Synthèse de diffusion sur variété riemannienne à partir d’imagerie structurelle en haute-résolution

Anctil-Robitaille, Benoit (2022). Synthèse de diffusion sur variété riemannienne à partir d’imagerie structurelle en haute-résolution. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

Les contraintes physiques et cliniques entourant l’imagerie pondérée en diffusion (DWI) limitent souvent la résolution spatiale des images produites à des voxels jusqu’à 8 fois plus grands que ceux des images T1w. Ainsi, les informations détaillées contenues dans les images T1w pourraient aider à la synthèse d’images de diffusion à plus haute résolution. Cependant, la nature non euclidienne de l’imagerie de diffusion empêche les modèles génératifs profonds actuels de synthétiser des images physiquement plausibles. Par conséquent, est-il possible de développer un réseau de neurones profonds exploitant la géométrie du cerveau, codée dans les images structurelles en haute résolution, pour générer des images de diffusion valides au même niveau de détail ? Pour y répondre, nous développons deux objectifs : 1) la synthèse d’images de diffusion à partir d’images structurelles et 2) la super-résolution d’images de diffusion. Nous proposons donc la première architecture de réseau de neurones riemannien pour la génération directe de tenseurs de diffusion (DT) et de fonctions de distribution d’orientation de diffusion (dODF) à partir d’images T1w haute-résolution. L’intégration de la métrique log-euclidienne dans un objectif d’apprentissage garantit, contrairement aux réseaux euclidiens standards, la synthèse mathématiquement valide de la diffusion. De plus, notre approche améliore l’erreur quadratique moyenne de l’anisotropie fractionnelle (FA MSE) entre la diffusion synthétisée et réelle de plus de 23% et la similarité cosinus entre les directions principales de près de 5% par rapport aux méthodes comparées. La diffusion générée est validée en comparant les tractogrammes résultants à des données réelles attendues. La méthode proposée produit des faisceaux de fibres similaires aux données réelles avec des streamlines ayant moins de 3% de différence de longueur, moins de 1% de différence de volume et une apparence visuellement similaire. Bien que l’approche présentée dans ce mémoire soit capable de générer des images de diffusion en haute-résolution à partir d’entrées structurelles en moins de 15 secondes, les limites de l’inférence de la diffusion en s’appuyant uniquement sur des images T1w sont discutées. Les résultats suggèrent néanmoins une relation entre la géométrie de haut niveau du cerveau et l’architecture globale de la matière blanche.

Titre traduit

Manifold-aware synthesis of high-resolution diffusion from structural imaging

Résumé traduit

The physical and clinical constraints surrounding diffusion-weighted imaging (DWI) often limit the spatial resolution of the produced images to voxels up to 8 times larger than those of T1w images. Thus, the detailed information contained in T1w images could help in the synthesis of diffusion images in higher resolution. However, the non-Euclidean nature of diffusion imaging hinders current deep generative models from synthesizing physically plausible images. Therefore, is it possible to develop a deep neural network exploiting the geometry of the brain, encoded in high-resolution structural images, to generate valid diffusion images at the same level of detail ? To answer this question, we develop two objectives : 1) the synthesis of diffusion images from structural images and 2) the super-resolution of diffusion images. We therefore propose the first Riemannian network architecture for the direct generation of diffusion tensors (DT) and diffusion orientation distribution functions (dODF) from high-resolution T1w images. Our integration of the Log-Euclidean Metric into a learning objective guarantees, unlike standard Euclidean networks, the mathematically-valid synthesis of diffusion. Furthermore, our approach improves the fractional anisotropy mean squared error (FA MSE) between the synthesized diffusion and the ground-truth by more than 23% and the cosine similarity between principal directions by almost 5% when compared to our baselines.We validate our generated diffusion by comparing the resulting tractograms to our expected real data. We observe similar fiber bundles with streamlines having less than 3% difference in length, less than 1% difference in volume, and a visually close shape. While our method is able to generate high-resolution diffusion images from structural inputs in less than 15 seconds, we acknowledge and discuss the limits of diffusion inference solely relying on T1w images. Our results nonetheless suggest a relationship between the high-level geometry of the brain and the overall white matter architecture.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie des technologies de l’information". Comprend des références bibliographiques (pages 85-96).
Mots-clés libres:	synthèse de diffusion, apprentissage sur variétés, géométrie riemannienne
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Lombaert, Hervé
Codirecteur:	Codirecteur Desrosiers, Christian
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	03 mars 2022 17:13
Dernière modification:	03 mars 2022 17:13
URI:	https://espace.etsmtl.ca/id/eprint/2933

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt