Estimation et classification des temps de relaxation multi-exponentiels en IRM. Application aux tissus végétaux
L acquisition de données de relaxation en imagerie de résonance magnétique permet une analyse très fine de la composition des tissus. L analyse est classiquement réalisée à l aide de modèles mono-exponentiels au sein de chaque voxel de l image, mais des informations plus riches peuvent être obtenues...
Enregistré dans:
Auteurs principaux : | , , , , , , , , |
---|---|
Collectivités auteurs : | , , |
Format : | Thèse ou mémoire |
Langue : | français |
Titre complet : | Estimation et classification des temps de relaxation multi-exponentiels en IRM. Application aux tissus végétaux / Christian El Hajj; sous la direction de Saïd Moussaoui et de Guylaine Collewet et de Maja Musse |
Publié : |
2019 |
Accès en ligne : |
Accès Nantes Université
|
Note sur l'URL : | Accès au texte intégral |
Note de thèse : | Thèse de doctorat : Traitement du signal et de l image : Ecole centrale de Nantes : 2019 |
Sujets : |
Résumé : | L acquisition de données de relaxation en imagerie de résonance magnétique permet une analyse très fine de la composition des tissus. L analyse est classiquement réalisée à l aide de modèles mono-exponentiels au sein de chaque voxel de l image, mais des informations plus riches peuvent être obtenues à l aide d un modèle de décroissance multi-exponentielle. Cependant, l obtention puis l exploitation des cartographies des temps de relaxation multiexponentielles à l échelle d une image entière, à partir des données IRM de module, nécessitent la résolution d un problème inverse de grande taille. Ce travail de thèse propose des algorithmes de reconstruction des cartographies des temps de relaxation multi-exponentielles et des intensités relatives associées à l échelle du voxel. Ces algorithmes de reconstruction sont fondés sur l estimateur du maximum de vraisemblance exploitant l hypothèse d un bruit de Rice, inhérent aux images de module, et une régularisation spatiale favorisant la régularité des cartographies. Le problème d optimisation en grande dimension qui en résulte est résolu en utilisant une approche de descente itérative par majoration-minimisation couplée à un algorithme de Levenberg-Marquardt avec recherche de pas. Enfin, nous proposons une méthode de caractérisation de la composition des images à partir des paramètres estimés en utilisant des algorithmes de classification. Les développements de la thèse font l objet d application à l analyse de tissus végétaux. Acquired relaxation data in magnetic resonance imaging makes it possible to conduct fine analysis of tissues composition. Conventionally, the analysis is realized by adopting a mono-exponential model at each voxel of the image, yet, a multi-exponential decay model may provide richer information. However, obtaining and interpreting multi-exponential relaxation time maps at the whole image level, from magnitude MRI images, requires solving a large scale inverse problem. This thesis work proposes algorithms for multiexponential relaxation times and their associated intensities maps reconstruction. These algorithms are based on the maximum-likelihood estimator under the hypothesis of a Rician noise distribution, case of magnitude images, and a spatial regularization favoring the regularity of the maps. The resulting large-scale optimization problem is solved using an iterative descent approach by majorization-minimization coupled with a Levenberg-Marquardt algorithm with step search. Finally, we propose a method for image composition characterization from the estimated parameters using classification algorithms. The developed algorithms in this thesis are applied to vegetal tissue analysis. |
---|---|
Variantes de titre : | Multi-exponential relaxation times estimation and classification in MRI. Application to vegetal tissus |
Notes : | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) Partenaire(s) de recherche : Laboratoire des Sciences du Numérique de Nantes (Laboratoire) Autre(s) contribution(s) : Jean-Marie Bonny (Président du jury) ; Saïd Moussaoui, Guylaine Collewet, Maja Musse, Jean-Marie Bonny, Philippe Ciuciu, Ludovic de Rochefort, Su Ruan, Olivier Commowick (Membre(s) du jury) ; Philippe Ciuciu, Ludovic de Rochefort (Rapporteur(s)) |
Configuration requise : | Configuration requise : un logiciel capable de lire un fichier au format : PDF |