| Diffusion MRI processing for multi-comportment characterization of brain pathology (Caractérisation de pathologies cérébrales par l’analyse de modèles multi-compartiment en IRM de diffusion) Hédouin, Renaud - (2017-06-12) / Universite de Rennes 1 Diffusion MRI processing for multi-comportment characterization of brain pathology
| |||
Langue : Anglais Directeur(s) de thèse: Barillot, Christian; Commowick, Olivier Discipline : Traitement du signal et télécommunications Laboratoire : VisAGeS Ecole Doctorale : MATISSE Classification : Sciences de l'ingénieur Mots-clés : IRM de diffusion, Recalage, Block-Matching, Modèles multi-compartiment, Neuroscience
| |||
Résumé : L'imagerie pondérée en diffusion est un type d'acquisition IRM spécifique basé sur la direction de diffusion des molécules d'eau dans le cerveau. Cela permet, au moyen de plusieurs acquisitions, de modéliser la microstructure du cerveau, comme la matière blanche qui à une taille très inférieur à la résolution du voxel. L'obtention d'un grand nombre d'images nécessite, pour un usage clinique, des techniques d'acquisition ultra rapide tel que l'imagerie parallèle. Malheureusement, ces images sont entachées de large distorsions. Nous proposons une méthode de recalage par blocs basée sur l'acquisition d'images avec des directions de phase d'encodage opposées. Cette technique spécialement conçue pour des images écho planaires, mais qui peut être générique, corrige les images de façon robuste tout en fournissant un champs de déformation. Cette transformation est applicable à une série entière d'image de diffusion à partir d'une seule image b 0 renversée, ce qui permet de faire de la correction de distorsion avec un temps d'acquisition supplémentaire minimal. Cet algorithme de recalage, qui a été validé à la fois sur des données synthétiques et cliniques, est disponible avec notre programme de traitement d'images Anima. A partir de ces images de diffusion, nous sommes capable de construire des modèles de diffusion multi-compartiment qui représentent la microstructure complexe du cerveau. Pour pouvoir produire des analyses statistiques sur ces modèles, nous devons être capable de faire du recalage, du moyennage, ou encore de créer un atlas d'images. Nous proposons une méthode générale pour interpoler des modèles multi-compartiment comme un problème de simplification basé sur le partitionnement spectral. Cette technique qui est adaptable pour n'importe quel modèle, a été validé à la fois sur des données synthétiques et réelles. Ensuite à partir d'une base de données recalée, nous faisons des analyses statistiques en extrayant des paramètres au niveau du voxel. Une tractographie, spécifiquement conçue pour les modèles multi-compartiment, est aussi utilisée pour faire des analyses en suivant les fibres de matière blanche. Ces outils sont conçus et appliqués à des données réelles pour contribuer à la recherche de biomarqueurs pour les pathologies cérébrales. Abstract : Diffusion weighted imaging (DWI) is a specific type of MRI acquisition based on the direction of diffusion of the brain water molecule. Its allow, through several acquisitions, to model brain microstructure, as white matter, which are significantly smaller than the voxel-resolution. To acquire a large number of images in a clinical use, very-fast acquisition technique are required as single-shot imaging, however these acquisitions suffer local large distortions. We propose a Block-Matching registration method based on a the acquisition of images with opposite phase-encoding directions (PED). This technique specially designs for Echo-Planar Images (EPI), but which could be generic, robustly correct images and provide a deformation field. This field is applicable to an entire DWI series from only one reversed b 0 allowing distortion correction with a minimal time acquisition cost. This registration algorithm has been validated both on a phantom data set and on in-vivo data and is available in our source medical image processing toolbox Anima. From these diffusion images, we are able to construct multi-compartments models (MCM) which could represented complex brain microstructure. We need to do registration, average, create atlas on these MCM to be able to make studies and produce statistic analysis. We propose a general method to interpolate MCM as a simplification problem based on spectral clustering. This technique, which is adaptable for any MCM, has been validated for both synthetic and real data. Then, from a registered dataset, we made analysis at a voxel-level doing statistic on MCM parameters. Specifically design tractography can also be perform to make analysis, following tracks, based on individual compartment. All these tools are designed and used on real data and contribute to the search of biomakers for brain diseases. | |||