Cycle de Formation des Ingénieurs en Télécommunications

Option :
SERCOM

Rapport de Projet de fin d’études

Thème :

Reconstruction d’images pour

l’Imagerie par Résonance Magnétique parallèle
IRMp

Réalisé par :

Lotfi CHAÂRI

Encadré par :

Mme. Amel Benazza

Mme. Béatrice Pesquet-Popescu

Mr. J.C Pesquet

Travail proposé et réalisé en collaboration avec

Année universitaire :
2006/2007
 Remerciements

Je souhaite tout d’abord témoigner ma profonde reconnaissance à Mme Amel

BENAZZA, maître de conférence à SUP’COM, pour avoir accepté de suivre ce travail
et pour son support technique et moral pertinent et fort précieux.

Je tiens également à remercier Mme Béatrice Pesquet-Popescu, professeur à

l’ENST pour avoir accepté de diriger ce travail.

Je remercie Mr Jean-Christophe PESQUET, professeur à l’université Marne la

vallée, malgré son emploi de temps très chargé, pour la qualité de son encadrement et
ses conseils précieux.

Je remercie également tous ceux qui ont contribué à l’avancement et au bon

déroulement de mon stage et de mon séjours à Paris.

Sans oublier évidement de remercier tous mes collègues du laboratoire TSI et de

SUP’COM avec lesquels j’ai passé de très bons moments.

Je remercie aussi mes parents et mes frères pour leur soutien, encouragement et
confiance tout le long de ce stage.

Et finalement, j’adresse mes remerciements aux membres du jury pour m’avoir ho-
noré en acceptant d’évaluer ce travail.
 Je dédie ce rapport

A mes chers parents Mohsen et Sania

en témoignage de ma gratitude et reconnaissance infinies,

A mes très chers frères Sami, Fahmi et Mohamed

pour avoir mis tout leur espoir en moi,

A tous mes amis en particulier Slim, Ayman, Haitham, Ahmed,

Ramzi, Ayman, Houssem, ...
 Résumé

L ’ imagerie médicale ne cesse de profiter des progrès technologiques et scientifiques

pour voir ses techniques se développer. Parmi ces techniques, l’imagerie parallèle
est devenue une approche émergente et très utilisée, notamment pour permettre une
imagerie plus rapide que l’imagerie classique.
A ce titre, l’imagerie par résonance magnétique (IRM), utilisée surtout pour l’explo-
ration du cerveau, a profité du développement des techniques d’imagerie parallèle. On
a vu alors naître l’imagerie par résonance magnétique parallèle (IRMp). Cette tech-
nique fournit des images distordues dont la reconstruction nécessite le développement
d’algorithmes robustes et qui donnent une reconstruction fidèle du contenu réel de
l’image.
Ce travail de projet de fin d’études en vue de l’obtention du diplôme d’ingénieur en
télécommunications, consiste à développer une méthode de reconstruction pour l’IRM
parallèle avec l’introduction de contraintes supplémentaires pour régulariser le pro-
blème d’inversion mis en jeux, qui est par nature instable. L’originalité de l’approche
proposée réside dans le recours au domaine transformé en ondelettes et à la régu-
larisation des coefficients par un algorithme d’optimisation itératif. La qualité de la
reconstruction est meilleure que celle des méthodes rapportées jusqu’alors.

Mots clés : IRM, IRM parallèle, reconstruction, régularisation, ondelettes.

 Table des matières

Remerciements ii

Résumé iv

Notations et abréviations 1

Introduction générale 2

1 L’imagerie par résonance magnétique 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Principe physique de l’IRM . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Mouvement de relaxation . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Mouvement de précession . . . . . . . . . . . . . . . . . . . . . 7
1.3 Le signal reçu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Codage par la fréquence . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Codage par la phase . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 L’imagerie par résonance magnétique parallèle 11

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Principe de l’IRMp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
TABLE DES MATIÈRES vi

2.3 Reconstruction d’images IRM parallèle . . . . . . . . . . . . . . . . . . 13

2.3.1 SENSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 SMASH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3 Imperfections et limitations de la méthode SENSE . . . . . . . 21
2.3.3.1 Bruit au niveau des données acquises . . . . . . . . . 21
2.3.3.2 Bruit au niveau des cartes de sensibilité . . . . . . . . 21
2.3.3.3 Limitations de la méthode SENSE . . . . . . . . . . . 22
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3 Algorithme SENSE classique et sa forme régularisée 24

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Les données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.1 Données anatomiques . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.2 Données fonctionnelles . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Reconstruction SENSE basique . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Algorithme de reconstruction SENSE développé . . . . . . . . . 28
3.3.2 Résultats de la reconstruction . . . . . . . . . . . . . . . . . . . 30
3.4 Reconstruction SENSE avec régularisation de Tikhonov . . . . . . . . . 33
3.4.1 Régularisation dans le domaine spatial . . . . . . . . . . . . . . 33
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4 Régularisation dans le domaine transformé en ondelettes 40

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 La transformée en ondelettes . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Statistiques des coefficients d’ondelettes . . . . . . . . . . . . . . . . . . 45
4.3.1 Modélisation des distributions . . . . . . . . . . . . . . . . . . . 45
4.3.2 Corrélation partie réelle/partie imaginaire . . . . . . . . . . . . 47
TABLE DES MATIÈRES vii

4.4 Critère d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.5 Algorithme de minimisation . . . . . . . . . . . . . . . . . . . . . . . . 49
4.5.1 Quelques définitions utiles . . . . . . . . . . . . . . . . . . . . . 50
4.5.2 Principe de l’algorithme de minimisation . . . . . . . . . . . . . 51
4.6 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Conclusion générale 58
 Liste des figures

1.1 Alignement des spins dans le champ magnétique. . . . . . . . . . . . . 5

1.2 Basculement de 90˚(a) puis retour à l’équilibre (b). . . . . . . . . . . . 6
1.3 Exploration en utilisant des plans de coupes : acquisition de N coupes,
ce qui donne N images. . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Enchaînement des opérations (1), (2) et (3) pour parcourir toute la coupe
sélectionnée d’un objet fantôme. . . . . . . . . . . . . . . . . . . . . . . 10

2.1 Sous-échantillonnage de l’espace de Fourier. . . . . . . . . . . . . . . . 12

2.2 Un objet est imagé simultanément par 8 antennes donnant lieu à 8
images, une pour chaque canal [1]. . . . . . . . . . . . . . . . . . . . . 13
2.3 Acquisition conventionnelle de l’espace de Fourier (a) et acquisition sous-
échantillonnée d’un facteur de réduction R = 2 (b). . . . . . . . . . . . 14
2.4 Schéma bloc de la méthode SENSE. . . . . . . . . . . . . . . . . . . . . 15
2.5 La sensibilité de 4 antennes intervenant dans une acquisition simulta-
née d’un objet donné et les signaux obtenus au niveau de chaque canal
(domaine spatial). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Illustration de la relation de base de la reconstruction SENSE. . . . . . 17
2.7 La procédure de SMASH pour remplir les lignes manquantes de l’espace
de Fourier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.1 Masque obtenu pour la 10eme coupe. . . . . . . . . . . . . . . . . . . . 29

LISTE DES FIGURES ix

3.2 Schéma-bloc de l’algorithme SENSE. . . . . . . . . . . . . . . . . . . . 30

3.3 Image anatomique à champ de vue complet reconstruites pour R = 2. . 30
3.4 Image fonctionnelle à champ de vue complet reconstruites pour R = 2. 31
3.5 Image anatomique à champ de vue complet reconstruites pour R = 4. . 32
3.6 Image fonctionnelle à champ de vue complet reconstruites pour R = 4. 32
3.7 Schéma-bloc de SENSE avec régularisation. . . . . . . . . . . . . . . . 34
3.8 Résultats de la régularisation des données anatomiques pour R = 4. . . 35
3.9 Résultats de la régularisation des données fonctionnelles pour R = 4. . 35
3.10 Image moyenne (a) et image raffinée (b) utilisées pour la régularisation . 37
3.11 Schéma-bloc de SENSE avec régularisation. . . . . . . . . . . . . . . . 37
3.12 Résultats de la régularisation des données anatomiques pour R = 4. . . 38
3.13 Résultats de la régularisation des données fonctionnelles pour R = 4. . 38

4.1 Exemple d’ondelette utilisée pour la transformation. . . . . . . . . . . . 42

4.2 Banc de filtres d’analyse. . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Banc de filtres de synthèse. . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Banc de filtres pour la décomposition/reconstruction. . . . . . . . . . . 44
4.5 Histogramme des parties réelle et imaginaire des coefficients d’approxi-
mation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6 Histogramme des parties réelle et imaginaire des coefficients de détails
horizontaux au 1er niveau de résolution. . . . . . . . . . . . . . . . . . 46
4.7 Histogramme des parties réelle et imaginaire des coefficients de détails
verticaux au 1er niveau de résolution. . . . . . . . . . . . . . . . . . . . 46
4.8 Histogramme des parties réelle et imaginaire des coefficients de détails
diagonaux au 1er niveau de résolution. . . . . . . . . . . . . . . . . . . 46
4.9 Courbe de convergence de l’algorithme. . . . . . . . . . . . . . . . . . . 52
4.10 Image reconstruite après 80 itérations. . . . . . . . . . . . . . . . . . . 53
LISTE DES FIGURES x

4.11 Image reconstruite avec SENSE classique. . . . . . . . . . . . . . . . . 53

4.12 Courbe de convergence de l’algorithme pour les niveau de résolution
égales à 1,2 et 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.13 Image de différence entre les images obtenues avec un seul et deux ni-
veaux de résolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.14 Image de différence entre les images obtenues avec deux et trois niveaux
de résolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.15 Courbes de convergence en utilisant les deux bases d’ondelettes. . . . . 56
4.16 Image reconstruite après 80 itérations avec la base d’ondelettes de Haar. 57
4.17 Image reconstruite après 80 itérations avec la base d’ondelettes de Dau-
bechies d’ordre 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
 Liste des tableaux

3.1 Paramètres d’acquisition pour les images anatomiques. . . . . . . . . . 25

3.2 Paramètres d’acquisition pour les images fonctionnelles. . . . . . . . . . 27

4.1 Coefficients de corrélation entre les parties réelle et imaginaire des coef-
ficients d’ondelettes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
 Notations et abréviations

A Notation vectorielle de A.
à La transformée de Fourier de A.
OA La transformée en ondelettes de A.
A Norme du vecteur A.
(m, n) Système de coordonnées dans le domaine spatial de l’image.
(u, v) Système de coordonnées dans l’espace de Fourier.
SNR Signal to Noise Ratio ou rapport signal sur bruit
IRM Imagerie par Résonance Magnétique
IRMp Imagerie par Résonance Magnétique parallèle
 Introduction générale

L ’ imagerie parallèle est de plus en plus utilisée en imagerie médicale, principa-

lement pour permettre une acquisition plus rapide que l’imagerie classique qui
explore tout l’objet en question avec un seul canal d’acquisition.
Plusieurs modalités d’acquisition ont été développées en imagerie parallèle. A cet
égard, l’imagerie par résonance magnétique (IRM) est une des modalités qui est en plein
développement vu qu’elle permet d’explorer le corps humain de manière non invasive.
Son utilisation a commencé depuis les années 80 et a vu une grande évolution pendant
les années 90. De jour en jour, elle prend sa place parmi les plus importantes modalités
permettant le diagnostic des lésions des tissus mous. Cette importance prise est dûe
à la bonne résolution en contraste des coupes acquises. Elle est utilisée, entre autres,
pour étudier le fonctionnement du cerveau humain. On parle donc d’IRM fonctionnelle
(IRMf) qui nécessite une acquisition rapide pour bien suivre la réponse du cerveau à
certaines tâches. Ceci permet au médecin de faire son diagnostic ou de suivre certaines
maladies comme la dyslexie et l’autisme. L’IRM permet aussi de localiser certaines
zones du cerveau à enlever ou à préserver avant de faire des opérations chirurgicales.
Pour ce faire, il s’avère plus utile de faire une acquisition parallèle de l’objet à
explorer. Mais la tâche la plus difficile pour ce type d’imagerie est la reconstruction
des images, c’est-à-dire la formation d’images directement exploitables par le médecin
pour l’aide au diagnostic ou tout autre type d’usage. Le médecin a besoin d’images
claires, fidèles au contenu réel de l’objet à explorer et avec une bonne résolution
temporelle pour certaines applications. Mais ceci est loin d’être évident en raison des
contraintes technologiques. Dès lors, l’intervention des spécialistes de traitement de
signal et d’images est nécessaire dans la chaîne de production de ce type d’images pour
atteindre un compromis entre les limitations techniques et les exigences du médecin.
Un grand effort de la part des traiteurs de signal doit être déployé pour parvenir à
exploiter correctement le signal donné par le scanner IRM avec tout ce qu’il contient
INTRODUCTION GÉNÉRALE 3

de bruit, de distorsions et d’artéfacts, et arriver à en former une image directement

interprétable par le médecin.
Ces enjeux sont à l’origine de ce projet qui vise à développer une nouvelle approche
de reconstruction pour les images d’IRM parallèle visant une amélioration des
performances que celles déjà atteintes.

Le rapport est composé de quatre chapitres. Le premier chapitre permet de don-

ner une vue globale et synthétique sur l’imagerie par résonance magnétique. Dans
le deuxième chapitre, nous présentons l’imagerie par résonance magnétique parallèle
(IRMp), tandis que dans le troisième chapitre nous détaillons l’algorithme de recons-
truction couramment utilisé appelé SENSE et sa forme régularisée. Enfin, chapitre
quatre, la nouvelle approche adoptée pour améliorer les performances de la méthode
SENSE est décrite. Finalement, une conclusion sera donnée et les perspectives laissées
ouvertes par ce travail seront mentionnées.
 1
CHAPITRE

L’imagerie par résonance

magnétique

1.1 Introduction

Dans ce chapitre, nous allons présenter brièvement, le principe de l’imagerie IRM.

A ce propos, afin de mieux comprendre par la suite le problème de la reconstruction,
nous insisterons sur les aspects physiques qui sont à la base de ce type d’imagerie.

1.2 Principe physique de l’IRM

La technique d’IRM repose sur l’aimantation des atomes d’hydrogène massivement

présents dans le tissu humain qui comporte presque 80 % d’eau et de graisse. Le proton
de ces atomes d’hydrogène possède une propriété quantique appelée spin équivalente à
un mouvement de rotation sur lui-même. Du fait de la charge du proton, il est associé
au spin un moment magnétique microscopique µ. Lorsque seul un champ magnétique
B0 est appliqué, la somme de toutes les aimantations élémentaires est non nulle et elle
est parallèle au champ magnétique B0 comme il aparait dans la (Fig.1.1).
L’aimantation résultante M0 est proportionnelle au nombre de noyaux d’hydrogène
présents dans l’échantillon, et ne possède pas de composante transversale à cause des
déphasages qui existent entre les différentes aimantations élémentaires. Il n’existe donc
qu’une composante longitudinale M0 parallèle à B0 .
Si l’on perturbe l’aimantation résultante en appliquant un champ magnétique B1
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 5

Figure 1.1 — Alignement des spins dans le champ magnétique.

perpendiculaire à B0 , M0 va basculer de sa position d’équilibre d’un angle proportionnel

à la quantité d’énergie électrique transmise à la bobine d’excitation. L’ajustement de la
durée et de l’amplitude de l’excitation permet de déterminer un angle de basculement
de 90˚ ou 180˚ par exemple. Une fois que l’excitation est arrêtée, et si par exemple on
suppose qu’on a provoqué un basculement de 90˚, M0 est perpendiculaire à B0 : on a
créé une composante transversale. Le retour à l’équilibre se décompose donc en deux
mouvements : mouvement de relaxation et mouvement de précession.

1.2.1 Mouvement de relaxation

Après excitation à leur fréquence de résonance, les protons ne sont plus dans un
état stable de point de vue énergétique. Une fois l’excitation est arrêtée, le système va
revenir à son état d’équilibre comme l’illustre la Fig.1.2.
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 6

Figure 1.2 — Basculement de 90˚(a) puis retour à l’équilibre (b).

On choisit (x, y, z) une base orthonormée de l’espace cartésien R3 telle que l’axe
z correspond à la direction du moment magnétique M0 dans son état d’équilibre. Le
basculement de M0 aura lieu entre l’axe z et un des axes du plan (x,y).
Le moment magnétique peut donc être décomposé en deux composantes qui sont
les suivantes.
- Une composante longitudinale qui va croître vers sa valeur d’équilibre M0 de façon
exponentielle :
Mz = M0 (1 − e−t/T1 ) (1.1)

où T1 est appelé temps de relaxation spin-réseau.

- Une composante transversale qui va décroître vers sa valeur d’équilibre (la valeur
nulle) de façon exponentielle :
Mxy = M0 e−t/T2 (1.2)

où T2 est appelé temps de relaxation spin-spin.

Le tissu du corps à explorer est donc caractérisé par le module M0 du moment
magnétique à l’équilibre qui est proportionnel à la densité ρ des spins, ainsi que par
les deux constantes T1 et T2 . Dans un tissu contenant par exemple des tumeurs, la
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 7

quantité d’eau, et par suite le nombre des spins, va être inhomogène. Les réponses
des différentes parties de ce tissus ne seront donc pas les mêmes. Cette différence peut
être exploitée pour détecter ces zones inhomogènes éventuellement révélatrices d’une
pathologie. Ainsi, sa détection permettra d’aider le médecin à décider si le tissu examiné
est normal ou pas.

1.2.2 Mouvement de précession

Si jamais le moment M0 n’est pas exactement aligné avec le champ magnétique, on

aura un mouvement de précession de ce moment magnétique : mouvement de rotation
hélicoïdale avec une vitesse angulaire, donc une fréquence f , donnée par Larmor [1] :
γ
f= B (1.3)
2π
où γ est une constante représentant le moment gyromagnétique de l’hydrogène et B
est le module du champ magnétique appliqué.
C’est ce mouvement de précession qui va provoquer l’émission d’une onde électro-
magnétique qui, elle même, sera à l’origine du signal reçu ou mesuré.

1.3 Le signal reçu

Le signal reçu est fourni par une bobine à l’intérieur de laquelle est placé le corps
à explorer et où règne un champ magnétique permanent B0 orthogonal à son axe. Le
mouvement de précession va induire un courant aux bornes de la bobine de fréquence
égale à celle de Larmor décrite par l’éq. (1.3).
La technique d’IRM procède par une acquisition par coupes sous forme de plans
parallèles pour parcourir tout l’objet en question (Fig.1.3).
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 8

Figure 1.3 — Exploration en utilisant des plans de coupes : acquisition de N coupes,

ce qui donne N images.

Supposons qu’on veuille sélectionner une coupe à explorer selon l’axe z de la base
orthonormée de l’espace, de coordonnées cartésiennes (x, y, z). Il suffit d’appliquer
un gradient de champ magnétique Gz qui soit perpendiculaire au plan d’intérêt. Ce
gradient de champ magnétique n’est autre qu’un accroissement de l’intensité de ce
champ dans une direction donnée. Il est constant dans l’espace, ce qui signifie que la
différence d’intensité entre deux points est proportionnelle à la distance séparant ces
deux points dans la direction du gradient. La fréquence de Larmor f (z, t) va donc être
fonction de la position spatiale z, de la durée d’application du gradient T et du temps
d’acquisition t.
Ainsi, l’éq.(1.3) va devenir :

γ
f (z, t) = (B0 + GTz (t)z). (1.4)
2π
Simultanément, on applique une onde Radio-Fréquence (RF) avec une fréquence
égale à celle de la rotation des spins du plan d’intérêt. Après avoir sélectionné une
coupe, une partie des spins (ceux de la coupe sélectionnée) va basculer son aimantation
selon l’axe transversal.
Ces spins feront ensuite l’objet d’autres excitations pour le codage spatial de leurs
positions en utilisant le codage par la fréquence et le codage par la phase que nous
expliquerons dans les deux paragraphes suivants.
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 9

1.3.1 Codage par la fréquence

Si l’objet à explorer est mis dans un champ magnétique variant selon l’une des
coordonnées spatiales (x par exemple), les spins seront excités par un gradient de
champ magnétique Gx . Par conséquent, le signal émis sera fonction de la position
spatiale. Il y a donc une relation de proportionnalité entre la fréquence temporelle f
du signal récupéré et la position spatiale x. C’est cette relation qui servira pour le
codage en fréquence.
γ
f (x) =B(x) (1.5)
2π
où B(x) est le champ magnétique global, qui varie selon la position spatiale x.

1.3.2 Codage par la phase

La phase du signal IRM peut être utilisée pour coder la deuxième dimension spatiale
de la coupe choisie. En effet, un gradient Gy appliqué selon le second axe y et de durée
Ty , juste avant d’appliquer le gradient de codage par la fréquence, provoquera en y un
déphasage ϕ, donné par la relation de Larmor suivante :
γ T
ϕ(y) = G yTy . (1.6)
2π y
Par conséquent, comme pour le codage par la fréquence où il y a une relation de
proportionnalité entre la fréquence et la position spatiale x, une relation similaire existe
entre la position spatiale y et la phase du signal qui en provient.
Afin de coder spatialement tout l’objet à explorer, et pour parcourir toutes les
positions spatiales, il faut répéter cet enchaînement (codage par la phase suivi d’un
codage par la fréquence) plusieurs fois en jouant sur l’intensité du gradient Gy ou sur
sa durée d’application comme l’illustre la Fig. 1.4.
CHAPITRE 1. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE 10

Figure 1.4 — Enchaînement des opérations (1), (2) et (3) pour parcourir toute la
coupe sélectionnée d’un objet fantôme.

À un instant t, et si on considère uniquement la direction selon x, le signal 1D reçu

I au niveau de la bobine sera donc composé de la contribution des spins dans la coupe
sélectionnée avec une densité volumique ρ et ayant subi les excitations du codage par
la fréquence et par la phase :
Z R
Z Rt
−j2π 0t f (x,t0 )dt0 0 0
I(x, t) ∝ ρ(v)e dv = ρ(v)e−j2π 0 γ(B0 +Gx (t )x)dt dv
R
Z Rt
−j2π 0t γB0 dt0 0 0
=e ρ(v)e−j2π 0 γGx (t )xdt dv (1.7)

Rt
Si on pose u(t) = γ 0
Gx (t0 )dt0 , on aura :
Z
˜
I(u) ∝ ρ(v)e−jux dv (1.8)

qui peut être identifié à la transformée de Fourier de la densité volumique des spins
ρ pour une position z (une coupe) donnée. Une transformation de Fourier inverse
permettra ainsi d’avoir l’image désirée correspondant à la coupe explorée.

1.4 Conclusion

Ce chapitre a présenté quelques notions de base concernant le principe physique

permettant de générer le signal manipulé en IRM. Il a traité principalement la manière
dont on obtient un signal d’IRM et la façon dont ce signal est codé spatialement.
Dans le chapitre 2, nous proposons de nous focaliser sur un type particulier d’IRM à
savoir l’IRM parallèle.
 2
CHAPITRE

L’imagerie par résonance

magnétique parallèle

2.1 Introduction

Les techniques d’imagerie parallèle sont actuellement devenues des approches très
utilisées dans les applications médicales de nos jours. L’IRM parallèle (IRMp) fait
partie de ces techniques. Elle est principalement utilisée pour permettre une imagerie
plus rapide que l’IRM classique.
Le but de ce chapitre est de détailler le principe de cette technique, ses motivations et
les principales méthodes de reconstruction utilisées. A cet égard, nous allons cibler notre
présentation sur la méthode SENSE qui a été une des premières méthodes proposées
de reconstruction et qui est à l’heure actuelle, celle qui est la plus utilisée.

2.2 Principe de l’IRMp

De point de vue du processus physique d’acquisition, le principe de l’IRM parallèle

est identique à celui de l’IRM classique expliqué dans le chapitre précédent.
Mais du point de vue technique, l’IRM parallèle consiste à faire l’acquisition de l’ob-
jet à imager en utilisant Nc antennes au lieu d’une seule. Chaque antenne va contenir
une version sous-échantillonnée de l’espace de Fourier correspondant à l’image qu’on
aurait acquise avec une seule antenne. Ce sous-échantillonnage consiste à faire l’ac-
quisition d’une ligne sur R lignes (R est appelé facteur de réduction) de l’espace de
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
12

Fourier, ce qui permet de diminuer le temps d’acquisition par rapport à celui requis
en IRM classique. En effet, le fait de diminuer le nombre de lignes acquises permet de
réduire le nombre de commutation des gradients de champ magnétique lors du codage
par la phase, ce qui réduit le temps nécessaire pour parcourir tout l’objet.

Figure 2.1 — Sous-échantillonnage de l’espace de Fourier.

Dans la Fig.2.1 (a), on a affaire à une acquisition classique de l’espace de Fourier

alors que dans la figure Fig.2.1 (b) on a sous-échantillonné cet espace d’un facteur de
réduction R = 4, c’est-à-dire on a fait l’acquisition d’une ligne sur quatre.
Mais le point clef de l’imagerie parallèle, c’est le fait que les antennes mises en place
possèdent des sensibilités spatiales différentes, c’est-à-dire qu’elles ne reçoivent pas
toutes le même niveau de signal si ce dernier est émis par le même voxel. Leur
disposition est fixée par le constructeur du scanner de telle sorte qu’elles balayent des
zones complémentaires

Dans la Fig.2.2 extraite de [1], on fait une acquisition simultanée de 8 images grâce
à 8 antennes disposées de telle sorte qu’une grande partie de l’objet puisse être couverte.
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
13

Figure 2.2 — Un objet est imagé simultanément par 8 antennes donnant lieu à 8
images, une pour chaque canal [1].

Les 8 images présentent de zones claires dans des endroits différents. Ceci est dû en
effet à la différence de sensibilité : chaque récepteur donne des informations dépendant
de sa propre sensibilité spatiale. C’est cette variabilité de la sensibilité qui servira lors
de la reconstruction.
En plus de la réduction du temps d’acquisition, l’IRMp présente l’avantage in-
déniable par rapport à l’IRM d’améliorer la résolution spatiale et la réduction des
distorsion géométriques et des pertes de signal en IRM fonctionnelle [2].

2.3 Reconstruction d’images IRM parallèle

La reconstruction d’images acquises par la technique d’IRM parallèle consiste à

exploiter ou à fusionner les informations données par chaque antenne (champ de vue
réduit ou reduced Field Of View ) afin d’avoir une image non déformée correspondant
à un champ de vue complet. En effet, afin de parvenir à un temps d’acquisition plus
court que celui en IRM classique permettant notamment de suivre le fonctionne-
ment dynamique du cerveau, l’acquisition des signaux en parallèle est réalisée par
sous-échantillonnage de l’espace de Fourier en-dessous de la borne de Nyquist. Des
artefacts de recouvrement sont donc introduits suite à une transformation de Fourier
inverse pour passer au domaine spatial. Bien entendu, nous avons deux possibilités à
la reconstruction : soit de l’effectuer dans l’espace de Fourier, soit dans le domaine
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
14

spatial pour avoir une image sans recouvrement.

La Fig.2.3 extraite de [3] présente le cas d’une acquisition classique et celui d’une
acquisition parallèle.

Figure 2.3 — Acquisition conventionnelle de l’espace de Fourier (a) et acquisition

sous-échantillonnée d’un facteur de réduction R = 2 (b).

Le premier cas de la Fig.2.3 (a) correspond à un espace de Fourier complet échan-

tillonné aux fréquences horizontale ∆u et verticale ∆v. Une transformation de Fourier
inverse donne une image de champ de vue (FOV ). Le deuxième cas de la Fig.2.3 (b)
correspond à un espace de Fourier sous-échantillonné d’un facteur de réduction R égal
à 2. Le sous-échantillonnage a lieu selon la direction Ou (direction de codage par la
phase). Les lignes acquises de l’espace de Fourier sont en traits pleins et les lignes
non-acquises sont en pointillés. Ceci correspond à une acquisition parallèle avec deux
antennes. Une transformation de Fourier inverse donne une image à champ de vue
réduit ( 12 FOV ) présentant des artefacts de repliement comme illustré à la droite de
la Fig.2.3 (b).

Actuellement, beaucoup d’efforts sont déployés pour développer des méthodes de

reconstruction comme GRAPPA (Generalized Autocalibrating Partially Parallel Acqui-
sition) [4], Space-Rip (Sensitivity Profiles from an Array of Coils for Encoding and
Reconstruction in Parallel ) [5], SEA (Single Echo Acquisition) [6]. Cependant les deux
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
15

méthodes qui sont principalement à l’origine des autres sont les méthodes SENSE (Sen-
sitivity Encoding) [7] et SMASH (Simultaneous Acquisition of Spatial Harmonics) [8].
La méthode SENSE opère dans le domaine spatial tandis que la méthode SMASH
opère dans l’espace de Fourier (K-space).

2.3.1 SENSE

Après l’acquisition simultanée par Nc canaux, on dispose de Nc images dans le do-

maine de Fourier sous-échantillonnées d’un facteur de réduction R, ce qui correspond à
un champ de vue réduit (FOV/R). Pour reconstruire une image à champ de vue com-
plet, on doit fusionner ces différentes images. Cette fusion aura lieu obligatoirement
dans un espace donné. Les auteurs de la méthode SENSE ont choisi le domaine spatial.
Ainsi, la méthode SENSE transforme d’abord les images acquises dans le domaine spa-
tial à l’aide d’une transformation de Fourier inverse, puis crée une image à champ de
vue complet à partir de ces images intermédiaires. C’est donc un problème de sépara-
tion de sources puisque chaque pixel de l’image observée va contenir des informations
provenant de plusieurs pixels équidistants dans l’image désirée correspondant au champ
de vue complet. Ces pixels seront aussi pondérés par les coefficients de sensibilité des
récepteurs en chaque position du champ de vue complet.
La Fig. 2.4 montre le schéma bloc de l’algorithme de reconstruction SENSE avec Nc = 2
et R = 2.

Figure 2.4 — Schéma bloc de la méthode SENSE.

CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
16

En effet, chaque antenne est caractérisée par une sensibilité spatiale en un point
donné de l’objet. La Fig. 2.5 extraite de [3] présente le cas de 4 antennes. Chacune est
caractérisée par une carte de sensibilité différente affichée dans la Fig. 2.5(a).

Figure 2.5 — La sensibilité de 4 antennes intervenant dans une acquisition simul-

tanée d’un objet donné et les signaux obtenus au niveau de chaque canal (domaine
spatial).

La zone en clair indique une forte sensibilité où l’on a le maximum de signal reçu, et
la zone sombre indique une faible sensibilité où l’on a une réception quasi-nulle du signal
provenant de l’objet en question. La Fig. 2.5 (b) représente le signal qui, idéalement
serait acquis pour chaque antenne. En réalité, en raison du sous-échantillonnage de
l’espace de Fourier en acquisition parallèle, on a une répétition périodique des sous-
images comme indiqué dans la Fig. 2.5(c). Ce qui explique le fait qu’un pixel donné
dans l’image observée dépend de R pixels équidistants de l’image désirée avec une
sensibilité différente pour chacun d’entre eux. La reconstruction, qui se résume donc à
un processus de dépliement en inversant celui de superposition des images, va donner
une image à champ de vue complet à partir de ces images repliées (Fig. 2.5 (d)).
La Fig. 2.6 [2] présente la relation entre les images observées et l’image désirée avec
une acquisition simultanée avec Nc = 4 antennes et un facteur de réduction R = 4.
Désignons par M le nombre de lignes de l’image du champ de vue complet et R
le facteur de réduction sur les lignes. Le choix de M et de R dépend des contraintes
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
17

Figure 2.6 — Illustration de la relation de base de la reconstruction SENSE.

technologiques et de l’application visée par l’examen d’IRM. Pour l’IRM fonctionnelle

par exemple, on a besoin de faire de acquisitions très rapides. On diminue donc la
résolution spatiale (mesurée par M ) et on augmente le facteur de réduction R pour
diminuer le temps nécessaire à l’acquisition.
Le signal observé Iobs,c (m, n) en un point (m, n) au niveau du capteur c prend des
valeurs complexes et correspond à la contribution des R valeurs de l’intensité désirée
M
(inconnue) Ides prises sur des lignes décalées de R
pixels pondérées par les coefficients
de sensibilité spatiale Sc :

Iobs,c (m, n) =Sc (m, n)Ides (m, n) + Sc (m + M/R, n)Ides (m + M/R, n) + ...
+ Sc (m + (R − 1)M/R, n)Ides (m + (R − 1)M/R, n)
(2.1)

L’éq. (2.1) suppose que chaque voxel de la coupe à explorer est balayé par l’antenne c.
Ceci nous amène à penser que les différentes antennes balaient des zones totalement dif-
férentes et complémentaires. Par conséquent, les cartes de sensibilité sont représentées
par des masques binaires indiquant les régions où l’antenne peut capter du signal. Mais
en pratique, les antennes ne sont pas si précises et elles captent des fractions du signal
hors de leurs zones idéales de balayage. Les cartes de sensibilité réelles contiennent
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
18

donc des valeurs continues comme indiqué dans la Fig.2.5 (a).

En tenant compte de toutes les antennes c = 1, . . . , Nc , on obtient :

    
M (R−1)M
Iobs,1 (m, n) S1 (m, n) S1 (m + R , n) .. S1 (m + R , n) Ides (m, n)
    
 Iobs,2 (m, n)   S2 (m, n) S2 (m + M (R−1)M  M 
   R , n) .. S2 (m + R , n)  Ides (m + R , n) 
    
 . = . . .. .  . .
    
 .   . . .. .  . 
    
M (R−1)M (R−1)M
Iobs,N c (m, n) SN c (m, n) SN c (m + R , n) .. SN c (m + R , n) Ides (m + R , n)

En notation matricielle, l’éq. (2.1) devient :

Iobs (m, n) = S(m, n)Ides (m, n). (2.2)

Dans toute la suite, l’indice (m, n) permettra de repérer le vecteur Ides de taille R
et le vecteur Iobs de taille Nc . Notons que ces deux vecteurs seront définis en tout point
(m, n) de l’image désirée.
Dans la pratique, les données Iobs (m, n) peuvent être entachées par un bruit
∆Iobs (m, n). De plus, la matrice de sensibilité est inconnue et elle est estimée à partir
de balayages de référence. Ces balayages prennent comme objet à explorer un fantôme
dont la taille et la composition sont bien connues d’avance. L’estimation peut donc être
perturbée par un bruit d’acquisition ou des arrondis de calcul numérique. Ceci peut
être exprimé par un terme additif ∆S(m, n). Le paragraphe 2.3.3.2 décrit brièvement
quelques méthodes d’estimation des cartes de sensibilité.
Ces deux perturbations vont conduire à une erreur globale de reconstruction en plus de
l’erreur de l’algorithme de reconstruction qui se manifeste au niveau de l’image désirée
Ides (m, n).
L’éq. (2.2) devient alors :

Iobs (m, n) + ∆Iobs (m, n) = [S(m, n) + ∆S(m, n)]Ides (m, n). (2.3)

Généralement le problème de l’éq. (2.3) est sur-déterminé (Nc > R). Une résolution
selon le Maximum de Vraisemblance (MV) est alors adoptée en utilisant le modèle de
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
19

l’éq. (2.4) :
Iobs (m, n) = S(m, n)Ides (m, n) + B(m, n). (2.4)

où B(m, n) est une ralisation du bruit multivarié contenant les Nc composantes du

bruit sur chaque antenne. On suppose que B(m, n) est un bruit blanc gaussien centré
de matrice de covariance Ψ de taille Nc × Nc qui décrit le degré de corrélation entre les
différents canaux [7].
Le problème revient à estimer Ides (m, n) à partir des observations Iobs (m, n) connaissant
la matrice de sensibilité S(m, n). Notons que cette estimation des R valeurs de Ides doit
se faire à chaque position (m, n) des images observées.
En retenant le critère du maximum de vraisemblance, l’estimation se calcule aisé-
ment comme suit :

Îdes,M V (m, n) = [S(m, n)H Ψ−1 S(m, n)]−1 S(m, n)H Ψ−1 Iobs (m, n) (2.5)

où H est l’opérateur transconjugué.

2.3.2 SMASH

Cette méthode nécessite aussi une estimation a priori des cartes de sensibilité. Mais
contrairement à SENSE qui opère dans l’espage image, les auteurs de SMASH ont choisi
d’opérer dans l’espace de Fourier en travaillant directement sur le signal reçu. Cette
méthode procède par une génération des données complètes de l’espace de Fourier
en utilisant des combinaisons linéaires pondérées des données sous-échantillonnées des
différents récepteurs.
La Fig.2.7 tirée de [9] présente l’opération d’interpolation qui combine les données
fournies par 4 récepteurs pour générer une image à champ de vue complet dans l’espace
de Fourier. Les données I˜obs,c (u, v) qui représentent la transformée de Fourier de la
densité des spins dans le corps à explorer, sont combinées avec des coefficients de
(h)
pondération ac pour générer les données manquantes et reconstruire une image à
champ de vue complet dans l’espace de Fourier I˜des
comp
(u, v). Ensuite, on procède à une
transformation de Fourier inverse pour avoir l’image dans le domaine spatial.
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
20

Figure 2.7 — La procédure de SMASH pour remplir les lignes manquantes de

l’espace de Fourier.

Cette méthode repose sur le fait que chaque ligne dans l’espace de Fourier représente
une somme des valeurs de l’image dans le domaine spatial modulées par une fonction
harmonique. Ceci vient du fait que le signal mesuré est idéalement la transformation
de Fourier de la densité des spins (image à reconstruire), tout en tenant compte des
sensibilités spatiales des antennes comme indiqué dans l’éq. (2.6)
X
I˜obs,c (u, v) = Sc (m, n).Ides (m, n).e−j(mu+nv) (2.6)
m,n

où u = (u, v) est le couple de fréquences horizontales et verticales dans l’espace de

Fourier.
(h)
Les coefficients de pondération ac sont estimés de façon à vérifier une contrainte
de sensibilité uniforme [10]. Celle ci exige que la combinaison des sensibilités en un
pixel donne une sensibilité uniforme garantissant un champ de vue idéal :

Nc
X
a(h)
c .Sc (m, n) = e
−jhm
(2.7)
c=1

où h est l’ordre de l’harmonique spatial généré.

L’utilisation de ces coefficients de pondération et la combinaison linéaire des lignes
de l’espace de Fourier à partir des images acquises par les Nc antennes, en une position
u, donne une ligne de l’image originale décalée de h par rapport à la position u dans
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
21

la direction de codage de phase. En combinant les éq. (2.6) et (2.7), on obtient [10] :
Nc (M,N )
X X X
a(h) ˜
c Iobs,c (u, v) = a(h)
c Sc (m, n)Ides (m, n)e−j(mu+nv)
c=1 c (m,n)=(1,1)
(M,N ) Nc
X X
= Ides (m, n)e−j(mu+nv) a(h)
c Sc (m, n)
(m,n)=(1,1) c=1
(M,N )
X
= Ides (m, n)e−j(m(u+h)+nv)
(m,n)=(1,1)

= I˜des
comp
(u + h, v) (2.8)

Une transformation de Fourier inverse de l’image composite obtenue I˜des

comp
permet
d’avoir l’image désirée dans le domaine spatial.

2.3.3 Imperfections et limitations de la méthode SENSE

La reconstruction des images d’IMR parallèle, que ce soit par la méthode SENSE
ou SMASH, ou tout autre méthode de reconstruction, fait face à deux classes de bruit :
celui qui affecte les données acquises et celui qui affecte les cartes de sensibilité.

2.3.3.1 Bruit au niveau des données acquises

Le modèle utilisé pour ce type de bruit est généralement celui d’un bruit blanc
additif gaussien corrélé entre les récepteurs et de moyenne nulle. Il est caractérisé par
sa matrice d’autocorrélation Ψ relative aux Nc récepteurs [7].

2.3.3.2 Bruit au niveau des cartes de sensibilité

Les termes Sc (m, n) proviennent de l’estimation des cartes de sensibilité des Nc

récepteurs. Dans la littérature, les méthodes pratiques suivantes ont été proposées
pour estimer ces cartes de sensibilité.
1. Chaque image provenant d’un récepteur est divisée par celle obtenue en faisant
une acquisition non parallèle (avec une seule antenne) de tout l’objet de référence
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
22

[7].

2. Chaque image provenant d’un récepteur est divisée par une image des sommes des
carrés en faisant inclure une modulation de phase [10].

3. Chaque image provenant d’un récepteur est divisée par une image provenant d’un
autre récepteur (sensibilité relative) [11].

4. Une estimation adaptative basée sur l’intercorrélation entre les images des diffé-
rents récepteurs [12].

Il est à noter que les cartes de sensibilité obtenues permettent de faire plusieurs
reconstructions du volume concerné. Ceci est particulièrement important pour l’étude
de processus dynamique comme c’est le cas pour l’IRMf.
Dans la pratique, on peut avoir une bonne estimation de ces cartes de sensibilité.
Mais dans les régions où l’image de référence (celle prenant comme objet, un fantôme
connu) prend des valeurs proches de zéro, l’estimation n’est plus fiable et on aura des
discontinuités dans les cartes de sensibilités. Ceci se traduit par une introduction d’ar-
tefacts supplémentaires.
Pour éviter de propager le bruit d’estimation dans les images reconstruites, on essaye
de raffiner ces valeurs. Pour ce faire, plusieurs approches ont été proposées dans la lit-
térature, parmi lesquelles on peut citer le raffinement par filtrage, le seuillage du bruit,
l’estimation multi-échelle [13], le débruitage dans le domaine transformé en ondelettes
[14], l’ajustement polynômial local [7] et les méthodes variationnelles exploitant le ca-
ractère lisse des cartes de sensibilité [15].

2.3.3.3 Limitations de la méthode SENSE

Les limitations de la reconstruction SENSE sont les suivantes.

1. La reconstruction est généralement imparfaite et elle présente des distorsions plus

ou moins importantes.

2. L’importance des distorsions est croissante en fonction du facteur de réduction R

et le rapport signal sur bruit (SNR) diminue si le facteur de réduction R augmente.
Ce SNR est calculé selon le standard de la NEMA (National Manifactures Asso-
CHAPITRE 2. L’IMAGERIE PAR RÉSONANCE MAGNÉTIQUE PARALLÈLE
23

ciation) comme étant le rapport entre la moyenne de l’image acquise I1 et l’écart

type σ entre deux images acquises I1 et I2 [16].
3. Cette méthode, comme la méthode SMASH, est sensible à une mauvaise estimation
des cartes de sensibilité et au balayage de référence du fantôme utilisé. Elle est
donc sensible à la fiabilité des données a priori.
4. On peut avoir une amplification du bruit d’acquisition affectant le balayage de
référence, comme on peut aussi introduire des discontinuités dans le signal re-
construit lors de l’estimation des cartes de sensibilité. On peut aussi avoir une
amplification du bruit d’acquisition des données lors du processus d’inversion du
problème linéaire.
5. Le temps de reconstruction est assez long par rapport aux méthodes opérant dans
l’espace de Fourier vu que c’est une approche pixel par pixel qui nécessite une
transformation de Fourier pour chaque image intermédiaire (provenant d’un ré-
cepteur donné).

2.4 Conclusion

Dans ce chapitre, nous nous sommes intéressés aux principes de l’IRMp. Nous avons
passé en revue les principales méthodes de reconstruction adoptées pour aboutir à
une image non déformée à champ de vue complet. Nous avons également évoqué le
problème des imperfections auquel fait face la reconstruction et notamment les limites
de la méthode SENSE. Ces imperfections et limitations constitueront l’enjeu de ce
projet qui a pour objectif d’aboutir à une reconstruction de qualité améliorée.
 3
CHAPITRE

Algorithme SENSE
classique et sa forme
régularisée

3.1 Introduction

Dans ce chapitre, nous allons détailler le fonctionnement de l’algorithme SENSE tel

qu’il a été proposé initialement.
D’abord, nous commencerons par présenter les données fournies pour tester la recons-
truction et préciser leur nature et leur format. Ensuite, il va détailler les étapes par
lesquelles nous sommes passés pour effectuer une reconstruction SENSE "basique",
puis une reconstruction régularisée présentant de meilleures performances.

3.2 Les données

En premier lieu, il est important de décrire les données test fournies sur lesquelles
nous avons appliqué les algorithmes.
Ces données acquises ont été fournies par le Commissariat à l’Énergie Atomique (SHFJ-
CEA) à tous les partenaires du projet OPTIMED avec les moyens nécessaires pour
les exploiter afin de tester et comparer les méthodes de reconstruction développées.
Ce projet vise en gros à proposer des solutions algorithmiques originales aux divers
problèmes de reconstruction des gros volumes de données générées par les examens
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 25

d’IRM, afin de s’affranchir de l’obligation de recourir à des moyens informatiques très

puissants pour la détermination d’une solution.
La campagne d’acquisition a permis d’avoir principalement deux types de données :
anatomiques et fonctionnelles.

3.2.1 Données anatomiques

Ces acquisitions vont servir pour les tests de reconstruction sur des images ayant
peu de distorsions. Par opposition aux données de faible et de moyenne résolution (res-
pectivement 64×64 et 128×128), les images sont caractérisées par une haute résolution
spatiale (256 × 256) pour les images à champ de vue complet. Les autres paramètres
d’acquisition sont détaillés dans le tableau 3.1 avec les conventions suivantes.
- TE signifie temps d’écho du signal émis par le corps à explorer.
- TR est le temps de répétition des excitations.
- ST signifie Slice Thickeness (épaisseur des coupes explorées).
- FOV est l’acronyme de Field Of View ou champ de vue.
- FA correspond au Flip Angle ou l’angle de bascule de l’aimantation.
- BW signifie Bandwith ou bande passante (onde radio-fréquence).

Tableau 3.1 — Paramètres d’acquisition pour les images anatomiques.

TE TR FA (˚) FOV ST Rx Ry Rz BW
(ms) (ms) (mm2 ) (mm) (kHz)
10 500 60 240 × 240 5 256 256 14 31.25

Le cerveau est entièrement balayé en utilisant 14 coupes, chacune d’épaisseur égale à 5

mm. La zone couverte au niveau du cerveau est de taille égale à 240 × 240 mm2 , ce qui
correspond dans le domaine spatial de l’image à une taille de 256×256. L’acquisition est
faite en utilisant une onde Radio-Fréquence de bande passante égale à 31.25 kHz avec
un angle de bascule du moment magnétique de 60˚. L’excitation est répétée après 500
ms et le signal émis par le corps à explorer parvient au niveau de l’antenne réceptrice
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 26

après 10 ms d’excitation.
Les données et les informations appropriées sont stockées dans trois types de fichiers
avec des extensions différentes qui sont les suivantes.
- Les fichiers "*.ima" contiennent les volumes de données.
- Les fichiers "*.dim" contiennent l’entête (header ) des images (type, dimensions,...).
- Les fichiers "*.ima.minf" contiennent les méta-informations permettent de stocker
des informations supplémentaires (temps de reconstruction nécessaire ou date d’acqui-
sition par exemple) sur les données qui ne figurent pas dans le fichier header de l’image.
Par exemple, si les données existent déjà, l’utilisation de ce type de fichiers est pratique
pour stocker de nouvelles informations sans toucher aux informations originales.
Par ailleurs, il s’agit de données à valeurs complexes en quatre dimensions Rx × Ry ×
Rz × Nc où :
– Rx est le nombre de lignes des images.
– Ry est le nombre de colonnes des images.
– Rz est le nombre de coupes pour parcourir le cerveau.
– Nc est le nombre d’antennes.
Le nom du ficher donne toutefois une idée sur le facteur de réduction utilisé pour le vo-
lume de données contenu dans ce fichier. Par exemple, le nom de fichier "test2D_4.ima"
indique que le facteur de réduction utilisé est R = 4.
Avec les volumes de données, sont fournies les cartes de sensibilité des 8 antennes
utilisées.

3.2.2 Données fonctionnelles

Rappelons que ces acquisitions servent à suivre de façon dynamique le comporte-

ment du cerveau dans le temps, d’où l’appellation d’images fonctionnelles. Pour ce
type d’images, il y a plus de distorsions que dans les données anatomiques liées à des
phénomènes comme le flou dû au mouvement de la tête ou le bruit causé par la perte
de concentration intellectuelle par rapport aux stimilus appliqués.
Ces données contiennent des images dont la résolution spatiale des images à champ de
vue complet est de 128 × 128 ou 64 × 64. Les détails des paramètres d’acquisition sont
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 27

donnés dans le tableau 3.2 avec les même conventions que les données anatomiques.

Tableau 3.2 — Paramètres d’acquisition pour les images fonctionnelles.

TE TR FA (˚) FOV ST Rx Ry Rz BW
2
(ms) (ms) (mm ) (mm) (kHz)
128 30 2400 90 240 × 240 3 128 128 36 125
64 30 2400 90 240 × 240 3 64 64 36 125

Le stockage des volumes de données et des informations supplémentaires associées

est fait comme pour les données anatomiques et avec les mêmes formats de fichiers. Les
noms de fichiers indiquent la résolution spatiale et le facteur de réduction utilisées. Par
exemple, le nom de fichier "epi64_r2_cplx.ima" indique que les données correspondant
à une image à champ de vue complet de taille 64 × 64 et de facteur de réduction R = 2.
Les cartes de sensibilité sont aussi fournies.
Ici, il s’agit de données complexes en cinq dimensions Rx × Ry × Rz × Nc × Rt .
Notons qu’au niveau des fichiers, la représentation de l’information est en quatre
dimensions : la quatrième dimension intègre le nombre d’antennes et le nombre
d’acquisitions dans le temps.

Pour pouvoir lire ces données, nous disposons de fonctions écrites en MATLAB
fournies par les ingénieurs du CEA, qui sont incomplètes et que nous avons dû adapter
pour pouvoir charger en mémoire les volumes de données de nature complexe et de les
enregistrer à partir de la mémoire sous le format spécifié plus haut. Il est à noter aussi
que les données à charger en mémoire atteignent des tailles de l’ordre de 250 Mo par
examen et par personne. Nous avons donc dû fournir un grand effort pour optimiser les
algorithmes implantés du point de vue complexité opératoire et espace mémoire utilisé
afin de pouvoir s’adapter avec les moyens informatiques fournis.
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 28

3.3 Reconstruction SENSE basique

Pour pouvoir améliorer les performances de la méthode SENSE, nous devons tout
d’abord procéder à son implantation sous sa forme initiale.

3.3.1 Algorithme de reconstruction SENSE développé

L’algorithme de reconstruction "basique" que nous avons développé prend en charge

la reconstruction des données anatomiques et fonctionnelles avec toutes les résolutions
spatiales disponibles. Il répète l’opération décrite par l’éq. (2.2) pour chaque bloc (m,n)
de R pixels et résoud le système donné par la technique du maximum de vraisemblance
comme indiqué par l’éq (2.5). Il permet ainsi d’avoir une image reconstruite à partir
des entrées suivantes.
1. Le fichier contenant le volume des données et les fichiers contenant les informa-
tions qui décrivent les données à utiliser. Ces informations serviront par exemple
à déterminer le facteur de réduction et la taille des images.
2. Le numéro de la coupe à reconstruire. Pour les données fonctionnelles, il faut
ajouter le temps d’acquisition pour bien extraire les Nc images, à partir desquelles
nous allons reconstruire une image à champ de vue complet.
3. Les cartes de sensibilité : ces cartes sont disponibles sous le même format que les
données à reconstruire. Puisque la résolution spatiale diffère d’un type de données
à un autre, il faut donner les cartes de sensibilité qui correspondent bien à la taille
des images à reconstruire (256 × 256, 128 × 128 ou 64 × 64).
4. La matrice de covariance du bruit Ψ : son estimation utilise le coefficient de corré-
lation linéaire et se fait dans la zone qui correspond au fond de l’image, c’est-à-dire
dans la zone qui n’inclut que le bruit de fond. Pour ce faire, nous avons utilisé un
masque qui indique si un pixel donné appartient à la zone où il n’y a pas de signal.
Ce masque est extrait en utilisant des techniques de seuillage et de morphologie
mathématique (ouverture + fermeture) pour ne garder que la plus grande com-
posante connexe, qui correspond au cerveau. L’élément structurant utilisé est un
cercle de rayon 2 centré sur le pixel représentant son centre géométrique. L’ou-
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 29

verture et la fermeture permettent respectivement d’éliminer les très hautes et les

très basses intensités. Après avoir appliqué une ouverture et une fermeture, nous
faisons le seuillage sur l’histogramme d’intensité pour ne garder que la plus grande
composante connexe. La Fig. 3.1 montre l’image de départ (a), l’image après une
fermeture morphologique (b), celle après une ouverture (c) et le masque obtenu
après seuillage d’histogramme (d).

Figure 3.1 — Masque obtenu pour la 10eme coupe.

L’élément générique Ψ(nc1 , nc2 ) de la matrice de bruit correspond à l’intercova-

riance de S entre les deux capteurs nc1 et nc2 . Il est estimé selon la relation sui-
vante :
P
Snc1 (m, n).Sn∗ c2 (m, n)
(m,n)∈M ask
Ψ(nc1 , nc2 ) = q P P (3.1)
( (m,n)∈M ask |Snc1 (m, n)|2 ).( (m,n)∈M ask |Snc2 (m, n)|2 )

∗
où l’opérateur " " indique le conjugué complexe, M ask le masque utilisé et
S(m, n) les coefficients des cartes de sensibilité.
La Fig. 3.2 résume l’algorithme SENSE.
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 30

Figure 3.2 — Schéma-bloc de l’algorithme SENSE.

3.3.2 Résultats de la reconstruction

Dans ce paragraphe nous allons illustrer les résultats de la reconstruction SENSE

sous sa forme classique pour les données acquises avec R = 2 et R = 4.
Les figures 3.3 et 3.4 montrent respectivement le résultat de la reconstruction pour
R = 2 de la 9ème coupe des données anatomiques et fonctionnelles.

Figure 3.3 — Image anatomique à champ de vue complet reconstruites pour R = 2.

CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 31

Figure 3.4 — Image fonctionnelle à champ de vue complet reconstruites pour R = 2.

On voit que les images reconstruites contiennent une information homogène, malgré
la présence de petites distorsions réduites dans l’espace qui ne perturbent pas vraiment
l’apparence globale de l’image reconstruite. Ces distorsions se traduisent par des lignes
de très forte ou très faible intensité, mais pour R = 2 elles ne sont pas très gênantes.
Ceci est en accord avec les résultats trouvés dans la littérature qui montrent que la
reconstruction SENSE donne de bons résultats pour un facteur de réduction R = 2
[17].
La pixellisation au niveau de la Fig.3.4 pour les données fonctionnelles est due à la
différence entre la taille de l’affichage et la résolution réelle de l’image.
Pour rendre l’acquisition encore plus rapide, il faut augmenter le facteur de réduc-
tion. Dans ce cas, les résultats de la reconstruction SENSE se dégradent et ne sont plus
aussi convaincants.
Par exemple, pour R = 4 la reconstruction présente des distorsions plus importantes
que dans le cas où R = 2. Les figures (3.5) et (3.6) illustrent respectivement le résul-
tat de la reconstruction pour R = 4 de la 9ème coupe des données anatomiques et
fonctionnelles.
On remarque que pour les deux images il existe de petits traits qui représentent
des valeurs aberrantes dans l’image. Ce sont des traits qui perturbent l’homogénéité
de l’information reconstruite dans l’image et qui rendent la reconstruction imparfaite.
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 32

Figure 3.5 — Image anatomique à champ de vue complet reconstruites pour R = 4.

L’effet de ces distorsions est plus clair sur les images fonctionnelles car ce sont des
images à faible résolution spatiale et qui contiennent plus de bruit.

Figure 3.6 — Image fonctionnelle à champ de vue complet reconstruites pour R = 4.

Compte tenu de ces résultats, nous avons opté pour une adaptation de la recons-
truction SENSE incluant la régularisation de Tikhonov [18] pour améliorer les résultats
pour un facteur de réduction R = 4. Cette approche et les résultats obtenus sont dé-
taillés dans le paragraphe suivant.
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 33

3.4 Reconstruction SENSE avec régularisation de Ti-

khonov

3.4.1 Régularisation dans le domaine spatial

La solution du problème de reconstruction de la matrice Ides avec régularisation de

Tikhonov est donnée par :
2 2 2
Ides,reg (m, n) = arg min Ides {kIobs (m, n)−S(m, n)Ides (m, n)kΨ−1 +λ kIdes (m, n)−Ireg (m, n)k }

(3.2)

où
– k . kΨ−1 désigne la norme L2 pondérée par la matrice définie positive Ψ−1 .
– Ireg est une image de régularisation utilisée comme données a priori, et le para-
mètre de régularisation λ est choisi pour équilibrer l’attache aux données et la
pénalisation du terme d’erreur formé par la différence entre la solution désirée et
l’image de régularisation utilisée.
La solution sera donc donnée par :

Ides,reg (m, n) =Ireg (m, n) + [S(m, n)H Ψ−1 S(m, n) + λ2 Id]−1 SH (m, n)Ψ−1
× [Iobs (m, n) − S(m, n)Ireg (m, n)]
(3.3)

où Id est la matrice identité de taille R × R.

Généralement, l’image de régularisation Ireg est prise comme une image contenant
l’intensité moyenne de l’image à champ de vue complet. Ce choix se justifie par la
simplicité du calcul qu’il implique. D’autres méthodes adoptent une approche itérative
pour construire cette image, mais la convergence de ces méthodes n’est pas toujours
garantie et le nombre d’itérations nécessaire varie entre les composantes en hautes
fréquences et basses fréquences [17].
La régularisation se base sur le choix de λ, qui reste ici un paramètre à ajuster de
façon heuristique, ainsi que sur le choix de l’image de régularisation. Ces choix sont
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 34

très importants pour avoir une bonne régularisation.

Dans ce projet, nous avons d’abord joué sur le choix de l’image de régularisation en
prenant au début l’image moyenne, et après une image reconstruite avec la méthode
SENSE classique raffinée.

Image moyenne : L’image de régularisation est calculée en utilisant un masque qui

indique les zones de l’image où il y a du signal utile et les zones de fond. La première
zone sera uniforme et va contenir la valeur (complexe) de l’intensité moyenne de
l’image, tandis que le reste sera d’intensité nulle. Le raffinement de cette image
de base sera ensuite fait par la régularisation pour aboutir à l’image reconstruite.
L’algorithme de reconstruction est résumé par le schéma-bloc de la Fig.3.7.

Figure 3.7 — Schéma-bloc de SENSE avec régularisation.

Les résultats obtenus en fonction du paramètre λ sont illustrés dans les figures
Fig.3.8 et Fig.3.9 respectivement, pour les données anatomiques et fonctionnelles.
Cette série de résultats comporte deux cas particuliers :
– l’image avec λ = 0 correspond au cas où l’on retrouve la solution de l’éq (2.2)
sans régularisation. Cette image correspond donc à celle de la reconstruction
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 35

Figure 3.8 — Résultats de la régularisation des données anatomiques pour R = 4.

Figure 3.9 — Résultats de la régularisation des données fonctionnelles pour R = 4.

SENSE classique.
– l’image avec λ = 100000 (λ −→ ∞) correspond au cas où on retrouve comme
solution notre image de régularisation.
Les autres cas montrent la variation du résultat et la capacité d’éliminer les dis-
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 36

torsions en fonction de λ. Certains traits sont complètement supprimés, alors que

d’autres, plus importants, persistent. A cet égard, on remarque qu’en contre partie
de l’élimination des distorsions, il apparaît un lissage de l’information et un autre
type de distorsions. Ce lissage est de plus en plus important quant on augmente
la valeur de λ
Image raffinée : L’image de régularisations est calculée dans ce cas à partir de l’image
reconstruite avec la méthode SENSE classique. Nous avons vu que la reconstruc-
tion avec cette méthode a donné des images contenant de petits traits avec des
valeurs d’intensité très forte ou très faible. L’idée est donc d’essayer d’avoir une
version grossière plus proche de l’image qu’on veut avoir par la régularisation que
l’image de moyenne, mais ne contenant pas ces distorsions. Nous avons donc choisi
de prendre l’image reconstruite avec SENSE et de faire une série d’ouvertures et
de fermetures morphologiques pour essayer d’éliminer ces petites zones où l’in-
tensité est très forte ou très faible. Une ouverture permet de lisser les distorsions
de très haute intensité par rapport à leurs voisinage, et une fermeture permet
d’augmenter l’intensité des distorsions de très faible intensité. Les ouvertures et
fermetures sont appliquées séparément sur la partie réelle et imaginaire de l’image
reconstruite avec SENSE en utilisant un élément structurant circulaire de taille
2. La combinaison des deux images obtenues nous donne une image de régulari-
sation complexe qui possède à peu près la même dynamique que l’image désirée
sans contenir de valeurs aberrantes qui fausseraient la reconstruction. La Fig. 3.10
montre l’image moyenne utilisée (a) et l’image obtenue après la série d’ouvertures
et de fermetures morphologiques (b).
CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 37

Figure 3.10 — Image moyenne (a) et image raffinée (b) utilisées pour la régulari-
sation .

L’algorithme de reconstruction est modifié comme indiqué dans le schéma-bloc de

la Fig. 3.11.

Figure 3.11 — Schéma-bloc de SENSE avec régularisation.

Les résultats de la régularisation obtenus en fonction du paramètre λ sont illustrés

CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 38

dans les figures Fig. 3.12 et Fig. 3.13 respectivement, pour les données anato-
miques et fonctionnelles.

Figure 3.12 — Résultats de la régularisation des données anatomiques pour R = 4.

Figure 3.13 — Résultats de la régularisation des données fonctionnelles pour R = 4.

CHAPITRE 3. ALGORITHME SENSE CLASSIQUE ET SA FORME
RÉGULARISÉE 39

Cette série d’images reconstruites comporte les mêmes cas particuliers que la
Fig.3.8 pour λ = 0 et λ −→ ∞. Pour les autres valeurs de λ, on remarque
que les distorsions d’origine sont supprimées plus facilement et que les distorsions
secondaires introduites par la régularisation sont moins importantes qu’avec une
image de régularisation prise comme image moyenne. L’amélioration est plus re-
marquable pour les images fonctionnelles que pour les images anatomiques.

3.5 Conclusion

Dans ce chapitre nous avons détaillé l’algorithme de reconstruction SENSE classique

en focalisant sur le règlage de ses paramètres. De plus, nous avons proposé une version
de reconstruction régularisée au sens de Tikhonov. Les limitations des résultats obtenus
nous amènent à penser à utiliser une régularisation plus sophistiquée opérant dans le
domaine transformé en ondelettes. Cette approche fait l’objet du chapitre suivant.
 4
CHAPITRE

Régularisation dans le
domaine transformé en
ondelettes

4.1 Introduction

Ce chapitre va décrire la nouvelle approche développée pour améliorer les perfor-

mances de la reconstruction SENSE.
La première originalité de notre approche provient du fait que nous effectuons la
régularisation dans le domaine transformé en ondelettes. Ceci nous permet de réaliser
des traitements séparés sur les coefficients de détails et les coefficients d’approximation.
Nous sommes partis de la constatation que les distorsions présentes dans les images
reconstruites sont des traits fins de très fortes ou bien de très basses intensités par
rapport à leurs voisinages. Il s’agit donc de composantes hautes fréquences localisées
spatialement. Le passage au domaine transformé en ondelettes nous permet donc de
tenir compte simultanément de l’information spatiale et fréquentielle de ces distorsions
et d’appliquer un seuillage séparé sur les différents coefficients de détail. La seconde
nouveauté de notre approche réside dans l’algorithme d’optimisation convexe utilisé
pour la régularisation.
Ce chapitre est organisé comme suit. La section 4.2 dresse un bref rappel de la théorie
des ondelettes. Le lecteur averti peut tout à fait passer directement à la section 4.3 qui
décrit le principe de la démarche proposée
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 41

4.2 La transformée en ondelettes

Les ondelettes ont été introduites il y a environ 30 ans pour combler les insuffisances
des représentations purement spatiales (ou temporelles) ou purement fréquentielle des
signaux. Une ondelette ψ est une fonction de L2 (R) de moyenne nulle qui peut être
dilatée, contractée ou translatée [19] :

1 x−a
ψa,s (x) = √ ψ( ) (4.1)
s s

où a ∈ R est le paramètre de translation et s ∈ R∗ est le facteur d’échelle.

La transformée en ondelettes d’un signal g ∈ L2 (R) est donnée par :
Z +∞
∗ ∗
∀a, s ∈ R × R , Wg (a, s) = g(x)ψa,s (x)dx =< g, ψa,s > . (4.2)
−∞

Le signal g peut être retrouvé à partir de Wg (a, s) suivant la relation :

Z +∞ Z +∞
1 1 x−a ds
g(x) = Wg (a, s) √ ψ( )da 2 (4.3)
Cψ 0 0 s s s
où Z +∞
|ψ̃(f )|2
Cψ = df < ∞
0 f
où ψ̃ est la transformée de Fourier de ψ.

Les ondelettes sont utilisées pour modifier la description du signal en le décompo-

sant en éléments qui tiennent compte à la fois de l’information spatiale et fréquentielle
du signal. La Fig.4.1 montre l’ondelette de Daubechies d’ordre 4 avec et sans décalage
et dilatation. En fonction du facteur d’échelle utilisé, elle permet d’analyses des struc-
tures plus ou moins fines.
En effet, si un signal possède des composantes hautes fréquences importantes ou par-
ticulières, il est important de traiter ces composantes séparément. Plutôt que de faire
varier continuement les facteurs d’échelle et de translation comme dans l’équation (4.3),
on peut faire varier le facteur d’échelle de façon dyadique en choisissant s = 2j , j ∈ Z
et a = k2j , k ∈ Z. Ceci nous permet de définir une analyse multirésolution comme une
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 42

2
Ondelette mère de Daubechies d’ordre 4
Ondelette de Daubechies décalée de a=1 et dilatée de s=2
1.5

0.5

−0.5

−1
−4 −3 −2 −1 0 1 2 3 4

Figure 4.1 — Exemple d’ondelette utilisée pour la transformation.

suite de sous-espaces vectoriels fermés emboîtés (Vj )j∈Z de L2 (R) vérifiant les propriétés
suivantes [20].

P1. ∀j ∈ Z, Vj+1 ⊂ Vj
P2. ∀j ∈ Z, g(x) ∈ Vj ⇐⇒ g( x2 ) ∈ Vj+1
T S
P3. limj→+∞ Vj = j∈Z Vj = {0} et limj→−∞ Vj = j∈Z Vj = L2 (R)
P4. Il existe une fonction ψ0 appelée fonction d’échelle tel que {ψ0 (x − n); n ∈ Z} est
une base orthonormée de V0

Ces espaces Vj sont conçus de manière à contenir les approximations de toutes les
fonctions g ∈ L2 R à l’échelle j.
Dès lors, la propriété P1 traduit le fait que le calcul de l’approximation à la résolution
grossière j + 1 peut se faire à partir de la résolution immédiatement plus fine. La
propriété P2 traduit que le passage de Vj à Vj+1 se fait par une dilatation de cette
approximation. La propriété P3 traduit que la perte d’information en augmentant la
valeur de j conduit au signal nul.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 43

−j
Mallat a montré que dans ces conditions {2 2 ψ0 ( 2xj − n); n ∈ Z} est une base
orthonormée de Vj .
La projection de g dans l’espace Vj fournit les coefficients d’approximation à l’échelle j.
Pour compléter ces approximations, on doit projeter dans un espace complémentaire à
Vj . On définit donc le sous-espace de détails Wj comme le complémentaire orthogonal
de Vj dans Vj−1 :
M
Vj−1 = Vj Wj . (4.4)
−j
On montre alors qu’il existe une ondelette ψ1 telle que {2 2 ψ1 ( 2xj − n); n ∈ Z} est une
base orthonormée de Wj . Cette fonction d’ondelette s’obtient en fonction de ψ0 .

L’intérêt de cette analyse multirésolution réside dans la possibilité de la mettre en

oeuvre au moyen d’un banc de filtres d’analyse.
Ainsi, l’éq. (4.4) équivaut à appliquer un filtre passe-bas h∗0 et un filtre passe-haut h∗1 à
toute approximation aj−1 de g. Après décimation, les deux signaux filtrés correspondent
respectivement à l’approximation et aux détails perdus à l’échelle j :

Figure 4.2 — Banc de filtres d’analyse.

où l’opérateur ↓ 2 désigne l’opérateur de sous-échantillonnage d’un facteur de 2.

Le schéma de synthèse s’en déduit aisément en ayant recours à des filtres passe-bas
et passe-haut et à des interpolateurs d’ordre 2 (notés ↑ 2) comme le montre la Fig.4.3.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 44

Figure 4.3 — Banc de filtres de synthèse.

Dans le cas d’un signal 2D, on effectue une décomposition séparable lignes/colonnes
comme le fait apparaître Fig.4.4. La décomposition est réitérée sur la sous-bande d’ap-
proximation sur jmax niveaux de résolution. Au final, on obtient 4 sous-images qui
représentent l’approximation a(p, q) et les détails horizontaux (hj,p,q )j=1..jmax , verticaux
(vj,p,q )j=1..jmax et diagonaux (dj,p,q )j=1..jmax .
La décomposition en ondelettes orthogonales nous permet donc de représenter le si-
gnal g par des composantes d’approximation et des composantes de détails. La Fig.4.4
montre le schéma-bloc de la décomposition/reconstruction séparable en ondelettes or-
thogonales à un niveau jmax = 1 pour un signal bidimensionnel.

Figure 4.4 — Banc de filtres pour la décomposition/reconstruction.

Le filtre H0 est un filtre passe-bas et H1 est un filtre passe-haut. La Fig.4.4 (a) est
le schéma de décomposition et la Fig.4.4 (b) est celui de reconstruction. On opère en
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 45

premier lieu sur les lignes, puis sur les colonnes. Pour passer à une échelle supérieure
j + 1, il suffit d’appliquer le même banc de filtres à la composante d’approximation du
niveau courant j.

4.3 Statistiques des coefficients d’ondelettes

Dans ce paragraphe, nous allons présenter les résultats de l’étude statistique

effectuée sur les coefficients de la transformation en ondelettes de notre signal à valeurs
complexes. Nous avons étudié les distributions des parties réelles et imaginaires des
coefficients de détail et d’approximation. Nous avons aussi étudié la corrélation entre
ces variables aléatoires pour évaluer si elles sont indépendantes ou non.

4.3.1 Modélisation des distributions

Les figures (4.5), (4.6), (4.7) et (4.8) illustrent respectivement les distributions des
parties réelles et imaginaires des coefficients d’approximation, détails horizontaux,
verticaux et diagonaux de la quatorzième coupe des données anatomiques au premier
niveau de résolution.

Partie réelle Partie imaginaire

500 500

400 400

300 300

200 200

100 100

0 0
−4 −2 0 2 4 6 8 −1 −0.5 0 0.5 1
4 5
x 10 x 10

Figure 4.5 — Histogramme des parties réelle et imaginaire des coefficients d’ap-
proximation.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 46

Partie réelle Partie imaginaire

2500 2000

2000
1500

1500
1000
1000

500
500

0 0
−4 −2 0 2 4 6 8 −4 −2 0 2 4
4 4
x 10 x 10

Figure 4.6 — Histogramme des parties réelle et imaginaire des coefficients de détails
horizontaux au 1er niveau de résolution.

Partie réelle Partie imaginaire

2000 1500

1500
1000

1000

500
500

0 0
−4 −2 0 2 4 −3 −2 −1 0 1 2 3
4 4
x 10 x 10

Figure 4.7 — Histogramme des parties réelle et imaginaire des coefficients de détails
verticaux au 1er niveau de résolution.

Partie réelle Partie imaginaire

3000 2000

2500
1500
2000

1500 1000

1000
500
500

0 0
−4 −2 0 2 4 −3 −2 −1 0 1 2 3
4 4
x 10 x 10

Figure 4.8 — Histogramme des parties réelle et imaginaire des coefficients de détails
diagonaux au 1er niveau de résolution.

On observe que les parties réelles et imaginaires des coefficients de détail suivent
toutes approximativement une distribution de Laplace centrée en 0, c’est-à-dire de
moyenne nulle. Cette distribution peut être décrite mathématiquement par la densité
de probabilité :
1 − |x|
∀x ∈ R, f (x) = e λ (4.5)
2λ
où λ est un paramètre positif. Il doit être ajusté pour chaque sous-bande (imagi-
naire/réelle, orientation, niveau de résolution). Quant aux parties réelle et imaginaire
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 47

des coefficients d’approximations, elles se rapprochent plus d’une distribution gaus-

sienne quand j augmente :
1 1 x−mx 2
∀x ∈ R, f (x) = √ e− 2 ( σ ) (4.6)
σ 2π

où σ 2 et mx sont des paramètres à estimer.

La pertinence de ces lois a été validée par des tests statistiques d type χ2 . Les
paramètres de ces lois ont été estimés par les moyennes et variances empiriques comme
on le verra dans le paragraphe 4.7.

4.3.2 Corrélation partie réelle/partie imaginaire

La corrélation entre deux variables aléatoires X et Y peut être mesurée à partir de

leur coefficient de corrélation ρXY défini par :

E[(X − E(X))(Y − E(Y ))]

ρXY = p . (4.7)
E((X − E(X))2 )E((Y − E(Y ))2 )

Le tableau 4.1 donne les valeurs du coefficient de corrélation des parties réelle et
imaginaire des coefficients d’ondelettes pour les niveaux de résolution j = 1, 2, 3.

Tableau 4.1 — Coefficients de corrélation entre les parties réelle et imaginaire des
coefficients d’ondelettes.

approximation détails
j=1 -0.1131 -0.02
j=2 -0.117 -0.031
j=3 -0.1115 -0.1856

Re et Im désignent respectivement la partie réelle et la partie imaginaire des coef-

ficients d’ondelettes.
Le tableau indique que les parties réelle et imaginaire sont décorrélées que ce soit
pour les coefficients d’approximation ou de détail, une hypothèse qui nous servira par
la suite pour fixer le critère à optimiser.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 48

4.4 Critère d’optimisation

On désigne par T l’opérateur de la transformation en ondelettes sur jmax niveaux

de résolution. On note OIdes = (ades des des des
p,q , (hj,p,q , vj,p,q , dj,p,q )1≤j≤jmax ) le champ des coef-
ficients transformés en ondelettes de l’image désirée Ides . De manière similaire on
note le champ des coefficients transformés en ondelettes de l’image observée Iobs :
OIobs = (aobs obs obs obs
p,q , (hj,p,q , vj,p,q , dj,p,q )1≤j≤jmax ). Comme nous l’avons mentionné dans l’intro-
duction, nous procédons à l’estimation de OIdes à partir de OIobs par ÔIdes . Par la
suite, une transformation en ondelettes inverse sur jmax étages est appliquée à ÔIdes
pour récupérer l’image estimée dans le domaine spatial. Pour cela, on utilise un cadre
bayésien reposant sur le critère du maximum a posteriori. ÔIdes est donc donné par :

ÔIdes = arg max f (OIdes | OIobs ). (4.8)

OIdes

Or, selon la règle de Bayes, on a :

f (OIobs | OIdes )f (OIdes )

f (OIdes | OIobs ) = . (4.9)
f (OIobs )

Sachant que f (OIobs ) ne dépend pas de OIdes , le problème d’optimisation devient :

ÔIdes = arg max[f (OIobs | OIbes )f (OIdes )] (4.10)

OIdes

= arg max[ln f (OIobs | OIdes ) + ln f (OIdes )].

OIdes

(4.11)

En utilisant les lois approchées des parties réelle et imaginaire des coefficients de
détail et d’approximation du paragraphe précédent, et en supposant l’indépendance
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 49

entre la partie réelle et imaginaire, le critère à optimiser dans l’éq. (4.9) s’écrit :

X
J (OIdes ) = k Iobs (m, n) − S(m, n)Ides (m, n) k2Ψ−1
m,n

X³ 1 X
jmax
1 X
des
+ Re
| Re(h j,p,q ) | + Im
| Im(hdes j,p,q ) |
j=1
λ h,j p,q λ h,j p,q

1 X des 1 X des
+ Re | Re(vj,p,q ) | + Im | Im(vj,p,q )|
λv,j p,q λv,j p,q
1 X 1 X ´
+ Re | Re(ddes
j,p,q ) | + | Im(d des
j,p,q ) |
λd,j p,q λImd,j p,q

1 X 1 X
+ 2 (Re(ades
p,q ) − m Re 2
a ) + 2
(Im(ades Im 2
p,q ) − ma ) (4.12)
2σRe p,q 2σIm p,q

où les symboles Re et Im indiquent respectivement les parties réelle et imaginaire

des coefficients en question. Les paramètres σ 2 et ma désignent respectivement la va-
riance et la moyenne de la loi de Gauss des coefficients d’approximation et 2λ2 est la
variance de la loi de Laplace des coefficients de détail.

4.5 Algorithme de minimisation

La résolution du problème de minimisation de l’éq (4.10) est loin d’être évidente.

C’est la raison pour laquelle nous avons utilisé un algorithme itératif dont la justifica-
tion théorique est donnée dans [21]. Nous allons toutefois expliquer ici les principales
étapes de cet algorithme.
L’algorithme propose de construire itérativement une série de scalaires complexes
P
(ξk )k∈K tels que le signal OIdes = k∈K ξk ek soit une solution du problème de minimisa-
tion de l’éq. (4.10), et donc de notre problème inverse de départ. (ek )k∈K désigne la base
orthonormée d’ondelettes. Notons que dans notre cas l’indice k permet de ré-indexer
la base d’ondelettes de l’espace L2 (C 2 ). Pour la compréhension de cet algorithme, nous
avons besoin de donner quelques définitions [21].
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 50

4.5.1 Quelques définitions utiles

– On définit la fonction Φk comme étant le logarithme de la distribution de Laplace
conjointe des parties réelle et imaginaire des coefficients de détails indexés par k
de paramètres λRe Im
k et λk . Celle-ci s’écrit simplement :

Φk :C →] − ∞, +∞[
ξ 7→ wkRe |Re(ξ)| + wkIm |Im(ξ)| (4.13)

1 1
où wkRe = λRe
et wkIm = λIm
.
k k
– On définit l’opérateur de proximité de la fonction convexe Φk paramétrée par wkRe
et wkIm comme étant l’opérateur de seuillage doux noté proxΦk des parties réelle
et imaginaire des scalaires complexes :

proxΦk (ξ) = signe(Re(ξ)) max{|Re(ξ)|−wRe , 0}+ı.signe(Im(ξ)) max{|Im(ξ)|−wIm , 0}

où ı2 = −1.
– En utilisant les notations de la sous-section 2.3.1, on définit la fonction Ω corres-
pondant à la partie différentiable du critère J :
1X
Ω(OIdes ) = kIobs (m, n) − S(m, n)(T−1 OIdes )(m, n)k2ψ−1 ,
2 m,n

où T−1 est l’opérateur de transformation en ondelettes inverse.

P
– Comme on a OIdes = l∈K ξl el , il est possible de considérer Ω comme une fonction
de la famille (ξl )l . Par conséquent, on peut considérer le gradient de Ω par rapport
à la famille (ξl )l appliqué séparément sur les parties réelle et imaginaire :

∇Ω(OIdes ) = ∇Ω((ξl )l ) = (T[SH (m, n)Ψ−1 (S(m, n)(T−1 OiIdes )(m,n) −Iobs (m, n))])m,n .
(4.14)
Ainsi, la k-ème composante du gradient de Ω par rapport à ξk est définie par :

∂Ω((ξl )l )
[∇Ω((ξl )l )]k = .
∂ξk
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 51

4.5.2 Principe de l’algorithme de minimisation

Il s’agit d’un algorithme qui calcule itérativement la famille (ξk,i )k à chaque itération
i ∈ N.
1. On commence par initialiser le signal OIdes à une image O0Ides correspondant à
l’image de régularisation raffinée à la suite d’une série d’ouvertures et de fermetures
morphologiques (c.f. paragraphe 3.4.1).
2. À chaque itération i ∈ N, on met à jour en chaque pixel (m, n) les scalaires ξk,i
selon :

³ ´
ξk,i+1 = ξk,i + αi proxγi Φk (ξk,i − γi [∇Ω((ξl )l )]k ) − ξk,i (4.15)

où αi ∈]0, 1] et γi ∈]0, +∞[.

³ ´
ξk,i+1 = ξk,i + αi proxB (ξk,i − γi [∇A]k ) − ξk,i (4.16)

4.6 Résultats

Ce paragraphe illustre les résultats obtenus avec cette nouvelle approche de recons-
truction SENSE. La reconstruction a été testée pour jmax = 1, 2, 3. Les résultats ont
été obtenus avec αi = 0.1 et γi = 1.7 ∀i ∈ N [21]. L’estimation des paramètres des dis-
tributions des parties réelle et imaginaire des coefficients de détail et d’approximation
est faite sur une image idéale non déformée selon le critère de maximum de vraisem-
blance. L’estimation se fait sur l’image idéale pour éviter d’avoir des paramètres erronés
à cause de l’influence des distorsions sur les distributions des coefficients d’ondelette.
L’estimateur de la variance de la distribution de Laplace adoptée par les parties réelle
et imaginaire des coefficients de détail au niveau de résolution j est donné par :
P
m,n |dj,m,n |
λ̂M V = (4.17)
M j Nj

où d représente la partie réelle ou imaginaire des coefficients de détail en question et

M N est le nombre total de coefficients de détail au niveau de résolution j.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 52

Les estimateurs de la moyenne et de la variance de la distribution gaussienne retenue

pour les parties réelle et imaginaire des coefficients d’approximation sont donnés par :

P P
m,nam,n 2 m,n (am,n− m̂M V )2
m̂M V = σ̂M V = (4.18)
Mj Nj M j Nj

L’arrêt de l’algorithme est fait après un nombre d’itérations fixé à l’avance ou quant
la baisse relative du critère devient en dessous d’un seuil prédéfini. L’évaluation du
critère à minimiser de l’éq (4.10) en fonction du nombre d’itérations effectuées est
illustrée dans la Fig. 4.9. Elle a été obtenue en utilisant l’ondelette de Haar.

Figure 4.9 — Courbe de convergence de l’algorithme.

En observant cette courbe, on peut dire que 80 itérations suffisent pour voir conver-
ger l’algorithme. En effet, à partir de 80 itérations, la valeur du critère à minimiser ne
décroît de façon significative. On peut donc se limiter à ce nombre d’itérations pour
avoir l’image reconstruite présentée dans la Fig. 4.10.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 53

Figure 4.10 — Image reconstruite après 80 itérations.

Une comparaison avec l’image reconstruite avec SENSE classique de la Fig. 4.11
montre que les distorsions sous formes de traits de très forte ou très faible intensité
sont éliminées complètement, ou bien atténuées si elles sont assez importantes du point
de vue étendue spatiale.

Figure 4.11 — Image reconstruite avec SENSE classique.

On remarque aussi l’absence des distorsions secondaires qui apparaissent avec la

régularisation de Tikhonov.
En passant à une profondeur de jmax égale à 2 ou 3, on a quasiment la même courbe
de convergence, sauf au début des itérations où l’on a une convergence plus rapide pour
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 54

les profondeurs élevées. On peut donc réduire le nombre d’itérations nécessaires pour
l’arrêt de l’algorithme si l’on passe à un niveau supérieur de résolution. La Fig. 4.12
présente les courbes de convergence pour les trois premiers niveaux de résolution.

Figure 4.12 — Courbe de convergence de l’algorithme pour les niveau de résolution

égales à 1,2 et 3.

On remarque aussi qu’au niveau de l’image reconstruite il y a un lissage supplé-

mentaire des distorsions. Ceci est illustré par les figures 4.13 et 4.14 qui montrent les
images de différence entre les images reconstruites avec deux niveaux de résolutions
successifs. Ces images présentent de grandes valeurs d’intensité dans les régions où l’on
a des distorsions de très forte ou de très basse intensité au niveau de l’image originale.
Ceci est justifié par le fait que si l’on passe à un niveau de résolution supérieur, on va
encore lisser plus les distorsions.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 55

4000

3500

3000

2500

2000

1500

1000

500

Figure 4.13 — Image de différence entre les images obtenues avec un seul et deux
niveaux de résolution.

1800

1600

1400

1200

1000

800

600

400

200

Figure 4.14 — Image de différence entre les images obtenues avec deux et trois
niveaux de résolution.

Le passage à des niveaux supérieurs de résolution a donc un double avantage :

une convergence plus rapide de l’algorithme et un lissage plus important des distorsions.
CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 56

Nous avons aussi testé l’effet du choix de la base d’ondelettes sur la reconstruction.
Pour cela, nous avons comparé la reconstruction obtenue en choisissant comme base
d’ondelettes celle de Haar et celle de Daubechies d’ordre 4, ainsi que les performances
de l’algorithme. Cette comparaison a montré la faible dépendance de la convergence
de l’algorithme et de la solution optimale vis à vis du choix de la base d’ondelettes. La
Fig. 4.15 montre les courbes de convergence pour les deux cas. Les figures 4.16 et 4.17
illustrent respectivement l’image reconstruite en utilisant la base d’ondelettes de Haar
et l’image reconstruite en utilisant la base d’ondelettes de Daubechies.

Figure 4.15 — Courbes de convergence en utilisant les deux bases d’ondelettes.

CHAPITRE 4. RÉGULARISATION DANS LE DOMAINE TRANSFORMÉ EN
ONDELETTES 57

Figure 4.16 — Image reconstruite après 80 itérations avec la base d’ondelettes de

Haar.

Figure 4.17 — Image reconstruite après 80 itérations avec la base d’ondelettes de

Daubechies d’ordre 4.

4.7 Conclusion

Ce chapitre a détaillé la nouvelle approche développée pour une reconstruction

SENSE avec de meilleures performances que l’algorithme de reconstruction sous sa
forme classique. Il a présenté la théorie des ondelettes qui est utilisée pour la régulari-
sation, ainsi que l’algorithme d’optimisation utilisé et les résultats obtenus.
 Conclusion générale

L ’ imagerie par résonance magnétique parallèle (IRMp) est une technique d’image-
rie médicale sur laquelle se basent plusieurs applications médicales. Malheureu-
sement la production d’images directement compréhensibles et interprétables par le
médecin n’est pas facile et nécessite des traitement spécifiques et délicats. Ceci motive
énormément les traiteurs de signal et d’images pour trouver des solutions fiables aux
problèmes de reconstruction des images.
Dans ce projet, nous nous sommes penché sur ce problème de reconstruction
d’images provenant d’appareils à temps d’acquisition rapide. Nous avons commencé
par appliquer la méthode de reconstruction SENSE qui est la plus utilisée. Nous avons
montré ses limitations pour les données test que nous avions. Cela nous a motivé pour
concevoir deux méthodes de reconstruction reposant sur une approche de régularisa-
tion. La première solution que nous avons proposée est une solution classique de type
régularisation de Tikhonov. Elle conduit à des images reconstruites ayant des arté-
facts localisés spatialement et fréquentiellement. Cela nous a poussé à développer une
méthode de reconstruction dans le domaine transformé en ondelettes dans un cadre
bayésien. Le critère du maximum a posteriori a été optimisé selon un algorithme ité-
ratif performant. Les pistes suivantes restent à envisager comme une suite à ce travail.
– On pourrait raffiner le choix du modèle a priori en introduisant des corrélations
au niveau des valeurs absolues des parties réelles et imaginaires.
– L’allure des distorsions observées nous incite à concevoir des transformées en
ondelettes géométriques prenant compte la circularité de ces artéfacts.
 Bibliographie

[1] E. Roullot, "Analyse d’acquisitions multiples anisotropes en angiographies par ré-

sonance magnétique 3D : modélisation et reconstruction pour l’amélioration de la
résolution spatiale," thèse de doctorat, décembre 2001.

[2] F. Breuer, "Development and application of efficient strategies for parallel magnetic
resonance imaging," PhD Thesis Proposal 2006.

[3] M. Blaimer, F. Breuer, M. Mueller, R. M. Heidemann, M. A. Griswold and P. M.

Jakob, "SENSE, PILS,GRAPPA How to choose the optimal method," Top Magn
Reson Imaging, Aug 2004.

[4] M. A. Griswold, P.M. Jakob, R.M. Heidemann, M. Nittka, V. Jellus, J. Wang,

B. Kiefer, and A. Haase, Generalized autocalibrating partially parallel acquisitions
GRAPPA. Magn Reson Med, Vol. 47, no.6, pp. 1202 10, 2002.

[5] W. E. Kyriakos, L. P. Panych, D. F. Kacher, C. F. Weistin, S. M. Bao, R. V.

Mulkern, and F. A. Jolesz, "Sensitivity profiles from an array of coils for encoding
and reconstruction in parallel (SPACE RIP)," Magn Reson. Med., vol. 44, no.2, pp.
301-308, 2000.

[6] S. M. Wright, M. P. McDougall, and D. G. Brown, "Single echo acquisition of MR

images using RF coil arrays," in Proc. Second Joint EBMS/BMES Conference, pp.
23-26, 2002.

[7] K.P. Pruessmann, M. Weiger, M.B. Scheidegger, P. Boesiger, "SENSE : sensitivity

encoding for fast MRI,"Magnetic Resonance in Medicine", Vol. 42, no.5, pp. 952
962, 1999.
BIBLIOGRAPHIE 60

[8] D.K. Sodickson , W.J. Manning, "Simultaneous acquisition of spatial harmonics

(SMASH) : fast imaging with radiofrequency coil arrays," Magn Reson Med., Vol.
38, pp.591-603, 1997.

[9] P. Kellman, "Parallel Imaging : The Basics," Laboratory of Cardiac Energetics,

NHLBI, National Institutes of Health, DHHS, Bethesda, MD, USA 20892.

[10] J. Petr, " Parallel Magnetic Resonance Imaging Reconstruction," PhD Thesis
Proposal February 14, 2005.

[11] M. Bydder, D.J. Larkman, and J.V. Hajnal, "Combination of signals from array
coils using image-based estimation of coil sensitivity profiles," Magn Reson Med,
Vol.47, no.3, pp. 539 48, 2002.

[12] D.O. Walsh, A.F Gmitro, and M.W Marcellin, "Adaptive reconstruction of phased
array MR imagery," Magn Reson Med, Vol. 43, no.5, pp. 682 90, 2000.

[13] F.H. Lin, L.L. Wald, Y.J. Chen, and J.W. Belliveau, "Estimation of coil sensiti-
vity map and correction of surface coil magnetic resonance images using wavelet
decomposition," in Proc. ISMRM 9th Scientific Meeting and Exibition, Glasgow,
Scotland, UK, vol. 2, p. 801, April 2001.

[14] Z.P. Liang, L. Ying, D. Xu, and L. Yuan, "Parallel imaging : Some signal processing
issues and solutions," in Proceedings of 2004 IEEE International Symposium on
Biomedical Imaging, Arlington, VA, April 2004.

[15] S. L. Keeling and R. Bammer, "Variational based coil sensitivity estimation," in

Proc. ISMRM 9th Scientific Meeting and Exibition, Glasgow, Scotland, vol. 2, p.
800, April 2001.

[16] NEMA, Determination of Signal-to-Noise Ratio (SNR) in Diagnostic Magnetic

Resonance, 2001 Imaging, www.nema.org.

[17] B. Liu, L. Ying, M. Steckner, J. Xie and J. Sheng, "Regularized SENSE recons-
truction using iteratively refined total variation method," IEEE 2007.

[18] C. Labat, "Algorithmes d’optimisation de critères pénalisés pour la restauration

d’images. Application à la déconvolution de trains d’implusions en imagerie ultra-
sonore," thèse de doctorat, décembre 2006.
BIBLIOGRAPHIE 61

[19] P. Abry, "Ondelettes et turbulence. Multiresolutions, algorithmes de décomposi-

tion, invariance d’échelles," 1997.
[20] S. MALLAT, "A wavelet tour of signal processing," Academic Press, San Diego,
USA 1998.
[21] C. Chaux, P. Combettes, J-C. Pesquet, and V. R. Wajs, "A variational formulation
for frame-based inverse problems," mai 2007.