Des examens IRM dix fois plus rapides avec le deep learning

Le deep learning intéresse les développeurs d’algorithmes indispensables dans la reconstruction d’images obtenues par résonance magnétique. En 2020, une équipe du CEA s’est illustrée dans ce domaine.

En matière d’imagerie par résonance magnétique (IRM), réduire le temps d’examen tout en conservant une excellente qualité des images relève de la gageure. Une équipe de chercheurs du CEA (Commissariat à l’énergie atomique et aux énergies alternatives) a relevé ce défi en se classant en 2020 deuxième du concours international Brain fastMRI 2020 Challenge. Il s’agit d’un projet de recherche collaboratif entre Facebook AI Research (FAIR) et NYU Langone Health visant à étudier l’utilisation de l’intelligence artificielle (IA) pour rendre les examens IRM jusqu’à dix fois plus rapides.

L’intérêt de notre méthode est d’être bien plus performante que les algorithmes classiques lorsque les données sont lacunaires.

“Au sein du NeuroSpin [NeuroSpin : centre de neuro-imagerie cérébrale par IRM en champ intense de l’Institut des sciences du vivant Frédéric Joliot du Centre d’études CEA Paris-Saclay], mon travail consiste d’une part à développer des méthodes d’acquisition accélérée d’images IRM, et d’autre part à améliorer le processus de reconstruction d’images à partir des données brutes collectées par le scanner IRM. C’est dans ce domaine précisément qu’intervenaient nos travaux soumis au Brain fastMRI 2020 Challenge”, explique Philippe Ciuciu, directeur de recherche CEA à NeuroSpin et co-responsable de l’unité mixte de recherche Inria-CEA MIND [MIND : Models and Inference for Neuroimaging Data https://team.inria.fr/mind/].

En compétition face à dix-huit autres équipes de chercheurs, celle du CEA a présenté une nouvelle méthode d’intelligence artificielle basée sur des réseaux de neurones. “Notre modèle part des données brutes et alterne itérativement les étapes d’amélioration dans l’espace image et de compatibilité avec les données initiales. C’est ce qu’on appelle un système déroulé de réseaux de neurones”, précise Philippe Ciuciu. “Nous avons ajouté à cela un processus de mémoire entre les différentes itérations et de toutes les étapes, celles-ci améliorant considérablement la qualité image et le temps de reconstruction.”

Une technologie plus performante

La technologie de l’équipe du CEA a été classée troisième lors de la première étape de sélection du concours qui mesurait la qualité image (similarité en structure et rapport signal/bruit) par rapport à des données de référence. Les travaux des trois finalistes ont ensuite été soumis à l’analyse en double aveugle d’un groupe de six neuroradiologues. Aux termes de cette ultime étape, les chercheurs français se sont hissés en deuxième position.

“Les réseaux de neurones artificiels permettent de reconstituer des images d’une qualité similaire à celles obtenues à partir de jeux de données complets mais en ne partant que d’une faible fraction de ces données. L’intérêt donc de notre méthode est d’être bien plus performante que les algorithmes classiques lorsque les données sont lacunaires, en l’occurrence quand on a accès à seulement un huitième au lieu d’un quart d’entre elles”, souligne Philippe Ciuciu.

“Cet avantage notable permet un gain de temps considérable, car le temps d’acquisition est directement proportionnel à la quantité de données acquises. Par ailleurs, pour une coupe 2D, notre réseau de neurones ne requiert qu’un dixième de seconde pour la reconstitution d’une image au lieu d’une seconde pour les algorithmes classiques, et notre architecture d’IA est déployable à la fois sur une IRM à 7 Tesla [Tesla : unité de mesure des champs magnétiques] et sur les systèmes à 3 Tesla actuellement utilisés en milieu hospitalier.”

Des bénéfices pour les patients et les établissements de santé

L’apport du deep learning en matière de réduction du temps d’acquisition d’images sans contraindre leur qualité laisse entrevoir de nombreux bénéfices tant pour les patients que pour les établissements de santé.

La possibilité de passer moins de temps dans les machines IRM pour réaliser un examen offre un confort non négligeable. La qualité des images s’en trouve également améliorée puisque les artefacts dus aux mouvements du patient pendant l’examen sont de ce fait réduits. La réduction du temps d’examen pour chaque patient permet enfin d’accroître le nombre de prises en charge chaque jour à l’hôpital.

Depuis sa présentation en 2020 au Brain fastMRI Challenge, la technologie développée par l’équipe du CEA n’a cessé de se perfectionner. “Nous avons étendu notre architecture de réseaux de neurones pour couvrir des scénarios d’acquisition plus ambitieux donc plus complexes, soit en imagerie 3D (gain en résolution), soit en imagerie non cartésienne (examens plus courts), en offrant une meilleure correction des artefacts”, détaille Philippe Ciuciu.

Le chercheur a également soumis en avril dernier un dossier ERC Advanced (Conseil européen de la recherche), doté d’un financement de 3 millions d’euros sur cinq ans, afin de développer le système du CEA dans le cadre de la prise en charge et d’un diagnostic plus précoce et mieux différencié de personnes atteintes de la maladie de Parkinson.

“Par ailleurs, dans une démarche de pratique clinique, l’Institut du cerveau nous a inclus dans le montage d’un réseau hospitalo-universitaire destiné à démontrer l’efficacité de l’IRM à 7 Tesla dans la prise en charge sur des pathologies comme la maladie de Parkinson, l’épilepsie et les tumeurs cérébrales.” Les décisions de financement pour l’ERC et l’Institut du cerveau devraient tomber respectivement en mars et septembre 2023.

Sources :

https://www.cea.fr/presse/Pages/actualites-communiques/sante-sciences-du-vivant/innovations-technologiques-IRM.aspx
https://fastmri.org/

A lire aussi sur Hello Future

GettyImages - attaques IA nettoyage données - attacks AI cleaning data

Attaques sur les IA : le nettoyage des données devient un enjeu de cybersécurité

Découvrir
GettyImages - IA santé - AI health

Santé : les algorithmes prêts à prendre des décisions à la place des médecins ?

Découvrir
GettyImages - IA et recherche pharmaceutique - AI and pharmaceutical research

L’IA générative aide à designer les molécules éligibles à une application pharmaceutique

Découvrir
Deux développeurs regardent du code sur un écran

L’AutoML est-il la clé de la démocratisation de l’apprentissage automatique ?

Découvrir

IA : BigScience apporte transparence et variété aux modèles de langue de grande taille

Découvrir
Arbres

Anticiper les maladies dans les oliveraies grâce à l’IA

Découvrir
Une femme parle à son smartphone

Toujours plus de neurones dans la reconnaissance de la parole

Découvrir
Un homme équipé d’un casque analyse le son d’une voix sur son ordinateur.

Quand l’IA connaît votre état de santé grâce au son de votre voix

Découvrir