Deep learning motion estimation in ultrasound imaging : Application to myocardial deformation quantification

Apprentissage profond pour l'estimation de mouvement en imagerie ultrasonore : Application à la quantification des déformations du myocarde La modalité d’imagerie la plus utilisée en pratique clinique est actuellement l’imagerie ultrasonore car celle-ci est peu couteuse, rapide et non-invasive. En échocardiographie, plusieurs indices caractérisant la fonction cardiaque peuvent être extraits de ces acquisitions, parmi lesquels la déformation globale longitudinale joue un rôle important dans l'établissement d'un diagnostic. Cependant l’estimation de cet indice souffre d’un manque de reproductibilité du fait des caractéristiques inhérentes à l’imagerie ultrasonore. En effet, les méthodes traditionnelles comme le flux optique ou la correspondance de blocs ne permettent pas de gérer des artéfacts types tels que la décorrélation de texture ultrasonore. Récemment, les approches d’apprentissage profond ont battu les méthodes l’état de l’art en estimation de mouvement, portées par les applications à la robotique ou les voitures autonomes. Dans la première partie de cette thèse, nous présentons une étude pilote afin d'évaluer la capacité des méthodes d’apprentissage profond à estimer le mouvement en imagerie ultrasonore malgré les nombreux artéfacts sous-jacents. Pour ce faire, nous avons créé une base de données composée d'images ultrasonores simulées et in-vitro incluant un disque tournant avec des vitesses variables. Dans la seconde partie de cette thèse, nous détaillons le réseau de neurones pyramidal que nous avons développé afin d'estimer la déformation du muscle myocardique et qui améliore de façon significative les performances des méthodes de l’état de l’art. Pour entrainer et évaluer notre méthode d’apprentissage, nous avons également implémenté un pipeline de simulations permettant de générer des séquences d'images échocardiographiques réalistes avec un champ dense de référence et présentant une grande variabilité anatomique et fonctionnelle.