performance de segmentation et la mesure efficace de la fraction graisseuse. Une analyse des pixels mal classés a été proposée afin de mieux comprendre ce phénomène. Parallèlement, l’optimisation du temps d’acquisition en IRM est un enjeu majeur en IRM pour réduire la durée d’examens des patients. Dans un deuxième temps, nous avons accéléré les acquisitions IRM à postériori, en utilisant seulement une partie de l’espace d’acquisition, puis nous avons reconstruit les images IRM à l’aide d’algorithmes d’apprentissage profond. Il faut néanmoins garder à l’esprit le maintien d’une qualité finale suffisante pour permettre une interprétation médicale et radiologique. Ces méthodes de reconstruction basées sur l’apprentissage profond peuvent rapidement saturer la mémoire de l’ordinateur pendant l’entrainement, surtout en utilisant des données 3D. Nous avons alors proposé deux nouveaux réseaux HalfVarNet et HalfDIRCN, conçus pour optimiser la mémoire et le temps de calcul tout en maintenant les performances de reconstruction.
Keywords : qMRI, U-Net, Segmentation, Unrolled network, Acceleration, Memory-efficient, NMD
