Synthèse de diffusion sur variété riemannienne à partir d’imagerie structurelle en haute-résolution

Résumé

Les contraintes physiques et cliniques entourant l’imagerie pondérée en diffusion (DWI) limitent souvent la résolution spatiale des images produites à des voxels jusqu’à 8 fois plus grands que ceux des images T1w. Ainsi, les informations détaillées contenues dans les images T1w pourraient aider à la synthèse d’images de diffusion à plus haute résolution. Cependant, la nature non euclidienne de l’imagerie de diffusion empêche les modèles génératifs profonds actuels de synthétiser des images physiquement plausibles. Par conséquent, est-il possible de développer un réseau de neurones profonds exploitant la géométrie du cerveau, codée dans les images structurelles en haute résolution, pour générer des images de diffusion valides au même niveau de détail ? Pour y répondre, nous développons deux objectifs : 1) la synthèse d’images de diffusion à partir d’images structurelles et 2) la super-résolution d’images de diffusion. Nous proposons donc la première architecture de réseau de neurones riemannien pour la génération directe de tenseurs de diffusion (DT) et de fonctions de distribution d’orientation de diffusion (dODF) à partir d’images T1w haute-résolution. L’intégration de la métrique log-euclidienne dans un objectif d’apprentissage garantit, contrairement aux réseaux euclidiens standards, la synthèse mathématiquement valide de la diffusion. De plus, notre approche améliore l’erreur quadratique moyenne de l’anisotropie fractionnelle (FA MSE) entre la diffusion synthétisée et réelle de plus de 23% et la similarité cosinus entre les directions principales de près de 5% par rapport aux méthodes comparées. La diffusion générée est validée en comparant les tractogrammes résultants à des données réelles attendues. La méthode proposée produit des faisceaux de fibres similaires aux données réelles avec des streamlines ayant moins de 3% de différence de longueur, moins de 1% de différence de volume et une apparence visuellement similaire. Bien que l’approche présentée dans ce mémoire soit capable de générer des images de diffusion en haute-résolution à partir d’entrées structurelles en moins de 15 secondes, les limites de l’inférence de la diffusion en s’appuyant uniquement sur des images T1w sont discutées. Les résultats suggèrent néanmoins une relation entre la géométrie de haut niveau du cerveau et l’architecture globale de la matière blanche.

Date	10 janv. 2022
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Hervé Lombaert (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))