Intelligence artificielle

Quand l’apprentissage machine accélère l’acquisition en IRM

Le machine learning pourrait permettre de réduire la durée des acquisitions en IRM de façon plus efficace que les technologies d’imagerie parallèle et de compressed sensing, à condition de bien définir ses limites.

icon réservé aux abonnésArticle réservé aux abonnés
Le 26/04/22 à 16:00, mise à jour le 11/09/23 à 13:23 Lecture 5 min.

Comparé à l’imagerie parallèle combinée au compressed sensing, « l’apprentissage machine fait un bon travail pour retirer les artefacts tout en préservant les caractéristiques de l’image », se félicite Florian Knoll. capture d'écran RSNA 2021

Lors d’une session du RSNA 2021 consacrée aux innovations en IRM, Florian Knoll, chef du service d’intelligence artificielle en imagerie de l’université Friedrich-Alexander Erlangen-Nürnberg, en Allemagne, a dressé un état des lieux des enjeux et du potentiel de l’intelligence artificielle et de l’apprentissage machine dans le domaine de l’accélération des acquisitions. « La durée d’examen pose des problèmes de confort et de coopération des patients et fait de l’IRM une modalité coûteuse, a-t-il rappelé en préambule. Nous sommes confrontés à des artefacts de mouvement et, par exemple quand nous réalisons des images dynamiques en imagerie cardiaque, il n’est pas toujours possible de faire durer l’examen. »

Plus vite sans artefacts

Une façon simple d’accélérer l’acquisition est de réduire le nombre de lignes de données dans l’espace K, grâce aux technologies d’imagerie parallèle et de compressed sensing. Problème : cette approche produit des artefacts sur les images reconstruites. Dans une

Il vous reste 86% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

OFFRE DÉCOUVERTE

11€

pendant 1 mois
puis 23 €/mois

S’abonner à Docteur Imago

Auteurs

Jérome Hoff

Rédacteur en chef adjoint

Voir la fiche de l’auteur

Bibliographie

  1. Hammernik K., Klatzer T., Kobler E. et coll., « Learning a variational network for reconstruction of accelerated MRI data », Magnetic Resonance in Medicine, juin 2018, vol. 79, n° 6, p. 3055-3071. DOI : https://doi.org/10.1002/mrm.26977
  2. Knoll F., Murrell T., Sriram A. et coll., « Advancing machine learning for MR image reconstruction with an open competition: overview of the 2019 fastMRI challenge », Magnetic Resonance in Medicine, décembre 2020, vol. 84, n° 6, p. 3054-3070. DOI : https://doi.org/10.1002/mrm.28338.

Mots-clés

apprentissage machine

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

03 Mai

16:30

Un modèle d’IA entraîné à l’aide de radiographies à fente debout dans un ensemble de données de patients pédiatriques a permis une prédiction plus précise de la croissance osseuse pédiatrique, utilisées dans l’imagerie par rayons X pour surveiller la scoliose, selon une étude publiée dans Radiology.

15:00

13:00

L’analyse de l'imagerie au scanner volumétrique est prometteuse pour déterminer la fonction pulmonaire pré et postopératoire chez les patients atteints d’un cancer du poumon subissant une lobectomie pulmonaire, et permet de prédire l’apparition de complications postopératoires, indique une étude.

7:30

Une étude publiée dans European Journal of Radiology démontre que le dépistage supplémentaire par IRM mammaire permet de détecter des cancers du sein précoces, qui pourraient être manqués à la mammographie, notamment chez les femmes aux seins denses.

7:00

02 Mai

16:01

Selon une étude pilote de dépistage du cancer du poumon menée dans l'Ontario (Canada) sur 4451 participants, l'adhésion annuelle était élevée (> 85 %), tandis que le taux de détection d'un cancer était de 2,4 % – parmi lesquels 79,2 % de cancers de stade précoce (étude ici).
✕
Docteur Imago

GRATUIT
VOIR