Encadrants : Aurélien DE TURENNE, Duong Hung PHAM, Denis KOUAME
Mots clés : Traitement d’image, débruitage, super-résolution, apprentissage automatique.
Contexte : Le coeur est un organe vital qui pompe le sang dans tout le corps. Il est composé de plusieurs parties, notamment les ventricules, qui expulsent le sang, et l’aorte, qui est la principale artère transportant le sang riche en oxygène du coeur vers le reste du corps. Une dissection aortique est une urgence médicale grave où la paroi interne de l’aorte se déchire. Cette déchirure crée un espace entre les couches de la paroi de l’aorte, formant deux chenaux : un « vrai chenal, » où le sang circule normalement, et un « faux chenal, » où le sang s’infiltre à travers la déchirure. Les dissections aortiques sont classées en deux types principaux :
- Type A : qui implique l’aorte ascendante, située près du coeur. Ce type est souvent plus grave et nécessite généralement une intervention chirurgicale immédiate.
- Type B : qui concerne l’aorte descendante, située plus loin du coeur. Ce type peut parfois être traité par des médicaments, mais une chirurgie devient nécessaire dans certains cas pour prévenir une rupture potentiellement fatale. Nous nous intéressons à la dissection aortique de type B, caractérisée par un faux chenal dans l’aorte descendante, et qui nécessite parfois une chirurgie pour prévenir une rupture. Cependant, cette intervention chirurgicale comporte des risques et les décisions actuelles basées sur le diamètre aortique sont insuffisantes [1]. L’IRM de flux 4D, via des biomarqueurs hémodynamiques (pression artérielle, vitesse flux sanguin, etc.), pourrait améliorer la prédiction de rupture et donc l’indication de chirurgie [2], mais sa faible résolution et SNR limitent son potentiel, notamment pour identifier le faux chenal. Le but est de proposer des méthodes de débruitage et de super-résolution pour l’IRM de flux 4D.
Objectifs : Plus concrètement, la personne recrutée sera amenée à
- Faire un état de l’art et se familiariser avec les méthodes de débruitage et de super-résolution, plus particulièrement avec les papiers [3], [4].
- Evaluer les méthodes déjà développées à l’IRIT sur la super-résolution et le débruitage dans le cadre de l’IRM de flux 4D. On commencera par se familiariser avec les approches 2D, puis travailler sur un volume 3D issue de l’IRM de flux 4D. Enfin on cherchera à améliorer les méthodes pour l’application visée (par exemple en considèrent conjointement les 3 volumes x, y et z de l’IRM de flux à un temps donné).
- Evaluer les nouvelles méthodes développées puis évaluer leur impact sur l’extraction de biomarqueurs (conjointement avec le LTSI à Rennes).
Compétences requises : Programmation en python, Traitement des images et/ou du signal, machine learning et/ou deep learning (Pytorch), intérêt en imagerie médicale et applications médicales, maitrise de l’anglais écrit.
Localisation et date : Stage de 6 mois localisé dans les locaux de l’IRIT à l’adresse Cr Rose Dieng-Kuntz, 31400 Toulouse. Le stage peut commencer dès maintenant ou jusqu’au 31 mars 2025.
Gratification : conventionnelle (autour de 600€ mensuelle).
Contacts : Les candidats intéressés doivent envoyer les documents suivants en un seul fichier pdf :
1) les relevés de notes M1/M2 (ou avant-dernière et dernière années d’école d’ingénieurs),
2) une lettre de motivation d’une page,
3) un CV incluant des noms de références à contacter.
A envoyer par email à A. de Turenne aurelien.de-turenne@irit.fr, D. Kouamé kouame@irit.fr, D. H. Pham duong-hung.pham@irit.fr
Références :
[1] B. P. Adriaans, J. E. Wildberger, J. J. M. Westenberg, H. J. Lamb, et S. Schalla, « Predictive imaging for thoracic aortic dissection and rupture: moving beyond diameters », Eur Radiol, vol. 29, no 12, p. 6396‑6404, déc. 2019, doi: 10.1007/s00330-019-06320-7.
[2] K. Takahashi, T. Sekine, T. Ando, Y. Ishii, et S. Kumita, « Utility of 4D Flow MRI in Thoracic Aortic Diseases: A Literature Review of Clinical Applications and Current Evidence », MRMS, vol. 21, no 2, p. 327‑339, 2022, doi: 10.2463/mrms.rev.2021-0046.
[3] N. Zhao, Q. Wei, A. Basarab, N. Dobigeon, D. Kouame, et J.-Y. Tourneret, « Fast Single Image Super-Resolution », 2 mai 2016, arXiv: arXiv:1510.00143. Consulté le: 18 septembre 2024. [En ligne]. Disponible sur: http://arxiv.org/abs/1510.00143
[4] B. Kawar, M. Elad, S. Ermon, et J. Song, « Denoising Diffusion Restoration Models », 12 octobre 2022, arXiv: arXiv:2201.11793. Consulté le: 4 octobre 2024. [En ligne]. Disponible sur: http://arxiv.org/abs/2201.11793
