Description

Dans cette thèse, l’approche SPARKLING sera étendue à l’imagerie T1-MPRAGE, avec pour objectif d’accélérer les acquisitions d’un facteur 10 à 15, permettant des acquisitions isotropes de 1 mm de résolution sous la minute. Pour des extensions à la séquence MP2RAGE, impliquant des échantillonnages redondants à différents temps d'inversion (TI), nous proposons un nouveau schéma de sous-échantillonnage entrelacé et une reconstruction correspondante, minimisant ainsi la redondance entre les différentes trajectoires d’acquisition et maximisant l'efficacité du processus d'acquisition. En pratique, l’innovation est liée à une extension 3D+temps de l'algorithme SPARKLING, origine, quiproduit des motifs d’acquisition complémentaires pouvant être combinés grâce au schéma de reconstruction 4D proposé. Enfin, la thèse se concentrera également sur la caractérisation du profil de bruit dans l’espace k pour les acquisitions non-cartésiennes et son effet sur la résolution des images IRM reconstruites. Cela nous aidera à construire des trajectoires d'échantillonnage optimisées pour le rapport signal/bruit, qui seront validées par rapport aux protocoles de pointe utilisés en clinique (comme MP2RAGE) à des intensités de champ allant de 3T à 11,7T. La comparaison de tous les schémas d’acquisition sera effectuée à l’aide de métriques quantitatives ainsi que d'évaluations radiologiques qualitatives, en collaboration avec des radiologues de NeuroSpin et de l'hôpital AP-HP Henri Mondor.

Compétences requises

Nous recherchons des candidats motivés par des sujets de recherche stimulants en neurosciences et en IRM. Les candidats doivent être titulaires d'un master d'une université de premier plan en imagerie biomédicale, IA/ML ou informatique/science des données. Une solide expérience en optimisation est attendue ; des connaissances préliminaires en physique de l'IRM seraient un plus. La maîtrise de la programmation logicielle, notamment en Python et PyTorch, est indispensable.

Bibliographie

[1] C. Lazarus et al, “SPARKLING: variable-density k-space filling curves for accelerated T2*-weighted MRI,” MRM, vol. 81, no. 6, pp. 3643–3661, 2019.
[2] G. R. Chaithya et al “Optimizing full 3D SPARKLING trajectories for high-resolution Magnetic Resonance imaging,” IEEE TMI, Mar. 2022.
[3] J. P. Mugler et al“Rapid three-dimensional T1-weighted MR imaging with the MP-RAGE sequence,” jMRI, vol. 1, no. 5, pp. 561–567, Sep. 1991.
[4] J. P. Marques, et al “MP2RAGE” NeuroImage, vol. 49, no. 2, pp. 1271–1281, Jan. 2010.
[5] E. Mussard, et al“Accelerated MP2RAGE imaging using cartesian phyllotaxis readout and compressed sensing reconstruction,” MRM, vol. 84, no. 4, pp. 1881–1894, Mar. 2020.
[6] D. Polak, et al “Wave-CAIPI,” MRM, vol. 79, no. 1, pp. 401–406, Feb. 2017.
[7] G. R. Chaithya, et al “Improving SPARKLING trajectories through MORE and GoLF,” in MRM 2022
[8] M. A. Griswold et al, “GRAPPA,” MRM., vol. 47, no. 6, pp. 1202–1210, 2002.
[9] R. Souza, et al “An open, multi-vendor, multi-field-strength brain MR dataset and analysis of publicly available skull stripping methods agreement,” NeuroImage, vol. 170, pp. 482–494, 2018.
[10] G. R. Chaithya et al, “Jointly learning Non-Cartesian k-space trajectories and reconstruction networks for 2D and 3D MR imaging through projection,” in Special issue on AI in MRI.

Mots clés

Imagerie médicale, Acquisitions accélérées, IRM