Remplir l’espace K et affiner l’image : l’adressage pour la reconstruction dynamique et à contraste multiple de l’IRM

La clé de la reconstruction en imagerie par résonance magnétique (IRM) dynamique ou à contraste multiple réside dans l’exploitation des informations inter-images ou inter-contrastes. Actuellement, le modèle déroulé, une approche combinant des étapes itératives de reconstruction IRM avec des couches réseaux de neurones apprenables, constitue la méthode la plus performante pour la reconstruction IRM. Toutefois, deux limitations majeures doivent être surmontées : premièrement, la structure du modèle déroulé ainsi que les contraintes de mémoire GPU limitent la capacité de chaque bloc de débruitage du réseau, entravant l’extraction efficace des détails fins nécessaires à la reconstruction ; deuxièmement, le modèle existant manque de flexibilité pour s’adapter aux variations des entrées, telles que les contrastes, résolutions ou vues différentes, ce qui impose d’entraîner des modèles distincts pour chaque type d’entrée, une approche inefficace et susceptible de conduire à une reconstruction insuffisante. Dans cet article, nous proposons une pipeline de reconstruction IRM en deux étapes afin de surmonter ces limites. La première étape consiste à remplir les données manquantes dans l’espace k, que nous traitons comme un problème de reconstruction fondé sur la physique. Nous proposons d’abord un modèle de base simple mais efficace, exploitant les images adjacentes ou les contrastes voisins ainsi que l’attention sur les canaux pour capturer les corrélations intrinsèques inter-images ou inter-contrastes. Ensuite, nous étendons ce modèle de base vers une approche d’apprentissage piloté par des prompts, nommée PromptMR, permettant une reconstruction unifiée de l’IRM à partir de différentes vues, contrastes, types d’adjacence et facteurs d’accélération. La deuxième étape vise à affiner la reconstruction obtenue à la première étape, que nous traitons comme un problème général de restauration vidéo afin de fusionner davantage les informations provenant des images voisines ou des contrastes adjacents dans le domaine image. Des expériences étendues montrent que la méthode proposée surpasse significativement les méthodes de reconstruction IRM accélérée les plus avancées précédemment publiées.