Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

1. Problématique

L'imagerie par résonance magnétique (IRM) avec rehaussement tardif au gadolinium (LGE) en 3D est cruciale pour visualiser la fibrose de l'oreillette gauche chez les patients atteints de fibrillation auriculaire, permettant une planification pré-ablation et une évaluation post-procédurale. Cependant, les protocoles actuels nécessitent des temps d'acquisition longs (7 à 20 minutes), entraînant un inconfort pour le patient et une sensibilité accrue aux artefacts de mouvement.

L'accélération de l'acquisition via le sous-échantillonnage de l'espace k (k-space) est une nécessité clinique, mais elle pose un problème inverse mal posé, particulièrement pour l'imagerie 3D LGE où la visualisation précise des parois atriales fines est essentielle.

• Limites des méthodes existantes :
  • La Compressed Sensing (CS) atténue les détails structurels fins en raison des effets de lissage de la régularisation par parcimonie et nécessite un réglage manuel fastidieux.
  • Les méthodes d'apprentissage profond supervisées pures nécessitent de grands jeux de données appariés (sous-échantillonnés/plein échantillon), difficiles à obtenir en imagerie cardiaque.
  • Les méthodes non supervisées (comme le Deep Image Prior - DIP) manquent souvent de robustesse pour récupérer les détails anatomiques fins sous des facteurs d'accélération élevés.
  • Les méthodes de reconstruction déroulée (Unrolled) intègrent la physique du modèle mais opèrent généralement à la résolution acquise, limitant la récupération des hautes fréquences.

2. Méthodologie

Les auteurs proposent un cadre hybride de reconstruction déroulée intégrant une Super-Résolution (SR) directement dans la boucle d'optimisation.

Approche Proposée : Unrolled EDSR

Le cœur de la méthode consiste à remplacer l'opérateur proximal de débruitage standard (généralement un U-Net) dans une architecture de reconstruction déroulée par un réseau EDSR (Enhanced Deep Super-Resolution).

• Fonctionnement :

  1. Initialisation : La reconstruction commence par l'adjoint à remplissage zéro ($x^{(0)} = A^H y$).
  2. Itérations Déroulées : Pour chaque itération $n$, le processus alterne entre deux étapes :
     • Étape de Débruitage/Amélioration (Proximal) : Un réseau EDSR ($E_\phi$) affine l'estimation de l'image. Contrairement à un débruitage simple, l'EDSR est conçu pour récupérer les détails haute fréquence et effectuer une super-résolution. Les poids du réseau sont partagés à travers toutes les itérations.
     • Étape de Cohérence des Données (Data Consistency - DC) : L'image raffinée est projetée sur la variété d'acquisition via une optimisation par gradient conjugué pour garantir la fidélité aux mesures de l'espace k sous-échantillonnées.
  3. Entraînement : Le modèle est entraîné de bout en bout (end-to-end) sur des données rétrospectivement sous-échantillonnées en minimisant la perte $L_2$ par rapport à la vérité terrain (images complètes).

• Architecture EDSR : Le réseau suit une structure encodeur-décodeur de type U-Net avec des blocs résiduels, deux étapes de sous-échantillonnage, des upsamplers par convolution transposée et des connexions résiduelles à pleine et demi-résolution. Il projette sur 2 canaux de sortie (partie réelle et imaginaire).

Méthodes de Comparaison (Baselines)

• Compressed Sensing (CS) : Résolution par optimisation régularisée (TV + BM3D).
• Deep Image Prior (DIP) : Méthode non supervisée optimisant les paramètres du réseau pour chaque image individuellement.
• Unrolled Standard : Reconstruction déroulée utilisant un débruiteur U-Net classique (sans capacité de super-résolution intégrée).

3. Contributions Clés

1. Intégration de la Super-Résolution dans la Boucle : Première proposition d'intégrer un prior de super-résolution (EDSR) directement dans l'opérateur proximal d'une reconstruction déroulée, permettant une optimisation conjointe de l'amélioration des détails anatomiques et de la cohérence physique.
2. Évaluation Clinique Pertinente : Au-delà des métriques de reconstruction classiques (PSNR, SSIM), les auteurs évaluent la performance sur une tâche en aval critique : la segmentation de l'oreillette gauche (LA). Cela démontre l'impact clinique de la préservation des structures fines.
3. Validation sur Données Précliniques : Application réussie sur un ensemble de données 3D LGE cardiaques (chiens) avec des facteurs d'accélération de 4 et 6.

4. Résultats

Les expériences ont été menées sur 24 sujets précliniques (16 pour l'entraînement, 3 pour la validation, 5 pour le test) avec des facteurs d'accélération $R=4$ et $R=6$.

Performance de Reconstruction

• Métriques Quantitatives (Tableau 1) : La méthode proposée (Unrolled+EDSR) surpasse systématiquement les autres méthodes.
  • À $R=4$ : PSNR de 35.6 dB et SSIM de 0.915 (vs 35.1/0.906 pour Unrolled standard).
  • À $R=6$ : PSNR de 32.9 dB et SSIM de 0.889 (vs 32.4/0.878 pour Unrolled standard).
• Qualité Visuelle (Figure 2) : La méthode proposée récupère mieux les structures cardiaques fines et les limites de la fibrose, là où la CS introduit des artefacts et le DIP lisse excessivement les détails.

Performance en Segmentation (Tâche en aval)

• L'évaluation de la segmentation de l'oreillette gauche montre que la méthode proposée atteint un DSC (Dice Similarity Coefficient) de 0.893, surpassant l'Unrolled standard (0.884) et le DIP (0.835).
• Cela indique que la récupération des détails fins par la super-résolution intégrée améliore directement la précision des outils d'analyse clinique.

Ablation

• L'analyse du nombre d'itérations ($N$) montre que la qualité s'améliore jusqu'à $N=9$, mais que $N=7$ offre le meilleur compromis entre qualité de reconstruction et consommation de mémoire GPU (17.4 Go vs 21.6 Go pour $N=9$).

5. Signification et Conclusion

Ce travail démontre que l'intégration de priors de super-résolution au sein même du processus de reconstruction physique (plutôt que comme une étape de post-traitement) permet des gains mesurables en IRM cardiaque accélérée.

• Avantage Principal : La méthode permet de récupérer des détails anatomiques fins (critiques pour la fibrose) qui sont souvent perdus avec les méthodes de débruitage classiques ou la CS, tout en maintenant une stricte fidélité aux données acquises.
• Limites et Perspectives : L'étude est actuellement limitée à des données précliniques (chiens). Les auteurs prévoient de valider la méthode sur des sujets humains (avec des défis supplémentaires liés au mouvement respiratoire) et d'explorer l'extension à l'imagerie 3D Dixon (séparation graisse/eau).

En résumé, cette approche offre une voie prometteuse pour réduire les temps d'acquisition IRM cardiaque sans sacrifier la qualité diagnostique, en combinant efficacement l'apprentissage profond et la modélisation physique.