Vous êtes ici : Accueil > Actualités > Deep learning en IRM : un standard pour comparer les performances des réseaux de neurones artificiels

Résultat scientifique | Intelligence artificielle | IRM | Cerveau

Deep learning en IRM : un standard pour comparer les performances des réseaux de neurones artificiels


​A partir de jeux de données d’IRM du genou et du cerveau, des chercheurs de NeuroSpin et de Cosmostat (CEA-Irfu) ont établi une analyse comparative de plusieurs réseaux de neurones artificiels (deep learning), approches de plus en plus utilisées pour diminuer significativement le temps d’acquisition en IRM.

Publié le 4 juin 2020

​Le deep learning (apprentissage profond en français) est une approche d’intelligence artificielle dans laquelle des réseaux de neurones artificiels sont entraînés à reconnaître un objet, une image par exemple. Appliqué à l’imagerie par résonance magnétique (IRM), le deep learning permet, comme les algorithmes de reconstruction traditionnels, de reconstituer des images à partir d’un nombre réduit de données collectées selon des schémas d’acquisition compressée et des temps d’examen réduits. Le vrai bénéfice de l’apprentissage profond est double : il permet de recouvrer des images d’une qualité similaire à celles obtenues à partir de jeux de données complets et surtout d’accélérer significativement (100 fois plus rapide) ce processus de reconstruction par rapport aux méthodes antérieures.

Le deep learning en IRM commence à offrir des résultats prometteurs. De nombreux réseaux de neurones artificiels sont en cours de développement, mais comment juger des performances de chacun ? Les comparaisons restent difficiles car les cadres utilisés ne sont pas les mêmes d'une étude à l'autre, les réseaux ne sont pas tous correctement entraînés et les jeux de données utilisés pour établir ces comparaisons ne sont pas toujours les mêmes.

Dans le but de développer le deep learning pour l’IRM, Facebook AI Research et le NYU Langone Health ont récemment lancé un projet collaboratif de recherche (fastMRI). Dans ce cadre, le NYU Langone Health a rendu publics des jeux complets de données brutes d’IRM du genou (plusieurs centaines d’examens avec différentes séquences d’imagerie : pondération en T2 avec ou sans saturation de graisse, différents imageurs ; différents contextes d’acquisition : antenne mono ou multi-canaux pour améliorer la réception du signal). Les données sont en accès libre et ont été récemment complétées par des IRM cérébrales (environ 7000 examens , voir https://fastmri.med.nyu.edu/ pour les détails).

Cette publication a incité des chercheurs de NeuroSpin (équipe PARIETAL INRIA-CEA) et de Cosmostat (Irfu CEA-CNRS) à établir une analyse comparative de plusieurs réseaux neuronaux profonds utilisés pour la reconstruction d'images par résonance magnétique, et ce, à partir de deux jeux de données : les données brutes d’IRM du genou de fastMRI et les données d’IRM du cerveau de OASIS, là aussi en accès libre. Au total, ils ont comparé les performances de 4 réseaux de neurones, certains agissant dans un seul espace (l’espace k d’acquisition des données ou l’espace image), d’autres agissant dans les deux espaces alternativement (apprentissage hybride). Dans un article publié dans Applied Sciences, les auteurs dévoilent les résultats de leur analyse permettant de comparer les réseaux et relient l'implémentation open source disponible sur Github de tous ces réseaux dans Keras. Leur principale conclusion est, d’une part, que les réseaux hybrides offrent de meilleures performances comparativement à ceux opérant dans un seul domaine et, d’autre part, qu’il est plus avantageux d'effectuer davantage d'itérations entre les deux espaces que d’avoir un réseau plus profond dans l’un des deux espaces.

Les architectures de réseaux de neurones maintenant proposés par l'équipe de NeuroSpin (voir updnet_v3 by Nspin sur https://fastmri.org/leaderboards pour l'imagerie du genou multi-canaux) arivent en tête du classement établi selon le critère de qualité image NMSE et en 4ème position selon le score SSIM (deux mesures complémentaires traduisant la qualité des reconstructions).

Tous ces travaux ont pu être réalisés grâce à l’appui de la D3P (DRF-CEA)[1] (F. Boillot-Cerneux et Ch. Calvin pour le secteur Simulation numérique, HPC et IA) pour obtenir un accès rapide au super-calculateur Jean Zay avec un nombre important d’heures de calcul sur architecture GPU multiple Nvidia V100.

Contact : Philippe Ciuciu (philippe.ciuciu@cea.fr)


[1] D3P : Direction des Programmes et des partenariats publics de la Direction de la Recherche Fondamentale du CEA


Haut de page