Cardiac color Doppler from a reduced packet size with deep learning

L'échocardiographie Doppler couleur permet la visualisation du flux sanguin à l'intérieur du cœur. Cependant, la faible cadence d'images du Doppler couleur empêche une évaluation quantitative de la vitesse du sang tout au long du cycle cardiaque, compromettant ainsi une analyse complète de la fonction ventriculaire. La formation d'une image Doppler couleur implique une acquisition ultrasonore composée d'environ huit acquisitions temporelles, suivie d'un filtrage du clutter pour récupérer les informations sanguines, puis d'une estimation de la vitesse Doppler. Une solution à la faible cadence d'images consiste à réduire le nombre d'acquisitions temporelles pour la reconstruction de chaque image. Cependant, les méthodes classiques de traitement Doppler couleur pour le filtrage du clutter et l'estimation de la vitesse Doppler sont sensibles à cette réduction d'informations temporelles. Parallèlement, l'apprentissage profond, et en particulier les réseaux de neurones convolutionnels, montrent des résultats prometteurs pour le post-traitement des données échocardiographiques dans diverses applications. Cette thèse explore l'utilisation de modèles d'apprentissage profond pour le traitement Doppler couleur d'acquisitions avec un nombre réduit d'échantillons temporels. Nous avons adopté une approche d'apprentissage supervisé en simulant des acquisitions Doppler couleur cardiaques basées sur des patients à l'aide d'un pipeline de simulation modélisant à la fois les mouvements des tissus et du sang. Nous avons ensuite exploré l'utilisation de modèles U-Net basés sur l'attention pour le filtrage du clutter, obtenant des résultats surpassant ceux d'un filtre passe-haut classique. Pour l'estimation de la vitesse Doppler à partir des signaux filtrés, nous avons proposé des modèles d'apprentissage profond basés sur U-Net, ainsi que des stratégies d'augmentation de données permettant d'égaler ou de surpasser la méthode de référence par autocorrélation, tout en atténuant efficacement l'aliasing et le bruit. Pour ces deux tâches, nous avons comparé l'utilisation de représentations en valeurs réelles et complexes, et évalué les modèles proposés sur des expériences in silico et in vivo. Globalement, tous les modèles proposés ont montré une bonne capacité de généralisation aux données in vivo malgré un entraînement uniquement sur des séquences in silico. Enfin, la combinaison des deux méthodes a donné des résultats prometteurs sur des acquisitions avec seulement trois échantillons temporels. Ces résultats démontrent l'intérêt des méthodes d'apprentissage profond supervisé pour le traitement Doppler couleur à partir d'un nombre réduit d'acquisitions.