Super-résolution des images d'IRM cérébrale : de la recherche à la clinique grâce aux approches d’apprentissage automatique. // Super-resolution of brain MR images: from research to the clinic through machine learning approaches.

L’imagerie par résonance magnétique (IRM) cérébrale est une modalité de référence pour le diagnostic des pathologies neurologiques. L’acquisition d’images haute résolution (HR) reste toutefois limitée en pratique clinique en raison des contraintes de temps d'occupation scanner, de confort des patients, et de corruption des images par le mouvement des patients. Le gain de signal apporté par la montée du champ magnétique permet d'augmenter la résolution spatiale des images pour un temps d'acquisition donné. Ce projet vise à tirer parti de la haute résolution atteignable avec l'IRM 11.7T Iseult, actuellement la plus puissante au monde, pour entraîner des modèles de super-résolution (SR) basés sur un apprentissage automatique, dans le but d’améliorer la résolution spatiale des images 3T couramment utilisées en clinique. Dans les approches existantes, les modèles sont entraînés majoritairement à partir d'images issues de bases de données publiques, en faisant correspondre des paires d'images haute et basse résolution, les données basse résolution étant générées de manière synthétique. Ici, nous exploiterons un jeu de données réel constitué d'images acquises à 3T et 11.7T sur une même cohorte, ce qui garantit une plus grande fidélité anatomique et permet une évaluation rigoureuse du risque d'hallucination, c'est-à-dire de générer de faux détails anatomiques susceptibles d'être mal interprétés par le praticien. Ce projet s’articulera en plusieurs étapes : il s'agira d'abord d'améliorer la qualité des images produites à 11.7T (notamment par la correction du mouvement et des artefacts présents sur les images d'Iseult), puis d'acquérir des images à 3T et 11.7T, de développer et valider des modèles de SR, et enfin d'évaluer leur performance sur des bases de données publiques. Ce travail ouvre la voie à une intégration fiable des méthodes de SR dans la pratique clinique, en permettant de manière indirecte aux IRM conventionnelles de bénéficier des performances uniques d'Iseult.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Magnetic Resonance Imaging (MRI) has become a reference modality for diagnosing and monitoring neurological disorders. However, acquiring high-resolution (HR) brain images remains challenging in clinical practice due to limited scan time, patient comfort constraints, and image degradation caused by patient motion. The increased signal enabled by higher magnetic field strengths can be invested to achieve higher spatial resolution within the same acquisition time. This project aims at taking advantage of the unprecedented spatial resolution achievable with the 11.7T Iseult MRI scanner, currently the most powerful MR scanner in the world, to train a machine learning-based super-resolution (SR) model that enhances the spatial resolution of 3T MRI images acquired in clinical practice. Current SR approaches are typically trained on public datasets, using pairs of high- and low-resolution images, with the low-resolution data synthetically generated from the high-resolution images. In this project we will use a real dataset consisting of 3T and 11.7T images acquired from the same cohort, ensuring higher anatomical fidelity and enabling a rigorous assessment of hallucination risks, i.e. of generating anatomically incorrect details that could be misinterpreted by the radiologists. The project will involve the following steps: improving the quality of 11.7T images (through motion correction and artifact reduction), acquiring pairs of images at 3T and 11.7T, developing and validating SR models, and finally assessing their generalizability on public datasets. This work supports the integration of reliable SR methods into clinical practice, allowing conventional MRI scanners to benefit indirectly from Iseult's unique capabilities.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut des sciences du vivant Frédéric JOLIOT
Service : NEUROSPIN/BAOBAB
Laboratoire : METRIC
Date de début souhaitée : 01-09-2026
Ecole doctorale : Physique et Ingénierie: électrons, photons et sciences du vivant (EOBE)
Directeur de thèse : Boulant Nicolas
Organisme : CEA
Laboratoire : DRF/JOLIOT/NEUROSPIN/BAOBAB/METRIC
URL : https://metric.neurospin.fr/

Financement public/privé

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut des sciences du vivant Frédéric JOLIOT
Service : NEUROSPIN/BAOBAB

Ecole d'ingénieur ou master en traitement du signal/imagerie médicale