Pour réduire le temps d'acquisition ou bien améliorer la résolution spatio-temporelle dans certaines application en IRM, de puissantes techniques parallèles utilisant plusieurs antennes réceptrices sont apparues depuis les années 90. Dans ce contexte, les images d'IRM doivent être reconstruites à partir des données sous-échantillonnées acquises dans le « k-space ». Plusieurs approches de reconstruction ont donc été proposées dont la méthode SENSitivity Encoding (SENSE). Cependant, les images reconstruites sont souvent entâchées par des artéfacts dus au bruit affectant les données observées, ou bien à des erreurs d'estimation des profils de sensibilité des antennes. Dans ce travail, nous présentons de nouvelles méthodes de reconstruction basées sur l'algorithme SENSE, qui introduisent une régularisation dans le domaine transformé en ondelettes afin de promouvoir la parcimonie de la solution. Sous des conditions expérimentales dégradées, ces méthodes donnent une bonne qualité de reconstruction contrairement à la méthode SENSE et aux autres techniques de régularisation classique (e.g. Tikhonov). Les méthodes proposées reposent sur des algorithmes parallèles d'optimisation permettant de traiter des critères convexes, mais non nécessairement différentiables contenant des a priori parcimonieux. Contrairement à la plupart des méthodes de reconstruction qui opèrent coupe par coupe, l'une des méthodes proposées permet une reconstruction 4D (3D + temps) en exploitant les corrélations spatiales et temporelles. Le problème d'estimation d'hyperparamètres sous-jacent au processus de régularisation a aussi été traité dans un cadre bayésien en utilisant des techniques MCMC. Une validation sur des données réelles anatomiques et fonctionnelles montre que les méthodes proposées réduisent les artéfacts de reconstruction et améliorent la sensibilité/spécificité statistique en IRM fonctionnelle / To reduce scanning time or improve spatio-temporal resolution in some MRI applications, parallel MRI acquisition techniques with multiple coils have emerged since the early 90's as powerful methods. In these techniques, MRI images have to be reconstructed from acquired undersampled « k-space » data. To this end, several reconstruction techniques have been proposed such as the widely-used SENSitivity Encoding (SENSE) method. However, the reconstructed images generally present artifacts due to the noise corrupting the observed data and coil sensitivity profile estimation errors. In this work, we present novel SENSE-based reconstruction methods which proceed with regularization in the complex wavelet domain so as to promote the sparsity of the solution. These methods achieve accurate image reconstruction under degraded experimental conditions, in which neither the SENSE method nor standard regularized methods (e.g. Tikhonov) give convincing results. The proposed approaches relies on fast parallel optimization algorithms dealing with convex but non-differentiable criteria involving suitable sparsity promoting priors. Moreover, in contrast with most of the available reconstruction methods which proceed by a slice by slice reconstruction, one of the proposed methods allows 4D (3D + time) reconstruction exploiting spatial and temporal correlations. The hyperparameter estimation problem inherent to the regularization process has also been addressed from a Bayesian viewpoint by using MCMC techniques. Experiments on real anatomical and functional data show that the proposed methods allow us to reduce reconstruction artifacts and improve the statistical sensitivity/specificity in functional MRI

L’IRM apporte des informations morphologiques concernant la tumeur, mais également des informations concernant sa micro-vascularisation. En TEP/TDM, l’accumulation de la 18F-FDopa dans les cellules tumorales résulte de l’activité métabolique plus importante que celle des tissus sains. Nous avons étudié 28 gliomes pour lesquels nous avons analysé les données provenant d’IRM et de TEP/TDM. Une méthode de recalage a été développée afin de combiner les informations issues des deux modalités TEP et IRM et d’extraire des volumes d’intérêt sur la base des données conjointes TEP et IRM. L’analyse du contenu de ces volumes d’intérêt par un modèle de mélange gaussien a permis de différencier, dans ces volumes, les tissus tumoraux et les tissus sains, et d’obtenir ainsi des volumes tumoraux et de référence communs pour les modalités TEP et IRM. Des paramètres issus de la TEP ou de l’IRM ont ensuite été calculés dans ces volumes communs aux deux modalités, pour caractériser les tumeurs et les tissus sains. L’analyse discriminante linéaire (ADL) des données TEP/TDM et d’IRM combinées permet de discriminer les différentes classes tissulaires. Les courbes Receiver Operating Characteristic ROC combinées à l’ADL permettent d’évaluer les critères multiples [SUVmax , rCBV] et [rk1 , rCBV] et conduisent à des AUC respectives de 0,88 et 0,92. En considérant les informations combinées [SUVmax , rCBV], nous avons obtenu une sensibilité de détection des tumeurs de haut grade de 95% pour une spécificité correspondante de 60% ainsi qu’une valeur prédictive négative de 52% pour une valeur prédictive positive de 95%. De même, avec le critère [rk1 , rCBV], nous avons obtenu une spécificité de 60% pour 95% de sensibilité de détection des tumeurs de haut grade ainsi qu’une valeur prédictive négative de 60% pour une valeur prédictive positive de 95%. Nos travaux montrent que la fusion des informations microvasculaires et métaboliques est possible. Dans le cas du diagnostic différentiel des gliomes, l’information microvasculaire n’apporte cependant pas d’information plus discriminante que l’information métabolique seule. / MRI provides morphological information about tumour, but also provides information regarding the micro-vascularization of the tumour. In PET/CT, the accumulation of 18F-FDopa in tumour cells results from the metabolic activity greater than that of healthy tissues. We studied 28 gliomas for which we analysed data from MRI and PET/CT. A registration method has been developed to combine information from both PET and MRI and to extract volumes of interest consistent with the information included in the two modalities. In these volumes, the tumour compartment and normal tissue compartment were identified using a Gaussian mixture model. Parameters from PET or MRI data were then calculated in these compartments. ROC analyses combined with linear discriminant analyses were used to assess whether joint observation of standardized uptake value (SUVmax ) and relative Cerebral Blood Volume (rCBV) or of relative rk1 and rCBV could distinguish between low grade and high grade tumours. We found that using this joint analysis, 82.4% of high-grade tumors and 70.0% of low-grade tumors were correctly classified (AUC of 0.88 for [SUVmax , rCBV] and of 0.92 for [rk1 , rCBV]). Considering the [SUVmax , rCBV] combined information, the sensitivity for detecting high-grade tumors was 95% with a specificity of 60%. The negative predictive value was 52% for a positive predictive value of 95%. Similarly, considering the [rk1 , rCBV] combined information, we also a specificity of 60% associated with a 95% sensitivity for detecting high-grade tumors, with a negative predictive value of 60% and positive predictive value of 95%. Our work shows that joint analysis of microvascular and metabolic information is possible by combining PET and MR imaging data. However, we found that, in our patient population, the microvascular information given by MR did not bring information more discriminating than the metabolic information derived from PET only.

Pour réduire le temps d'acquisition ou bien améliorer la résolution spatio-temporelle dans certaines application en IRM, de puissantes techniques parallèles utilisant plusieurs antennes réceptrices sont apparues depuis les années 90. Dans ce contexte, les images d'IRM doivent être reconstruites à partir des données sous-échantillonnées acquises dans le " k-space ". Plusieurs approches de reconstruction ont donc été proposées dont la méthode SENSitivity Encoding (SENSE). Cependant, les images reconstruites sont souvent entâchées par des artéfacts dus au bruit affectant les données observées, ou bien à des erreurs d'estimation des profils de sensibilité des antennes. Dans ce travail, nous présentons de nouvelles méthodes de reconstruction basées sur l'algorithme SENSE, qui introduisent une régularisation dans le domaine transformé en ondelettes afin de promouvoir la parcimonie de la solution. Sous des conditions expérimentales dégradées, ces méthodes donnent une bonne qualité de reconstruction contrairement à la méthode SENSE et aux autres techniques de régularisation classique (e.g. Tikhonov). Les méthodes proposées reposent sur des algorithmes parallèles d'optimisation permettant de traiter des critères convexes, mais non nécessairement différentiables contenant des a priori parcimonieux. Contrairement à la plupart des méthodes de reconstruction qui opèrent coupe par coupe, l'une des méthodes proposées permet une reconstruction 4D (3D + temps) en exploitant les corrélations spatiales et temporelles. Le problème d'estimation d'hyperparamètres sous-jacent au processus de régularisation a aussi été traité dans un cadre bayésien en utilisant des techniques MCMC. Une validation sur des données réelles anatomiques et fonctionnelles montre que les méthodes proposées réduisent les artéfacts de reconstruction et améliorent la sensibilité/spécificité statistique en IRM fonctionnelle