OPTIMED
ALGORITHMES D'OPTIMISATION DECOMPOSES POUR LES PROBLEMES D'IMAGERIE MEDICALE DE GRANDE TAILLE
Description du projet
Dans les futurs équipements de neuro-imagerie en champs intense (centre NeuroSpin, IRM à 7 Teslas) et d'imagerie d'expression des gènes (caméra PET à haute résolution spatiale), chaque examen médical pourra produire un volume de données allant de quelques giga-octets à plusieurs dizaines de giga-octets. Les besoins que cela suscite en reconstruction d'images sont critiques en raison des exigences de qualité et de rapidité de traitement propres au domaine médical, que ce soit pour l'aide au diagnostic ou l'amélioration des modèles animaux des pathologies.
La solution actuelle pour obtenir des premières reconstructions à haute résolution consiste à utiliser des moyens de calculs exceptionnels auxquels peu d'équipes en France peuvent accéder (super calculateur du CEA notamment). Ce projet vise donc à proposer des solutions algorithmiques originales aux problèmes de reconstruction afin de s'affranchir de l'obligation de recourir à de tels moyens informatiques pour la détermination d'une solution.
Reconstruire l'objet d'intérêt (volumique ou spatio-temporel) nécessite d'introduire des contraintes supplémentaires pour régulariser un problème d'inversion par nature instable. Ces contraintes sont en nombre d'autant plus élevé que l'on cherche à inclure davantage d'information a priori sur la solution, ce qui en contrepartie peut permettre d'en améliorer la fiabilité et la qualité. Une fois ces contraintes spécifiées, le problème relève formellement d'un problème d'optimisation de grande taille où les contraintes sont gérées, soit explicitement à l'aide de méthodes d'optimisation directes, soit au travers d'une formulation lagrangienne.
Ces deux formulations ont conduit à développer des algorithmes de reconstruction novateurs, notamment en s'appuyant sur de récents progrès de l'analyse convexe. On s'attachera dans ce projet à développer de nouvelles méthodes itératives de reconstruction en se plaçant dans ce cadre. Certains membres du projet participent d'ailleurs activement, sur le plan national et international, à cette thématique en proposant des algorithmes d'optimisation originaux (notamment pour les problèmes de grande taille) et en analysant leur convergence.
On proposera, en particulier, des algorithmes où il n'est plus nécessaire de supposer la différentiabilité des fonctions de coûts ou des contraintes, et où, lorsque ces dernières sont en nombre élevé, elles peuvent être gérées conjointement en parallèle et non séquentiellement comme par le passé. Par ailleurs, on étudiera les possibilités de paralléliser dynamiquement les traitements de façon à adapter la charge de calculs à chaque itération aux architectures les plus appropriées. Cette recherche d'une plus grande souplesse dans la mise en œuvre des méthodes de reconstruction doit évidemment s'accompagner de gains substantiels en vitesse de convergence qui seront évalués. Pour fournir une représentation plus compacte de l'information utile, ces méthodes pourront être combinées avec des représentations parcimonieuses des images ou des volumes de données, telles que celles issues respectivement des décompositions en ondelettes 2D ou 3D.
Coordinateur du projet
PESQUET Jean-Christophe - Laboratoire d'Informatique de l'Institut Gaspard Monge, Université Marne-la-Vallée, CNRS (UMR 8049).
Partenaires
§ COMBETTES Patrick - Laboratoire Jacques-Louis Lions, Université Pierre et Marie Curie Paris VI, CNRS (UMR 7598).
§ CIUCIU Philippe - Service Hospitalier Frédéric Joliot, Commissariat à l'énergie atomique.
§ IDIER Jérôme - Institut de Recherche en Communications et Cybernétique de Nantes, Ecole Centrale Nantes, ENSTIM Nantes, Université Nantes, CNRS (UMR 6597).