Ms EBM Chelihi+Djemai
Ms EBM Chelihi+Djemai
Ms EBM Chelihi+Djemai
Tout d’abord, nous remercions ALLAH, notre créateur de nos avoir donné les forces,
la volonté et le courage afin d’accomplir ce travail modeste.
Nous adressons le grand remerciement à notre encadreur Madame ILES Amel qui a
proposé le thème de ce mémoire, pour ses conseils et ses dirigés du début à la fin de ce
travail.
Nous tient à remercier Monsieur Boukli Hacene Ismail, MCB à l’université de Tlemcen
qui a bien voulu accepter de présider ce jury.
Finalement, nous tenons à exprimer notre profonde gratitude à nos familles qui nous
ont toujours soutenues et à tout ce qui participe de réaliser ce mémoire. Ainsi que l’en-
semble des enseignants qui ont contribué à notre formation.
ii/ 70
Résumé
L’Imagerie par Résonance Magnétique (IRM) est une technique de diagnostic médical
puissante. L’inconvénient principal de cette technique est lié au fait qu’elle nécessite un
temps d’acquisition relativement lent. L’acquisition parallèle simultanée de l’objet à ex-
plorer permet de diminuer la durée d’examen en améliorant le rapport signal sur bruit.
L’imagerie parallèle (IRMp) est une technique d’acquisition parallèle utilisant plusieurs
méthodes de reconstruction comme SENSE, GRAPPA, ESPIRiT.....etc.
Les méthodes généralement utilisées dans la pratique clinique telles que SENSE et
GRAPPA sont imparfaites et les images reconstruites par telles méthodes souffrent d’ar-
téfacts de repliement. La méthode itérative ESPIRiT venant après, permettent de corriger
ces limitations.
L’objectif de ce projet est donc d’améliorer beaucoup plus cette méthode de recons-
truction. Compressed sensing (échantillonnage compressif) est une autre méthode permet
de reconstruire un signal exacte avec peu de coefficients. Pour cette raison, nous avons
associé cette méthode à la méthode ESPIRiT. Les résultats trouvés à ce propos prouvent
l’efficacité de cette méthode. Dans ce cadre, nous avons développé un modeste logiciel per-
mettant la reconstruction adaptative pour l’IRMp des organes en utilisants la méthode
ESPIRiT et compressed sensing-ESPIRiT (L1-ESPIRiT ou CS-ESPIRiT).
iii/ 70
Abstract
The methods generally used in clinical practice like SENSE and GRAPPA are imper-
fect and the reconstructed images by such methods suffer from aliasing artifacts. Method
ESPIRiT after coming sufficient to remedy these limitations.
The objective of this project is to improve much this reconstruction method. Compres-
sed sensing is another method to reconstruct an accurate signal with low coefficients. For
this reason, we have combined this method to the ESPIRiT method. The results found in
this prove the effectiveness of this method. In this context, we developed a small software
for adaptive reconstruction for IRMp organs with the ESPIRiT method and compressed
sensing-ESPIRiT (L1-ESPIRiT or CS-ESPIRiT).
iv/ 70
Table des matières
Remerciements ii
Résumé iii
Abstract iv
Introduction xii
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.2 Appareillage IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
I.2.1 Eléments techniques de l’IRM . . . . . . . . . . . . . . . . . . . . . 1
I.2.1.1 Aimant . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I.2.1.2 Bobines de gradient . . . . . . . . . . . . . . . . . . . . . 2
I.2.1.3 Antennes ou bobines radiofréquence . . . . . . . . . . . . 3
I.2.1.3.1 Antennes volumiques . . . . . . . . . . . . . . . . 4
I.2.1.3.2 Antennes surfaciques . . . . . . . . . . . . . . . . 4
I.3 Principe de la résonance magnétique nucléaire (RMN) . . . . . . . . . . . 5
I.3.1 Phénomènes de relaxation . . . . . . . . . . . . . . . . . . . . . . . 7
I.3.1.1 Relaxation longitudinale . . . . . . . . . . . . . . . . . . 7
I.3.1.2 Relaxation transversale . . . . . . . . . . . . . . . . . . . 8
I.3.2 Equation de Bloch . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
I.3.2.1 Repère tournant . . . . . . . . . . . . . . . . . . . . . . . 9
I.3.3 Détection du signal RMN . . . . . . . . . . . . . . . . . . . . . . . 10
I.3.4 Séquences utilisées en IRM . . . . . . . . . . . . . . . . . . . . . . 10
v
TABLE DES MATIÈRES
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II.2 Principe de l’IRMp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
II.2.1 Antennes en réseau phasé . . . . . . . . . . . . . . . . . . . . . . . 21
II.2.2 Sous-échantillonnage de l’espace k . . . . . . . . . . . . . . . . . . 21
II.3 Méthode de reconstruction en imagerie parallèle . . . . . . . . . . . . . . . 23
II.3.1 Reconstruction SENSE. . . . . . . . . . . . . . . . . . . . . . . . . 23
II.3.1.1 Régularisation de Tikhonov. . . . . . . . . . . . . . . . . . 25
II.3.1.2 Reconstruction SENSE 2D. . . . . . . . . . . . . . . . . . 25
II.3.2 Reconstruction ESPIRiT. . . . . . . . . . . . . . . . . . . . . . . . 26
II.3.2.1 Reconstruction GRAPPA. . . . . . . . . . . . . . . . . . . 26
II.3.2.2 Matrice de calibration et reconstruction de l’espace nul. . 28
II.3.2.3 Carte sensibilité comme un problème de valeur propre . . 30
II.3.2.4 Implémentation utilisant Soft-SENSE . . . . . . . . . . . . 32
II.3.3 Echantillonnage compressé (Compressed Sensing) . . . . . . . . . . 33
II.4 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.2 Reconstruction ESPITRiT . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.3 Paramètres de performance . . . . . . . . . . . . . . . . . . . . . . . . . . 40
III.3.1 Rapport signal sur bruit (PSNR) . . . . . . . . . . . . . . . . . . . 40
III.3.2 Erreur quadratique moyenne normalisée (NMSE) . . . . . . . . . . 40
III.4 Environnement du travail et données . . . . . . . . . . . . . . . . . . . . . 41
III.4.1 Images réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.4.2 Image cerveau (Brain) . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.4.3 Image repliée (SmallFov) . . . . . . . . . . . . . . . . . . . . . . . . 41
III.4.4 Image genou (Knee) . . . . . . . . . . . . . . . . . . . . . . . . . . 41
III.5 Résultats et discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
III.5.1 Expérience sur les images . . . . . . . . . . . . . . . . . . . . . . . 42
III.5.1.1 Reconstruction par remplissage de zéro et ESPIRiT . . . . 42
III.5.1.1.1 Interpolation de remplissage de zéro (ZIP) : . . . 42
vi/ 70
TABLE DES MATIÈRES
IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2 Partie expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2.1 Présentation du guide . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2.2 Réalisation du logicielle . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.3 Présentation du simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
IV.3.1 Barre de menu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
IV.3.2 Barre de sous menu . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.4 Présentation d’entrées et de sorties de l’interface . . . . . . . . . . . . . . . 60
IV.5 Utilisation de l’application . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
IV.5.1 Remplissage de zéro . . . . . . . . . . . . . . . . . . . . . . . . . . 61
IV.5.2 L2-ESPIRiT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
IV.5.3 L1-ESPIRiT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
IV.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Conclusion 67
vii/ 70
TABLE DES MATIÈRES
viii/ 70
Table des figures
ix
TABLE DES FIGURES
x/ 70
TABLE DES FIGURES
xi/ 70
TABLE DES FIGURES
Introduction
L’Imagerie par Résonance Magnétique (IRM) est une technique de diagnostic médical
puissante basée sur le principe de la résonance des noyaux de certains atomes. L’inconvé-
nient principal de cette technique est lié au fait qu’elle nécessite un temps d’acquisition
relativement lent. La tâche la plus difficile pour ce type d’imagerie est la reconstruction
des images directement exploitables par le médecin pour l’aide au diagnostic dans un
temps optimal. Le médecin a besoin d’images claires et fidèles au contenu réel de l’ob-
jet à explorer et avec une bonne résolution spatio-temporelle. Mais ceci est loin d’être
évident en raison des contraintes technologiques. Dès lors, l’intervention des spécialistes
de traitement de signal et d’images est nécessaire dans la chaîne de production de ce type
d’images pour atteindre un compromis entre les limitations techniques et les exigences
du médecin. Pour ce faire, il s’avère plus utile de faire une acquisition parallèle de l’ob-
jet à explorer afin d’améliorer le rapport signal sur bruit et de diminuer la durée d’examen.
L’imagerie par résonance magnétique parallèle (IRMp) est l’une des modalités qui est
en plein développement vu qu’elle permet d’explorer le corps humain de manière non in-
vasive. Plusieurs méthodes d’acquisition ont été développées en imagerie parallèle comme
SENSE, GRAPPA, ESPIRiT et CS-ESPIRiT, notamment pour permettre une imagerie
de très bonne qualité et plus rapide que l’imagerie classique.
Le troisième chapitre présente les résultats de la reconstruction ESPIRiT ainsi que les
résultats de la reconstruction améliorée CS-ESPIRiT.
Et finalement dans le dernier chapitre nous allons présenter le logiciel que nous l’avons
développé afin de faciliter et simplifier la tache d’exécussion de différentes méthodes d’ima-
gerie parallèle étudiées dans ce mémoire.
xii/ 70
Chapitre I
xiii
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
I.1 Introduction
L’imagerie par résonance magnétique (IRM) est une technique d’imagerie qui est en
plein développement vu qu’elle permet d’explorer le corps humain de manière non invasive,
dépourvue d’effet ionisant (radioactivité). Cette technique permet d’obtenir des coupes
anatomiques de différents organes selon une orientation libre du plan d’acquisition[1].
Dans ce chapitre, nous allons présenter brièvement le principe de fonctionnement d’un ima-
geur IRM, les principes technique et physiques de l’IRM, les séquences utilisées pour notre
étude ainsi que les modalités d’acquisition des images IRM. L’objectif est de connaître les
spécificités de l’IRM, afin de mieux comprendre par la suite le problème de la reconstruc-
tion.
L’imagerie par résonance magnétique (I.R.M.) consiste à observer les tissus biologiques
à travers les propriétés magnétiques de l’un de leurs constituants majoritaires, le noyau
d’hydrogène. D’un point de vue physique, l’IRM est basée sur le phénomène bien connu
de RMN qui a été observé indépendamment l’un de l’autre par Félix Bloch (université de
Stanford) et Edward Purcell (université de Harvard) en 1946. L’I.R.M, est une technique
d’imagerie médicale utilisée pour faire un diagnostic qui se fonde sur les principes de la
résonance magnétique nucléaire. L’IRM est la méthode de diagnostic la plus puissante et
la plus sensible disponible actuellement. Cet outil permet d’obtenir des images de tissus
à l’intérieur du corps humain plus précises que celles obtenues par un scanner ou par
ultrasons voir Figure I.1.
1/ 70
I.2. APPAREILLAGE IRM
I.2.1.1 Aimant
Il est généralement supraconducteur car c’est ce type d’aimant qui possède les meilleurs
caractéristiques puisqu’il permet d’obtenir un champ magnétique très élevé. En effet, il
doit être très puissant et extrêmement homogène. Néanmoins il y a un système de sécurité
car, si l’aimant perd sa supraconductivité et s’échauffe (effet de Quench), l’hélium liquide
risque de se transformer en gaz, ce qui entraîne un important changement de volume. C’est
pourquoi, il existe des systèmes d’évacuation rapide car ces fuites peuvent entraîner des
brûlures (par le froid). En IRM, on parle de blindages pour certains dispositifs destinés au
confinement des champs magnétiques produits par la machine et à l’isolement de celui-ci
des champs magnétiques extérieurs qui viendraient perturber l’acquisition voir Figure I.2.
Les bobines de gradient produisent des gradients de champ magnétique Bo. On sup-
pose un système de coordonnées standard, le gradient de champ magnétique Bo peut
être appliqué le long de l’axe Z. Si l’aiment est supraconducteur, les bobines de gradient
sont construites sur un cylindre coaxial à l’aiment, la bobine Gz est une bobine de type
Helmholtz dont les deux bobinages sont parcourus par des courants de direction opposée
Figure I.3 [2].
2/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
La bobine crée un gradient de champ Bo dans la direction Y selon la circulation des cou-
rants dans les bobines Figure I.5 .
3/ 70
I.2. APPAREILLAGE IRM
γ
νo = × B0 (I.1)
2π
(i) νo : La fréquence de precession .
(ii) γ : Le rapport gyromagnétique .
(iii) Bo : L’intensité du champ magnétique principal .
Les antennes sont très variables et peuvent être catégorisées de trois manières diffé-
rentes :
– Selon leur géométrie :volumique et surfacique.
– Selon leur mode de fonctionnement : émettrice-réceptrice ou réceptrice seule
– Selon l’association ou non de différents éléments d’antennes
I.2.1.3.1 Antennes volumiques Elles sont soit émettrices et réceptrices, soit, par-
fois, uniquement réceptrices, dans ce cas, l’antenne corps est émettrice. Elles peuvent
contenir une région de l’organisme (antenne tête Figure I.6(a), genou. . . ), voire tout le
corps (antenne corps). L’antenne corps est directement incorporée à l’aimant . Elle est
toujours émettrice et réceptrice. Les antennes de volume permettent d’obtenir un signal
homogène sur tout le volume exploré. Le signal obtenu est d’autant plus élevé que le
diamètre de l’antenne diminue[2].
4/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
Les noyaux atomiques sont dotés d’un mouvement cinétique interne, appelé spin, qui
leur confère sous certaines conditions (nombre impair de nucléons) un moment magnétique
nucléaire µ~ . À l’état naturel, la somme vectorielle des moments magnétiques individuels de
tous les protons du système (appelée magnétisation macroscopique M ~ ) est nulle, du fait de
leur orientation aléatoire. En présence d’un champ magnétique extérieur Bo ~ , les moments
magnétiques individuels s’orientent par rapport à l’axe défini par Bo~ de manière à former
un angle constant avec celui-ci. Deux orientations dites « parallèle », ou « spin up », et «
antiparallèle », ou « spin down », deviennent alors possibles et désignent respectivement
les dispositions relatives des vecteurs Bo ~ et µ~ conduisant à un produit scalaire positif et
négatif. Les noyaux ainsi orientés sont animés d’un mouvement de précession autour de
l’axe défini par Bo,~ similaire à celui d’une toupie. La vitesse angulaire de précession wo
est reliée au champ magnétique Bo ~ et à la nature du noyau au travers de la constante
gyromagnétique :
w0 2πν0
γ= = (I.2)
B0 B0
Où νo est la fréquence du mouvement.
La présence du champ magnétique induit la séparation des noyaux en deux catégories
associées aux niveaux énergétiques différents Figure I.7. L’énergie des protons (parallèles)
est inférieure à celle des protons (antiparallèles).la différence entre ces énergies vaut :
∆E = hν0 (I.3)
La population de noyaux dans ces deux catégories est différente. Le niveau énergétique le
plus favorable est celui le plus peuplé, d’après la loi de Boltzmann.
5/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
La magnétisation macroscopique M ~ = Pµ ~
~ (en présence d’un champ magnétique Bo)
~ est dirigé selon l’axe défini par le vecteur Bo
n’est pas nulle. Le vecteur M ~ (supposé en
coïncidence avec l’axe Oz). De ce fait. M a une composante non nulle (Mz sur la Figure
I.8(a)). La composante transversale Mxy est nulle (les noyaux individuels sont déphasés
et la somme de leurs composantes dans le plan XY devient nulle).
Si, dans ces conditions, le système interagit avec une impulsion électromagnétique
dont l’énergie correspond exactement à δE, c’est-à-dire une radiation de fréquence νo , on
constate que :
– certains protons parallèles (cône supérieur) suite à l’absorption du rayonnement
électromagnétique subissent une inversion de spin et passent dans le niveau d’énergie
supérieur (cône de précession inferieur), Figure I.8(b) .
– les spins ainsi inversés et initialement déphasés effectuent une précession en phase.
6/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
Lorsque le pulse d’excitation cesse, les protons retournent à l’état initial avec réémis-
sion d’une radiation électromagnétique (dans la gamme de radiofréquence) mesurable qui
constitue le signal RMN. le retour à l’état initial est appelé relaxation .
Ou spin –réseau, est la conséquent du transfert d’énergie vers le milieu qui accompagne
le phénomène de désexcitation. Elle est caractérisée par le temps de relaxation T1 Figure
I.9, qui mesure le retour à la valeur initiale de Mz, suivant une loi exponentielle .
−t
M z = M0 (1 − exp ) (I.4)
T1
7/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
Ou spin-spin, est liée au transfert d’énergie entre spins voisins, qui se traduit par un
déphasage progressif des spins, mis en phase par le pulse d’excitation Figure I.10. Ce
processus s’accompagne de la diminution de la composante Mxy qui tend vers zéro selon
la loi :
−t
M xy = M xy0 (exp ) (I.5)
T2
8/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
autres : l’hétérogénéité propre à Bo~ ainsi que la différence de susceptibilité aux inter-
faces entre milieux différents. Ces hétérogénéités, notées, vont modifier la constante de
temps relative à la disparition de l’aimantation transversale, c’est-à-dire. Cette nouvelle
constante appelée est reliée à sous certaines hypothèses par la relation :
1 1
∗
= + γ × ∆B (I.6)
T2 T2
Dans cette partie, on introduit un outil mathématique très pratique en IRM, il s’agit
du repère tournant. Un repère tournant est un système de coordonnées 3D dont le plan
transversal tourne dans le sens horaire à une certaine fréquence angulaire w. Pour le
distinguer du repère traditionnel statique, on notera (x’, y’, z’) les axes du repère tournant
et ( x~0 , y~0 , z~0 ) les vecteurs unitaires de direction. Ainsi, pour passer du repère statique au
repère tournant, la transformation suivante est utilisée :
~x = cos(wt)~x − sin(wt)~y
~y = sin(wt)~y + cos(wt)~x (I.8)
~z = ~z
9/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
Avec
~0 + w
~ f =B
Bef
~
(I.12)
γ
Le champ B~ 0 représente le champ magnétique vu par la magnétisation au moins composé
de Bo et/ou B1 exprimés dans le repère tournant.
Quand en plaçant un objet dans un champ magnétique externe B~0 , puis en le stimulant
avec un autre champ magnétique oscillant B~1 , on peut induire un magnétisme détectable
sous la forme d’un moment magnétique tournant : C’est le phénomène de RMN. La ques-
tion à laquelle nous allons répondre dans cette partie est celle de savoir comment détecter
ce moment magnétique, ou plus précisément, comment convertir ce moment magnétique
tournant en un signal électrique.
La précession de l’aimantation transversale est détectée à l’aide de deux antennes orthogo-
nales (suivant les directions x et y respectivement), pour lesquelles la fréquence du signal
de référence a été ajustée à celle de l’onde porteuse de l’excitation RF. Les phases des
signaux de référence sont choisies telles que l’une soit égale à celle de l’onde porteuse de
l’excitation RF et l’autre orthogonale à celle-ci. Les fréquences mesurées étant distribuées
autour de f0 , le détecteur délivrera la même distribution mais, cette fois ci, centrée autour
de 0 après la démodulation à f0 .
Le signal RMN appelé ici S(t) est l’association de deux composantes qui ne sont que
les deux composantes de l’aimantation transversale dans le référentiel tournant. L’une de
ces composantes, M x(t) est en phase avec l’excitation et l’autre M y(t) est orthogonale à
celle-ci. Par souci de simplification, les facteurs multiplicatifs liés à la chaîne de détection
ne sont pas pris en compte. Le signal RMN est généralement représenté sous la forme
complexe suivante :
10/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
11/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
Les séquences échos de gradient sont générés en appliquant des gradients de champ
magnétique après avoir excité les spins en appliquant une impulsion inférieur à 90˚(Fi-
gure I.14).
Ces gradients sont utilisés pour produire un changement dans le champ magnétique et
donc dans la fréquence de Larmor suivant une direction particulière. Ainsi, les spins pré-
cessent à différentes fréquences et se déphasent rapidement suivant cette direction. Ce
déphasage annule alors très rapidement l’amplitude du signal de précession libre. Cepen-
dant, le déphasage créé par l’application d’un gradient de champ magnétique peut être
inversé en appliquant un second gradient suivant la même orientation et avec la même
amplitude, mais dans la direction opposée. Lorsque la durée d’application de ce deuxième
gradient est la même que celle du premier gradient, le déphasage dû au premier gradient
est annulé et le signal de précession libre réapparaît. Il atteint un maximum d’amplitude
lorsque les spins déphasés par le premier gradient se retrouvent à nouveau en phase. Le
signal ainsi rephasé par l’inversion de la direction d’application du gradient de champ
magnétique est appelé écho de gradient. Puis, si le second gradient est toujours actif, les
spins se déphasent à nouveau et le signal de FID disparaît[5] .
L’étape importante de la RMN vers l’IRM est l’encodage spatial du signal de réso-
nance ; il est indispensable de pouvoir localiser précisément le signal de résonance magné-
tique nucléaire (RMN) ; la position exacte du signal peut être codée dans le but de former
l’image.
Le signal reçu par l’antenne de réception est un signal délocalisé qui ne contient pas
d’information spatiale et provient de toute la partie de l’échantillon excitée et située dans
la zone de sensibilité de l’antenne de réception. Pour former une image à partir d’un signal
de RMN, des gradients de champ magnétiques sont appliqués pour modifier la phase et
la fréquence du signal en fonction des coordonnées spatiales. On parle alors d’encodage
spatial du signal.
En effet, pour localiser le signal en IRM, il faut d’abord, à l’intérieur d’un volume donné,
sélectionner un plan de coupe pour lequel on applique un premier gradient de champ
appelé gradient de sélection de coupe Gs.
12/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
Permet de sélectionner une coupe à l’intérieur d’un volume d’intérêt. A cet effet, on a
besoin d’un gradient linéaire de champ magnétique appelé gradient de sélection de coupe
ou Gs et d’une impulsion RF. Par convention, la direction de sélection de coupe est la
direction (Oz). Pour une position Z, la fréquence de Larmor est donnée par l’équation :
γ
f (z) = f0 + z.Gz (I.14)
2π
L’impulsion RF, appliquée pendant le gradient de sélection de coupe, permet de sé-
lectionner une coupe comme il est montré sur la Figure I.15[3].
I.3.6 Encodage
Une fois qu’une partie de l’objet a été excitée par l’impulsion sélective, l’information
spatiale peut être encodée dans le signal durant la précession. Le signal émis par l’objet
étant un signal exponentiel complexe, l’information spatiale peut être encodée de deux
façons, en phase et en fréquence, qui seront : d’une part l’encodage en fréquence selon la
direction (Ox) et d’autre part l’encodage en phase selon (Oy).
On suppose que le plan de coupe contient un ensemble de 3x3 vecteurs d‘aimantations
nettes. En appliquant une impulsion 90˚ avec un gradient de sélection de coupe, les
vecteurs dans le plan XY (voir Figure I.16) tournent à la fréquence de Larmor. Si tous
les spins sont soumis à la même intensité du champ magnétique, ils précessent donc à la
même fréquence[3].
13/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
En IRM, les deux gradients utilisés lors de l’acquisition des données conduisent à un codage
spatial de l’image et les données obtenues ne se situent pas dans le domaine spatial, mais
d’emblée dans ce qu’on appelle le domaine fréquentiel (espace k).
L’information obtenue est donc un signal caractérisé par sa fréquence (et/ ou phase) et
non pas par ses coordonnées spatiales.
14/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
En IRM, les signaux ne sont pas mesurés de manière continue mais à des intervalles
de temps discrets. Cet échantillonnage discret conduit à une distribution ambiguë des
fréquences au-delà d’un certain seuil la fréquence de seuil, appelée la fréquence de Nyquist,
détermine la largeur de bande dans laquelle le signal se produira. L‘espace-k est défini par
deux directions Kx et ky. Les variations en fonction du temps de Kx(t) et ky(t) définissent
une trajectoire dans le domaine des fréquences spatiales. Cette trajectoire détermine la
façon dont l‘espace-k est parcouru (voir Figure I.19)[6].
On définit :
γ
Rt 0 0
Kx = 2π o Gx(t )δt
et (I.15)
γ
Rt 0 0
Ky = 2π o Gy(t )δt
15/ 70
I.3. PRINCIPE DE LA RÉSONANCE MAGNÉTIQUE NUCLÉAIRE (RMN)
La Figure I.20 représente une grille d‘échantillonnage cartésienne dans l‘espace-k. Les
caractéristiques de l‘image reconstruite par 2DFT à partir de l‘espace-k sont directement
liées aux paramètres explicités sur la Figure I.20 .En effet, le champ de vue (field of view :
FOV) et la résolution spatiale de l‘image sont donnés par :
1
F OV x = (I.16)
δKx
1
F OV y = (I.17)
δKy
1
δx = (I.18)
2Kxmax
1
δy = (I.19)
2Kymax
Il existe différentes trajectoires possibles pour parcourir l‘espace-k. La Figure I.21 repré-
sente un échantillonnage avec les formes des gradients associés, dans le cas de l‘imagerie
2DFT[7]. Chacune des Ny lignes horizontales de l‘espace-k est balayée en appliquant dans
la direction X (direction de lecture) un gradient de champ magnétique pendant la lecture
du signal. Avant chacune de ces Ny acquisitions, des impulsions de gradient de champ
magnétique sont appliqués dans la direction de lecture (X) et dans la direction de phase
(Y) afin de positionner la ligne échantillonnée dans la direction Ky.
1. Le déplacement entre lignes est effectué en utilisant les gradients de codage de phase.
2. Chacune des Ny lignes de l‘espace-k nécessite une excitation. Après chacune de ces
excitations, une ligne horizontale de l‘espace-k est balayée grâce à un gradient de
lecture. Cet échantillonnage sur une grille cartésienne possède une caractéristique
intéressante par rapport à la simplicité de l‘algorithme de reconstruction d‘image.
Cependant la nécessité d‘effectuer Ny acquisitions rend cette technique relativement
lente.
16/ 70
CHAPITRE I. FONDEMENTS DE L’IMAGERIE PAR RÉSONANCE
MAGNÉTIQUE
Dans la Figure I.22. (a), on a affaire à une acquisition classique de l‘espace de Fourier
alors que dans la Figure I.22. (b) on a sous-échantillonné cet espace d‘un facteur de
réduction R = 4, c‘est-à-dire on a fait l‘acquisition d‘une ligne sur quatre. Pour obtenir une
image dépende de la position des spins, nous appliquons la transformée de Fourier au signal
FID. Ce signal est enregistré après les différentes étapes du codage spatial. Ce signal doit
être numérisé puis être traité de façon numérique pour former l‘image. La transformée de
Fourier à une dimension permet de représenter des données sous forme fréquentielle. Pour
décrire de façon suffisante le signal original, il faut disposer de son intensité, de sa fréquence
mais aussi de sa phase, qui correspond au décalage du signal par rapport à l‘origine.
La transformée de Fourier est l‘opération mathématique qui permet de décomposer un
signal en ses composantes fréquentielles. Le spectre obtenu par la transformée de Fourier
d‘un signal représente l‘intensité des différentes composantes fréquentielles d‘un signal. Le
cumul de ces différentes sinusoïdes d‘intensité permet de reconstruire l‘image voir Figure
I.23 (Transformée de Fourier inverse).
17/ 70
I.4. CONCLUSION
Figure I.23 – Reconstruction d’une image IRM par transformée de Fourier bidimension-
nelle.
I.4 Conclusion
Dans ce chapitre, ont été présentées les bases de l’imagerie par résonance magnétique.
Nous avons également décrit l’aspect technique de l’appareil, le principe de fonctionnement
et aussi expliqué le passage d’un RMN vers l’IRM c.-à-d. on a distingué entre ces deux
concepts.
Les images IRM étant très fiable aux yeux des médecins, certains spécialistes cherchent
toujours à améliorer et à mieux comprendre cette technique d’imagerie. Pour cela, le
prochain chapitre sera consacré sur un type particulier d’IRM à savoir l’IRM parallèle qui
est basé sur le même principe que l’IRM classique mais utilise plusieurs antennes.
18/ 70
Chapitre II
19
II.1. INTRODUCTION
II.1 Introduction
Les techniques d’imagerie parallèle sont actuellement devenues les approches les plus
utilisées dans les applications médicales. L’IRM parallèle (IRMp) fait partie de ces tech-
niques. Elle est principalement utilisée pour permettre une imagerie plus rapide que l’IRM
classique. Le but est donc de limiter le temps d’exposition du patient à l’environnement
IRM et de limiter l’effet des mouvements indésirables tout en autorisant le même niveau
de diagnostic [8].
Dans ce contexte nous allons focaliser notre présentation sur la méthode SENSE qui
est basé sur les cartes de sensibilité, puis une autre méthode s’appelle ESPIRiT qui associe
cette dernière avec une méthode qui est basée sur l’auto-calibration (GRAPPA) et fina-
lement nous avons presenté l’imagerie parallèle compressed sensing c.à.d une association
entre ESPIRiT et compressed sensing (CS-ESPIRiT).
La rapidité d’acquisition des images est l’une des caractéristiques les plus importantes
dans le domaine de l’imagerie par résonance magnétique. Compte tenu des limitations
techniques et physiologiques dues aux commutations rapides des gradients de champ ma-
gnétique, les scanners actuels fonctionnent à la limite de la vitesse d’acquisition. C’est
avec l’apparition des techniques d’imagerie parallèle qu’une accélération de l’acquisition a
pu être effectuée sans une augmentation des performances du système des gradients. Du
point de vue processus physique d’acquisition, le principe de l’IRM parallèle est identique
à celui de l’IRM classique. Mais du point de vue technique, l’IRMp consiste à faire l’ac-
quisition de l’objet à imager en utilisant Nc antennes au lieu d’une seule (Figure II.1).
Chaque antenne va contenir une version sous-échantillonnée de l’espace de Fourier corres-
pondant à l’image qu’on aurait acquise avec une seule antenne. Ce sous-échantillonnage
consiste à faire l’acquisition d’une ligne sur R lignes (R est appelé facteur de réduction)
de l’espace de Fourier, ce qui permet de diminuer le temps d’acquisition par rapport à
celui requis en IRM classique. En effet, le fait de diminuer le nombre de lignes acquises
permet de réduire le nombre de commutation des gradients de champ magnétique lors du
codage par la phase, ce qui réduit le temps nécessaire pour parcourir tout l’objet.
20/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
Chaque élément d’antenne a un volume de réception limité, avec des sensibilités va-
riables en fonction de la distance par rapport à l’élément d’antenne. Le signal recueilli par
chaque élément d’antenne comporte donc une information spatiale (position de l’antenne,
volume de réception, sensibilité dans le volume) qui peut être utilisée pour reconstruire
l’image, en complément du codage spatial induit par les gradients [9]. La Figure II.2 re-
présente une acquisition simultanée de 8 images grâce à 8 antennes disposées de telle sorte
qu’une grande partie de l’objet puisse être couverte.
Figure II.2 – Objet est imagé simultanément par 8 antennes donnant lieu à 8 images,
une pour chaque canal.
Les 8 images présentent des zones claires dans des endroits différents. Ceci est dû en effet
à la différence de sensibilité : chaque récepteur donne des informations dépendant de sa
propre sensibilité spatiale. C’est cette variabilité de la sensibilité qui servira lors de la re-
construction. En plus de la réduction du temps d’acquisition, l’IRMp présente l’avantage
indéniable par rapport à l’IRM classique d’améliorer la résolution spatiale et la réduction
des distorsions géométriques et des pertes de signal en IRM fonctionnelle [1].
Afin de réduire le temps lors de l’acquisition d’une séquence d’image, plusieurs types
de sous-échantillonnage peuvent être appliqués. La Figure II.3 illustre quelques types de
sous-échantillonnage les plus utilisés :
* Sous-échantillonnage uniforme (déterministe).
* Sous-échantillonnage aléatoire uniforme.
21/ 70
II.2. PRINCIPE DE L’IRMP
Les méthodes de reconstruction les plus connus sont la reconstruction SENSE, ESPI-
RiT, GRAPPA et SPIRiT.
22/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
La méthode de reconstruction SENSE a été introduite par Pruessmann [10]. Elle est
basée sur l’utilisation des cartes de sensibilités pour reconstruire l’image. Les cartes de
sensibilité réelles des antennes ne sont pas connues mais il est possible de les estimer. Cette
estimation nommée C1 est obtenue en divisant les images de chaque antenne du réseau de
bobines Sl (x, y), par une image S(x, y) uniforme de sensibilité de bobine homogène [10].
Sl (x, y)
C1 = (II.1)
S(x, y)
L’image de sensibilité homogène est soit acquise à l’aide d’une antenne corps entier (body
coil) ou bien calculé à partir de la somme des carrés de toutes les images acquises de
différentes antennes [10]. v
u L
uX
S(x, y) = t |S (x, y)|2
l (II.2)
l=1
Un exemple des profils de sensibilité établis pour chaque élément d’antenne (8 antennes
dans cet exemple) dont la zone spatiale couverte est systématiquement cartographié.
Figure II.5 – Cartes de sensibilité estimées des antennes à partir d’IRM in-vivo.
La méthode de reconstruction SENSE fait l’acquisition des images des antennes avec
un champ de vue réduit (facteur d’accélération R supérieur ou égale à 2) provoque un
23/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
Avec Ik correspond au signal reçu par l’antenne k dans le champ de vue réduit (d’où la
présence d’un phénomène de repliement) pour un pixel à la position (x, y). ρi est l’intensité
du pixel à la position i dans l’image avec un champ de vue complet. Cki est la sensibilité
estimée pour l’antennes à la position du pixel étudié ρi . R est le facteur d’accélération de
la séquence.
Si on applique l’équation (II.3) à l’ensemble des antennes, on obtient un système d’équa-
tions linéaires qui se note sous forme matricielle.
I = C.ρ (II.4)
Figure II.6 – Principe de reconstruction des images par la méthode SENSE en IRM
parallèle.
Dans l’exemple, la reconstruction des images par la méthode SENSE opère avec un
facteur d’accélération R = 4, Un nombre de bobines NC = 4 antennes. I contient les
pixels à une certaine position dans les images des antennes. Le champ de vue (FOV) dans
les images antennes est réduit produisant un artefact de repliement. C’est la matrice de
sensibilité estimée pour les 4 antennes pour les pixels étudiés ρ dans l’image avec un FOV
complet [10].
L’image reconstruite peut être entachée par des artéfacts de repliements. Des méthodes
de régularisations peuvent être appliquées afin de réduire ces artéfacts. La régularisation
de Tikhonov est la méthode la plus connue et la plus utilisée à cause de sa simplicité.
24/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
La régularisation de Tikhonov est largement utilisée pour les problèmes qui ne sont
pas bien posés. En particulier, pour la reconstruction d’image, la solution du problème de
reconstruction de la matrice Ides avec régularisation de Tikhonov est donnée par :
Ides,reg (m, n) = argminIdes,reg [kIobs (m, n)−S(m, n)Ides (m, n)kψ −1 +λ2 kIdes (m, n)−Ireg (m, n)k2 ]
(II.5)
Ides,reg (m, n) = Ireg (m, n)+[S(m, n)H ψ −1 S(m, n)+λ2 Id ]−1 S H (m, n)ψ −1 [Iobs (m, n)S(m, n)Ireg (m, n)]
(II.6)
Où Id est la matrice identité de taille R × R.
Généralement, l‘image de régularisation Ireg est prise comme une image contenant l‘intensité
moyenne de l‘image à champ de vue complet. Ce choix se justifie par la simplicité du cal-
cul qu‘il implique. D‘autres méthodes adoptent une approche itérative pour construire
cette image, mais la convergence de ces méthodes n‘est pas toujours garantie et le nombre
d‘itérations nécessaire varie entre les composantes en hautes fréquences et basses fré-
quences [13]. L’élément clef du problème de minimisation de Tikhonov est le choix appro-
prié du paramètre de régularisation λ, ainsi que sur le choix de l‘image de régularisation.
Ces choix sont très importants pour avoir une bonne régularisation.
25/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
Les limitations des résultats obtenus par la méthode de reconstruction SENSE nous
amènent à penser à utiliser une autre approche qui relie deux reconstructions SENSE et
GRAPPA qui est appelée ESPIRiT [11].
Figure II.8 – Combinaison linéaire des données d’espaces k voisines acquises de toutes
les bobines.
Pour décrire GRAPPA dans une simple notation, il est commode de choisir deux types
d’opérateurs :
26/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
Où gri sont des ensembles de poids de reconstruction, appelé noyaux de GRAPPA, spéci-
fique à un mode d’échantillonnage particulier autour de la position r.
La notation ()T représente le transposé. La grille complète de l’espace k est reconstruite
en évaluant l’équation (II.7) à chaque position de l’espace k non acquise pour toutes les
bobines.
Les noyaux de GRAPPA gri peuvent être obtenus en résolvant l’équation (II.7) et ceci
en utilisant la région auto-calibration (AC) : région entièrement acquise dans le centre de
l’espace k .Une matrice de calibration nommée A peut être réalisée à partir des données
acquises de la région d’autocalibration (AC). Elle est construite en faisant glisser une
fenêtre à travers les données acquises AC, en prenant chaque bloc (Rry)T à l’intérieur de
la région AC pour être une ligne dans la matrice. Les colonnes de la matrice A sont des
versions décalés de la surface AC, conduisant à une structure de matrice connue sous le
nom de bloc Hankel. La Figure II.9 illustre les opérateurs et les données organisés décrite
ci-dessus. Pour calculer les poids gri , l’équation (II.7) est réécrite en utilisant la matrice
de calibration.
Cette dernière est appliquée à toutes positions à l’intérieur de la zone AC. On obtient
ainsi un ensemble de conditions idéal pour la reconstruction des poids :
Où yiAC sont les données de la région AC de la ieme bobine (carré orange dans la Figure
II.9). Dans la pratique, les noyaux qui résolvent cet ensemble d’équations approximative-
ment sont calculés en résolvant le problème des moindres carrés avec régularisation [16]
[17] [18].
Figure II.9 – Organisation des données, d’indexation et les opérateurs qui sont utilisés.
La Figure II.9 représente on haut : La matrice de calibration A est réalisé en faisant glis-
ser une fenêtre à travers les données de calibration. Les lignes de A sont des blocs qui se
27/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
Cela signifie que Pr T gri sont des vecteurs d’espace-nuls de la matrice de calibrage. L’exis-
tence d’un espace-nul implique la redondance dans la matrice A et donc une corrélation
entre les blocs de l’espace k, qui peut être utilisé pour synthétiser des échantillons man-
quants. Cependant PrT gri −ei sont les vecteurs de l’espace nul très spécifiques, qui peuvent
représenter seulement une partie des informations redondantes. Pour cette raison, nous
nous tournons vers la caractérisation de l’espace nul directement.
Un moyen très utile pour analyser la matrice de calibration A est de calculer sa dé-
composition en valeurs singulières (SVD). La SVD a été appliquée dans divers problèmes
en traitement d’image : résoudre les problèmes de moindre carré mal conditionné, calcul
le noyau d’une matrice, compression d’images, etc. C’est un algorithme de factorisation
qui permet d’exprimer A comme le produit de trois matrices particulières U , W et V
telles que :
A = U.W.V T (II.10)
Avec :
28/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
La Figure II.10 représente on (a) l‘amplitude des données de calibration dans l’espace
k et les images bobines huit canaux du cerveau, on (b) décomposition en valeurs singulière
SVD.
P Les valeurs singulières sont ordonnées par amplitude et apparaissent sur la diagonale
de , et on (c) représente un zoom de la matrice V de la SVD et un tracé des vecteurs
singuliers montre que la matrice de calibration a un espace nul. Le signal de l‘espace k a
un support en Vk et aucun en V⊥ .
Compte tenu d’une grille d’espace k sous-échantillonnée, chaque bloc de l’espace k de la
reconstruction x doit répondre à deux contraintes,
Dans ce qui suit, les conditions limites périodiques sont supposées, car ils simplifient
considérablement la discussion. Bien que cette hypothèse soit souvent implicitement uti-
lisée en IRM, il convient de noter qu’elle introduit des erreurs numériques mineures, qui
pourraient être évités par une dérivation rigoureuse [20]. En supposant ces conditions,
l‘équation peut être transformé à :
X
(I − V| V|H )Rr x = 0 (II.13)
r
X
M −1 RrH V| V|H Rr x = x et W = M −1 RrH V| V|H Rr (II.14)
r
29/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
première équation (II.13) à gauche avec RrH et en sommant par r. Puisqu‘une opération
de la forme V|H Rr calcule la corrélation avec chaque Kernel en Vk lorsqu’elle est effectué
pour tous les positions r, elle peut être
P exprimé comme un ensemble de P convolutions.
Ceci s’applique aussi à son conjugué r Rr Vk et le produit symétrique r RrH V| V|H Rr .
H
ρx = ρy (II.16)
Où ρ est un masque qui sélectionne que les échantillons acquis dehors de la grille com-
plète et les résultats de la fusion du chevauchement Pr Rr pour toutes les parties. Les
contraintes peuvent être appliquées de manière itérative comme en SPIRiT qui est dif-
férents seulement dans l‘opérateur W . Cela conduit à une reconstruction d‘espace-nulle
[21], qui a été développé indépendamment par Zhang et al., et rapporté dans [19]. Lustig
[14] a développé ces notions en utilisant une nouvelle approche de calcul efficace dans
laquelle l‘association à des méthodes basées-SENSE est nécessaire.
Où
– m : l‘aimantation
– S = [S1S2. . . ..SN ]T est un vecteur de la sensibilité des bobines. En remplaçant x
de l’équation II.17 dans l’équations II.15, nous obtenons :
W F Sm = F Sm (II.18)
En appliquant une transformée de Fourier inverse sur les deux côtés de l’équation, il en
résulte que le vecteur des images bobines est un vecteur propre de F −1 W F de valeur
propre ‘10 :
F −1 W F Sm = Sm (II.19)
Si nous effectuons une décomposition en valeurs propres directe de W , nous pouvons trou-
ver les sensibilités explicitement car l’opérateur W est une convolution de matrice-valeurs
30/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
semi-définis positif [20], il découple dans les opérations matrice semi-définie positives point
par point dans le domaine d‘image.
F −1 W F | q = Gq (II.20)
~
Gq S(q)m(q) ~
= S(r)m(q) (II.21)
À des positions où m(q) est non nul, on obtient une condition pour les sensibilités :
Ainsi, les cartes de sensibilité explicites peuvent être trouvés par la décomposition en va-
leurs propres de tous Gq les en choisissant seulement les vecteurs propres correspond à la
valeur propre 0 = 10 . Ceci est représenté dans la Figure II.11 pour les données d’une bobine
tête huit canaux. Aux positions où aucune valeur propre 0 = 10 se trouve, les sensibilités
sont nulle. Ces positions correspondent à des positions sans signaux. Les vecteurs propres
sont définis seulement jusqu’à la multiplication d’un nombre complexe arbitraire. Pour
cette raison, la norme des vecteurs propres à chaque position est normalisée à un seul
canal choisi arbitrairement, il est utilisé comme une référence avec une phase nulle [22].
Figure II.11 – Construction des matrices Gq : moyen efficace pour calculer les valeurs et
les vecteurs propres de W . Chaque vecteur de base dans Vk est renversé dans un noyau
de convolution dans l’espace k. Les circonvolutions peuvent être efficacement mises en
œuvre multiplications dans l’espace de l’image, résultant une matrice Gq de taille K × N
séparé dans chaque position de l’espace image, où K est le nombre de noyau en Vk ( qui
représente le rang de la matrice de calibration A). Gq = GHq Gq .
31/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
Figure II.12 – Cartes de sensibilité explicite à partir des données d’échantillonnage au-
tomatique à l’aide d‘une décomposition en valeurs propres.
La Figure II.12 montre les valeurs propres et les vecteurs propres de tous les Gq a été
calculée comme la transformée de Fourier de l’opérateur de reconstruction W pour les
données d’une bobine-tête huit canaux utilisant une région de calibration de 24 × 24 dans
l’espace k et une taille du noyau de 6 × 6. La colonne à gauche représente les valeurs
propres obtenues en augmentant l’amplitude de haut en bas. Les valeurs propres ‘ = 10
apparaissent dans des positions où il ya le signal dans l’image.
La Figure II.12 (à droite) représente l‘amplitude et la phase des cartes de vecteurs propres
pour chaque valeur propre à toutes les positions spatiales. Les vecteurs propres corres-
pondant aux valeurs propres ‘ = 10 représentent les cartes de sensibilité. La dernière ligne
de la Figure II.12 représente l’amplitude et la phase des images bobines individuelles. La
norme des vecteurs propres à chaque position est normalisée à un et le huitième canal est
utilisé comme une référence de phase nulle.
Dans le cas idéal, il n’y a qu’un seul vecteur propre à valeur propre ‘ = 10 à chaque
position, et toutes les autres valeurs propres sont << 1.
Après calcul d’un seul ensemble de carte de sensibilités, une reconstruction SENSE
standard peut être réalisée. Dans certains cas, des erreurs dans l’acquisition conduisent
à l’apparition de multiples vecteurs propres de valeur propre ‘ = 1‘ ou valeurs propres
supplémentaires inférieures à un, indiquant des composantes de signal qui ne peuvent être
expliqués en termes du modèle SENSE [14]. la forme suivante :
Mq
X
Gq = ~j(q) S
λj (q)S ~ H (q) (II.23)
j
j=1
Où
Mq est souvent égale à un ou deux et tous les λj sont proche de un. Ce qui motive
l‘extension du processus de reconstruction : Au lieu d’utiliser un seul ensemble de carte
de sensibilité, l’équation mi = Si m est étendue à une reconstruction SENSE "soft", qui
utilise un modèle basé sur multiples (M) de composants de l’image mj et de multiples
32/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
Une solution des moindres carrés de cette équation donne alors plusieurs images (compo-
sants d’image) mj à la fois. Dans la plupart des applications, le premier composant peut
être utilisé comme une reconstruction, tandis que les autres éléments représentent des
erreurs qui ne doivent pas être prise en compte lors de la reconstruction afin d’éviter les
artefacts. Si les autres composants représentent le contenu de l’image et ne peuvent pas
être éliminées, il est nécessaire de faire une combinaison d‘amplitude pour éviter les pertes
du signal due à la phase nulle.
PMq Une autre possibilité consiste à calculer les images bobines
j j
individuelles selon mi = j=1 (Si m ) puis les combinées dans une étape post-traitement(
post-processing) similaire à GRAPPA.
Afin d’améliorer la qualité des images reconstruite par la technique d’IRMp, nous avons
associé à la méthode de reconstruction ESPIRiT, une nouvelle méthode très efficace appelé
Compressed Sensing (acquisition compressée).
L’échantillonnage compressé (Compressed Sensing (CS)) est une nouvelle méthode per-
mettant l’acquisition efficace de signaux parcimonieux. Un de ses succès les plus convain-
cants concerne l’accélération d’acquisition en IRM par un sous-échantillonnage de la trans-
formée de Fourier. Nous introduirons les concepts de base de l’échantillonnage compressé
et nous verrons comment les représentations parcimonieuses d’image peuvent être utilisées
pour obtenir des images de très bonne qualité.
33/ 70
II.3. MÉTHODE DE RECONSTRUCTION EN IMAGERIE PARALLÈLE
On considère un signal x à valeur réelle, à une dimension et de longueur finie, que l’on
notera sous la forme d’un vecteur colonne de longueur N, on peut agencer les données
pour former un long vecteur.
On exprime ce signal dans une base ψ telle que x = ψs. On souhaite choisir la base telle
que la majorité des coefficients de s soient nuls, c’est-à-dire que x est parcimonieuse dans
la base ψ. Ces bases sont connues et habituellement utilisées pour comprimer le signal de
départ. L’acquisition comprimée propose de directement acquérir la version compressée
du signal ce qui évite de traiter les échantillons inutiles [23].
Le processus de mesure linéaire utilisé consiste à faire M produits scalaires, avec M < N ,
entre x et une collection de vecteurs φj , j allant de 1 à M .
On obtient ainsi les échantillons de mesures yj =< x | φj >. Considérant la matrice de
mesure φ ayant pour colonnes les φj , on peut alors écrire y comme :
34/ 70
CHAPITRE II. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
L’inconvénient est que ce problème n’est pas calculable numériquement. Il a été dé-
montré que l’optimisation basée sur la norme L1 permet de retrouver exactement un signal
K-parcimonieux, de plus le problème de la L1 minimisation est convexe [24].
II.4 conclusion
Dans ce chapitre, nous nous sommes intéressés aux principes de l’IRMp, nous avons
également évoqué la méthode SENSE et ces limites, ensuite nous avons démontré la
nouvelle méthode de reconstruction ESPIRiT, pour objectif d’avoir une reconstruction de
qualité améliorée. puis on associer l’échantillonnage compressif avec la méthode ESPIRiT
pour obtenir des images de haut qualité.
35/ 70
II.4. CONCLUSION
36/ 70
Chapitre III
Application à la reconstruction
d’images en imagerie parallèle
37
III.1. INTRODUCTION
III.1 Introduction
A travers ce chapitre, nous allons présenter une description des résultats obtenus par
différentes approches de reconstruction tellesque la reconstruction SENSE, ESPIRiT et
CS-ESPIRiT (compressed sensing-ESPIRiT) décrites au chapitre II. Nous allons détailler
les étapes par lesquelles nous nous sommes passés pour effectuer une reconstruction ES-
PIRiT. Nous étudierons par la suite les paramètres de performance permettant d’évaluer
la qualité des images reconstruites. Les images reconstruites par la méthode CS-ESPIRiT
sont d’aussi bonne qualité que celles reconstruites par les autres méthodes de reconstruc-
tion. L’évaluation de la qualité des images reconstruite est une étape nécessaire. L’objectif
est de montrer que cette méthode est la mieux adaptée et permet de réaliser des images à
haute résolutions. Pour atteindre ce but, nous avons étudié la qualité des images recons-
truites qualitativement et quantitativement en utilisant le pic de signal sur bruit (PSNR)
et l’erreur quadratique moyenne normalisée (NMSE).
ESPIRIT est une méthode qui utilise le sous-espace de données multi-bobines avec une
région de lignes d’autocalibrations au centre de l’espace k. Une décomposition en valeur
propre de la matrice de calibration est nécessaire. Il s’agit d’une démonstration sur la
façon de générer les cartes ESPIRiT responsable à la reconstruction. L’algorithme de la
Figure III.1 décrit ces étapes de reconstruction. Il est possible de lancer l’exécutable avec
certains paramètres d’entrées : Les données d’espaces k acquises d’un réseau de bobines 8
canaux, un facteur d’accélération R, un nombre de lignes d’autocalibration et un nombre
d’itération. L’algorithme permet l’acquisition des images bobines ; la combinaison entre
ces images forme l’image reconstruite finale, les images reconstruites sont évalué par la
mesure quantitative et qualitative.
38/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
39/ 70
III.3. PARAMÈTRES DE PERFORMANCE
Le rapport signal sur bruit (Peak signal-to-noise ratio), PSNR souvent abrégé, est un
terme d’ingénierie pour le rapport entre la puissance maximale possible d’un signal et la
puissance du bruit corruptrice qui affecte la fidélité de sa représentation. Le PSNR est
généralement exprimée en termes de l’échelle des décibels logarithmique car de nombreux
signaux ont une très large gamme dynamique. Le PSNR est le plus souvent utilisé pour
mesurer la qualité de la reconstruction par rapport à l’image originale. Le signal dans
ce cas est les données d’origine, et le bruit est l’erreur introduite par reconstruction. Le
PSNR est une approximation de la perception humaine de la qualité de la reconstruction.
Bien qu’un PSNR supérieur indique généralement que la reconstruction est de meilleure
qualité, dans certains cas, il ne peut pas. Il faut être extrêmement prudent avec le do-
maine de validité de cette métrique ; il est seulement valide de façon concluante lorsqu’il
est utilisée pour comparer les résultats du même contenu.
Le PSNR est plus facilement définie par l’erreur quadratique moyenne (MSE) :
MSE est définie pour 2 images I et K de taille m × n comme :
m−1 n−1
1 XX
M SE = [I(i, j) − K(i, j)]2 (III.1)
mn i=0 j=0
Où, M AXI (la dynamique du signal) est la valeur de pixel maximale possible de l’image.
Le NMSE (Normalized mean squared error) est défini comme le rapport entre la somme
des carrés de la différence entre les deux images, image référence et image reconstruite, et
la puissance totale de l’image référence calculer par la somme des carrés.
P ref erence
||I (x, y)| − |I recon (x, y)||2
N M SE = P (III.3)
|Iref erence (x, y)|2
Où : I ref erence est un vecteur contenant tous les pixels dans la ROI de l’image de référence
et I recon est le vecteur correspondant de l’image reconstruite. Le dénominateur est un
facteur de normalisation correspondant à l’énergie totale de l’image de référence.
40/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Utiliser des données réelles permet de valider la robustesse des algorithmes. C’est
pourquoi nous avons appliqué les méthodes proposées sur différents types d’images réelles :
Image à champ de vue complet, image à champ de vue réduit et image genou décrites
dans les sous sections suivantes.
Les données d’une image IRM cerveau (Brain Full) pondéré en T1 sont utilisées dans
nos applications. Ces données sont acquise d’un scanner IRM 1, 5 Tesla (GE, Waukesha,
WI) en utilisant une bobine tête 8 canaux, elles représentent une coupe à travers un
volume 3D de séquence spoiled gradient écho (SPGR). Les paramètres utilisées lors de
l’acquiition sont les suivants : T E = 8ms, T R = 17, 6 ms, un champ de vision (FOV) de
20cm × 20cm × 20cm pour une résolution isotrope 1mm3 .
Les données d’une image brain à champ de vue réduit par rapport à l’objet à imagé
(repliée) ont été appliquée à l’entrée de notre algorithme. Elles représentent une coupe
2D de séquence écho de spin. Les données de l’image ont été acquise avec les paramètres
suivants : T R = 550ms, T E = 14ms, taille de la matrice : 320 × 168, épaisseur de coupe :
3mm et un champ de vue (FOV) de 200mm × 150mm inférieur à l’objet imagé dans la
direction d’encodage de phase.
41/ 70
III.5. RÉSULTATS ET DISCUSSIONS
Les méthodes les plus largement disponibles sur les imageurs commerciaux récents
sont la méthode SENSE et la méthode GRAPPA. L’objectif recherché dans ce mémoire
est d’étudier la qualité des images reconstruire par une autre méthode récente et plus dé-
veloppée que ces dernier comme la méthode ESPIRiT. Pour cela, nous avons évaluer les
paramètres de performance cités ci-dessus afin d’étudier l’efficacité de la reconstruction
ESPIRiT et de développée beaucoup plus, des images réelles ont été appliquées à l’entrée
de nos applications. Les méthodes de reconstruction est appliquée sur des images réelles.
Dans notre étude, nous avons proposé d’introduire des données réelles afin d’étudier
leur effet réel sur l’algorithme de reconstruction. Pour cela, nous avons appliqué l’algo-
rithme ESPIRiT sur plusieurs types d’images réelles : une image à champ de vue complet
(brain Full), une image à champ de vue réduit et une image genou décrites ci dessus.
42/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Par exemple :
– Matrice d’acquisition 256 × 256
– Matrice de reconstruction 512 × 512
Le remplissage par des zéros est très utilisé actuellement dans les applications cliniques.
Il permet de réduire le temps d’examen sans perte de résolution ou SNR, depuis ce rem-
plissage qui ne porte pas de bruit. Par conséquent le fond n’est plus affectée [27].
Figure III.3 – Exemples d’image sans et avec interpolation de remplissage de zéro (ZIP).
43/ 70
III.5. RÉSULTATS ET DISCUSSIONS
PSNR=18.0431 dB
NMSE=0.1827
Figure III.5 – Images reconstruites d’un cerveau avec remplissage de zéro. Gauche :
image de référence. Au milieu : Images reconstruites après le remplissage de zéro et à
droite leur différence avec l’image de référence.
44/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Pour reconstruire ces images avec la méthode ESPIRiT, nous avons choisis un sous
échantillonnage selon les deux directions d’encodage de phase (R=2x2=4), un nombre de
lignes d’autocalibration de 20, un facteur de régularisation de 0.01 et un nombre d’itération
de 20 ont été choisis. Comme c’était mentionné en chapitre II, la reconstruction ESPIRiT
nécessite le calcul des cartes de sensibilité à partir de la matrice de calibration et en passant
par une décomposition en valeurs et vecteurs singulières. La Figure III.7 représente les
valeurs propres calculées par la SVD de la matrice de calibration.
La Figure III.8 représente les deux premières cartes des valeurs propres correspondant
aux deux premiers ensembles de cartes de sensibilités portant l’information nécessaire à
la reconstruction.
45/ 70
III.5. RÉSULTATS ET DISCUSSIONS
Figure III.8 – Cartes des valeurs propres des données d’autocalibration utilisant la SVD.
46/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Lors de la reconstruction de nos images nous avons passé par une méthode d’optimi-
sation itérative simple et plus connu, c’est la méthode POCS (Projection Onto Convex
Set). Elle est très efficace et elle permet d’avoir des résultats de reconstruction à partir
des données de trajectoire arbitraire.
Dans cette partie, nous allons passer par un calcul d’erreur entre l’image reconstruite
par un remplissage de zéro et l’image référence. Ce calcul sera comparé aux erreurs cal-
culés entre l’image reconstruite par la méthode ESPIRiT utilisant un seul ensemble de
cartes de sensibilité et l’image initiale.
Pour vérifier l’efficacité de la méthode ESPIRiT, différents tests ont été réalisés sur
nos données. La qualité de l’image reconstruite a été évaluée par la mesure de certains
paramètres de performance comme le NMSE et le PSNR. Dans ces testes, nous avons basé
aussi sur l’aspect visuel.
47/ 70
III.5. RÉSULTATS ET DISCUSSIONS
PSNR=30.3779 dB
NMSE=0.0039
Figure III.13 – Images reconstruites d’un cerveau avec la méthode ESPIRiT avec régula-
risation. Gauche : image de référence. Au milieu : Images reconstruites dépend du facteur
d’accélération R=2x2 et à droite leur différence avec l’image de référence. .
Les résultats d’une évaluation qualitative et quantitative et l’erreur entre l’image recons-
truite et l’image référence montrent que la qualité d’image reconstruite par la méthode
ESPIRiT est beaucoup plus améliorée. Le NMSE est très réduit avec un PSNR acceptable.
Les résultats montrent aussi que la méthode itérative ESPIRiT est très efficace et
donne des images de très bonne qualité comparant au remplissage de zéros.
L’efficacité de notre implémentation proposée prouve le bon accord de notre modèle de
formation d’image.
La Figure III.14 représente les images bobines obtenues à partir des données d’espaces k
de cette image repliée.
48/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Comme nous l’avons signalé, la reconstruction ESPIRiT nécessite des cartes de sensi-
bilité calculées à partir de la matrice de calibration. La Figure III.15 représente les cartes
de sensibilités obtenues en utilisant un sous échantillonnage uniforme R=2x2.
Figure III.15 – Influence du FOV réduit sur la carte de sensibilités obtenue à partir
d’une matrice de calibration. Carte de sensibilité pour une image à FOV réduit utilisant
un sous échantillonnage 2D.
49/ 70
III.5. RÉSULTATS ET DISCUSSIONS
PSNR=45.6638 dB
NMSE=0.0956
Figure III.16 – Images reconstruites de sujet réel (image repliée) par la méthode SENSE
avec régularisation. Gauche : Données initiales. Au centre : Images reconstruites dépend
du facteur d’accélération R=4 et à droite leur différence avec les données initiales.
Les résultats montrent que la qualité de l’image reconstruite est moins bonne parra-
port à celle utilisant un champ de vue complet (brain Full).
La Figure III.17 représente l’image reconstruite par la méthode ESPIRiT. Une éva-
luation qualitative et quantitative en utilisant un sous échantillonnage 2D (R = 2 × 2) à
été établie.
PSNR=45.6638 dB
NMSE=0.0998
Figure III.17 – Images reconstruites de sujet réel (image repliée) par la méthode ESPIRiT
avec régularisation. Gauche : Données initiales. Au centre : Images reconstruites dépend
du facteur d’accélération R=4 et à droite leur différence avec les données initiales.
50/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Figure III.18 – Qualité des images reconstruites de sujet réel avec les deux méthodes
de reconstruction. De gauche à droite : Image reconstruite avec SENSE ; Reconstruction
ESPIRiT.
Le tableau compare les resultats quantitatives obtenues par les deux méthodes de
reconstruction. Les paramètres ( PSNR et NMSE ) calculés présente presque les même
résultats ; ce qui indique que ces paramètres ne fonctionnent pas correctement à ce niveau.
Les résultats quantitatifs et qualitatifs montrent que la méthode itérative ESPIRiT est
très efficace et donne des images de très bonne qualité comparant aux méthodes SENSE.
51/ 70
III.5. RÉSULTATS ET DISCUSSIONS
La Figure III.19 gauche représente nos données d’espace k en passant par un sous
échantillonnage variable densité poisson disque. L’image obtenue par ces données est re-
présenté par la même figure à droite. Cette image représente un genou d’un être humain.
52/ 70
CHAPITRE III. APPLICATION À LA RECONSTRUCTION D’IMAGES EN
IMAGERIE PARALLÈLE
Nous avons remarqués visuellement que la qualité de l’image reconstruite est beaucoup
plus amélioré.
Pour vérifier l’éfficacité de cette méthode nous avons essayé de comparé ce résultat
avec le résultat donnée par une image reconstruite par une companssation de densité.
La Figure III.21 illustre une comparaison entre les images reconstruites par les deux mé-
thodes.
Les résultats montre visuellement que la qualité de l’image reconstruite par une com-
penssation de densité s’améliore comparant à l’image obtenue directement en passant par
un sous-échantillonnage aléatoire (Figure III.19 droite). Les résultats montrent aussi que
la qualité de l’image reconstruite par la méthode L1-ESPIRiT donne une haute qualité
d’image comparant a celle utilisant une compenssation.
La Figure III.22 illustre une comparaison entre l’image reconstruite par la méthode
L1-ESPIRiT et l’image obtenue à partir d’un sous-échantillonnage aléatoire. La différence
entre les deux images représenté à droite de la figure est importantes visuellement indi-
quant que la qualité d’image reconstruite par la méthode L1-ESPIRiT est beaucoup plus
meilleur que celle obtenue directement d’un sous-échantillonnage.
53/ 70
III.6. CONCLUSION
Figure III.22 – Images reconstruites d’un genou avec la méthode L1-ESPIRiT. Gauche :
image de référence. Au milieu : Images reconstruites dépend du facteur d’accélération
R=2x2 et à droite leur différence avec l’image de référence.
Les résultats montrent que la qualité de l’image reconstruite par la méthode L1-
ESPIRiT est meilleure comparant à celle reconstruite par la méthode ESPIRiT.
Et montrent aussi que la reconstruction utilisant un sous échantillonnage aléatoire est
meilleure que la reconstruction utilisant un sous échantillonnage uniforme.
III.6 Conclusion
54/ 70
Chapitre IV
55
IV.1. INTRODUCTION
IV.1 Introduction
Dans le but de faciliter l’exécution des applications, et aussi pour rehausser la qualité
de notre travail nous avons essayé de regrouper toutes les applications dans une interface
réalisée sous Matlab R2015b avec le guide. Cette interface nous permet de traiter le
problème de reconstruction. Nous chargeons les données d’images ou les signaux provenant
de l’appareil IRM.Pour passer à l’étape de reconstruction utilisées dans ce mémoire.
Le guide est un outil graphique, le placement des objets est réalisé par sélection dans
la boite à outil, mise en place et mise à dimension à l’aide de la souris. Un double-clic
sur chaque objet permet de faire apparaître un menu avec les propriétés de cet objet.
Leur modification et l’aperçu de ces modifications sont immédiats. Au final, le code est
généré automatiquement et l’interface est enregistrée sous deux fichiers portant le même
nom mais dont les deux extensions sont .fig et .m. Le premier contient la définition des
objets graphiques. Le second contient les lignes de code qui assurent le fonctionnement
de l’interface graphique.
Le logiciel doit permettre de visualiser les images reconstruites ainsi que les résultats
issus des principales étapes des méthodes de reconstruction, afin de permettre à l’utilisa-
teur d’en vérifier le déroulement. En effet, le domaine médical impose que tout algorithme
soit effectué sous le contrôle humain.
56/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
57/ 70
IV.3. PRÉSENTATION DU SIMULATEUR
Le simulateur (Figure IV.2) est conçu autour d’une interface utilitaire graphique per-
mettant la reconstruction d’images à partir de différentes méthodes de reconstruction
parallèle choisies par l’utilisateur.
Cette interface est développée autour du logiciel Matlab en utilisant l’interface Guide.
Nous décrivons par la suite les différentes parties élémentaires de l’interface graphique
réalisée et nous présentons le rôle de chaque partie ainsi que les résultats de chaque mé-
thode.
La page d’accueil représentée par la Figure IV.3 permet d’accéder aux différentes méthodes
de reconstruction telles que le remplissage de zéro, SENSE, ESPIRiT et L1-ESPIRiT. Les
sous menus qui se trouvent dans la menu ’reconstruction’ permettent de simuler les dif-
férentes méthodes de reconstruction en utilisant des images réelles tout en étudiant leurs
qualités.
58/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
• Barre de menu
• Barre de sous menu
La barre de menu est une association d’un texte et d’un icône. Il comporte :
1. Reconstruction, 2. Comparaison, 3. Présentation, 4. EXIT. Comme montre la Figure
IV.4.
59/ 70
IV.4. PRÉSENTATION D’ENTRÉES ET DE SORTIES DE L’INTERFACE
La barre de sous menu est un élément d’interface graphique, rectangulaire, dans lequel
est présentée une liste de commandes (Figure IV.7).
La barre contient des options par exemple ouvrir un fichier, sauvegardé une image, zoom
avant et arrière et rotation.
Notre interface graphique consiste a réalisé des images IRM selon différentes méthodes
de reconstruction étudiées auparavant.
L’interface permet de sélectionner les paramètres d’entrées. Elle permet ensuite d’éxecu-
tée la méthode de reconstruction désirée.
60/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
• Facteur d’accélération.
• La taille du noyau.
• Le nombre d’itération.
• Le seuil.
L’utilisateur peut fournir ces paramètres en entrée et l’interface graphique permet par la
suite de visualiser :
Dans cette section, nous avons passé par différentes exemples permettant de recons-
truire des images à partir de différentes méthode et ceci, en utilisant notre logiciel déve-
loppé. Le but de ces applications est d’assurer le bon fonctionnement de notre logiciel.
61/ 70
IV.5. UTILISATION DE L’APPLICATION
Figure IV.8 – Exemple d’une image reconstruite par remplissage de zéro à partir des
données du cerveau.
IV.5.2 L2-ESPIRiT
La Figure IV.9 représente un exemple d’une image reconstruite à partir des données
d’un cerveau par la méthode L2-ESPIRiT.
Figure IV.9 – Image reconstruite par la méthode L2-ESPIRiT à partir des données du
cerveau.
62/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
IV.5.3 L1-ESPIRiT
La Figure IV.10 représente le chemain choisi pour reconstruire une image par la mé-
thode L1-ESPIRiT.
La Figure IV.11 représente une image reconstruite par la méthode L1-ESPIRiT à partir
des données d’un genou.
Figure IV.11 – Image reconstruite par la méthode L1-ESPIRiT à partir des données
d’un genou.
Notre logiciel nous permet aussi de sélectionner les données d’une coupe d’espace k à
partir d’un ensemble de coupes d’espace k en 3D (Figure IV.12). Les images bobines pour
chaque coupe peuvent être aussi afficher ( voir Figure IV.13).
63/ 70
IV.5. UTILISATION DE L’APPLICATION
64/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
Figure IV.14 – Comparaison entre les images reconstruites à partir des données genou
par les deux méthodes de reconstruction.
La Figure IV.15 représente une comparaison entre les images reconstruites à partir des
données cerveau par les deux méthodes de reconstruction : ESPIRiT et SENSE.
65/ 70
IV.6. CONCLUSION
En passant par un zoom (qui se trouve dans la barre à outil du sous menu), la Figure
IV.16 montre clairement les artéfacts qui se trouvent au centre de l’image reconstruite
par la méthode SENSE.
Figure IV.16 – Comparaison entre les images reconstruites par les méthodes ESPIRiT
et SENSE en utlisant un zoom.
IV.6 Conclusion
66/ 70
CHAPITRE IV. DÉVELOPPEMENT D’UN LOGICIEL ADAPTATIF APPLIQUÉ À
L’IMAGERIE PARALLÈLE
Conclusion
L’ imagerie par résonance magnétique parallèle (IRMp) est une technique d’image-
rie médicale sur laquelle se basent plusieurs applications médicales. Malheureusement la
production d’images directement compréhensibles et interprétables par le médecin n’est
pas facile et nécessite des traitement spécifiques et délicats. Ceci motive énormément les
traiteurs d’images pour trouver des solutions fiables aux problèmes de reconstruction des
images.
67/ 70
IV.6. CONCLUSION
68/ 70
Bibliographie
69
BIBLIOGRAPHIE
[14] Uecker, M., Lai, P., Murphy, M. J., Virtue, P., Elad, M., Pauly, J. M., Vasanawala,
S. S. and Lustig, M. « ESPIRiT : an eigenvalue approach to autocalibrating parallel
MRI»,2013. http ://onlinelibrary.wiley.com/doi/10.1002/mrm.24751/abstract
[15] A.Iles.A.Bessaid, « Quality of SENSE and GRAPPA Reconstructions in Parallel
Imaging and Health Informatics, Vgingol.3»,1-7.2013.
[16] Lustig M, Pauly JM. SPIRiT «Iterative self-consistent parallel imaging reconstruc-
tion from arbitrary k-space. » Magn Reson Med 2010 ; 64 :457-471
[17] Qu P, Wang C, Shen GX. « Discrepancy-based adaptive regularization for GRAPPA
reconstruction. » J MagnReson Imaging, 2006 ; 24 :248-255.
[18] Liu W, Tang X, Ma Y, Gao JH. «Improved parallel MR imaging using a coecient
penalized regularization for GRAPPA reconstruction. »MagnReson Med 2012 ; .doi :
10.1002/mrm.24344.
[19] Zhang J, liu C, Mosley ME. « Parallel reconstruction using null opération ». Magn
Reson Med 2011 ;66 :1241-1253.
[20] Uecher M. « Nonlinear Reconstruction Methods for Parallel Maggnetic Resonance»
Ima-ging. PhD thesis, Georg-August-Universit at Geottingen, 2009
[21] R. G. Lane. «Methods for maximum-likelihood deconvolution », J. Opt. Soc. Am.
A,13((10) : 1992-1998, 1996
[22] Griswold M, Walsh D, Heidemann R, Haase A, Jakob P. «The use of an adap-
tive reconstruction for array coil sensitivity mapping and intensity normalization. »
In :Proceedings of the 10th Annual Meeting of the ISMRM, Honolulu, Hawaii, 2002.
p.2410.
[23] Holtz, Olga V. «An Introduction to Compressive Sensing. »Stanford : s.n., 2009
[24] Baraniuk, R.G., «Compressive Sensing [Lecture Notes] », Signal Processing Maga-
zine,IEEE, vol.24, no.4, pp.118,121, July 2007
[25] E. J. Cand‘es and T. Tao. Near-optimal signal recovery from random projections :
Universal encoding strategies, IEEE Trans. Inform. Theory, 52(12) :5406–25, Dec.
2006.
[26] M. Lustig, D. Donoho, and J. M. Pauly. «Sparse MRI : The application of compressed
sensing for rapid MR imaging.» Magn. Reson. Med., 58(6) :1182–195. 2007
[27] McRobbie DW. Mri from Picture to Proton. (2003) ISBN :0521523192. Read it at
Google Books - Find it at Amazon
70/ 70