La présente invention concerne le domaine technique de l’imagerie médicale, et porte plus particulièrement sur un procédé d’imagerie, un appareil et un produit programme d’ordinateur associé.
Les maladies cérébrales font l’objet d’une recherche intense, tant du point de vue de leur traitement que de leur diagnostic.
Une fois diagnostiqués, certains états cérébraux nécessitent une surveillance pour éviter des états plus graves chez les patients. Ainsi, les résultats cliniques d’études suggèrent que chez les patients souffrant d'une hémorragie intracérébrale primaire, le risque de resaignement n'est pas négligeable : 24% des patients ont connu un ou plusieurs épisodes de resaignement au cours d'une période de suivi moyenne de 84,1 mois. Ce risque semble être le plus élevé au cours de la première année suivant la première hémorragie. La fréquence d'une seconde hémorragie était plus élevée chez ceux dont la pression artérielle n'était pas contrôlée, selon ces mêmes études. En fait, plus la pression artérielle du patient est élevée, plus son risque de récidive est important.
Il est donc important de pouvoir trouver des modalités permettant de surveiller l’état du patient, soit sur un modèle périodique, soit sur un modèle ponctuel pour des patients pour lesquels un risque d’accident vasculaire cérébral imminent a été déterminé. Ces modalités peuvent être anatomiques, biologiques, physiologiques, mais font essentiellement appel à de l’imagerie cérébrale, avec le problème que l’imagerie cérébrale, si elle peut être performante, nécessite un appareillage coûteux, difficilement transportable et requiert des calculs qui sont difficilement compatibles avec un diagnostic rapide.
Dans les approches s’attachant à surveiller un état, par exemple l’évolution d’un AVC, la maladie d'Alzheimer, l'épilepsie, la maladie de Parkinson (MP) et le syndrome de Tourette, les signaux doivent être basés sur des informations anatomiques et physiologiques qui sont extraites pendant le balayage des tissus et être sélectionnés de manière comparative pour améliorer la vitesse d'extraction des images produites en termes de concentration sur les changements de position et de structure de la cible. Les méthodes d'imagerie actuelles, telles que l'imagerie par résonance magnétique (IRM) et la tomographie assistée par ordinateur (CT) sont ainsi difficilement applicables. En outre, l’IRM fonctionnelle (IRMf) et l’électroencéphalogramme (EEG), qui sont actuellement les techniques les plus utilisées car elles peuvent fournir d'excellentes informations anatomiques et physiologiques détaillées liées à la surveillance des troubles cérébraux, ont des inconvénients : la résolution temporelle de l'IRMf conventionnelle est plutôt faible et prend quelques secondes pour atteindre son pic, alors que sa résolution spatiale est excellente, de l'ordre du millimètre carré, tandis que l'EEG a une résolution temporelle de l'ordre de la milliseconde, mais sa résolution spatiale est plutôt faible et couvre quelques centimètres carrés.
En appui de ces méthodes d’imagerie, l'imagerie cérébrale computationnelle est l'un des domaines de recherche les plus vastes et les plus difficiles de ces dernières années. En raison de la nature complexe des maladies du cerveau, diverses approches ont été explorées au cours des dernières décennies, chacune ayant ses avantages et ses inconvénients. L'imagerie hyperfréquence (micro-ondes) du cerveau basée sur l’approche électromagnétique a attiré une attention considérable ces dernières années en raison de ses avantages, tels que son caractère non-invasif, l’absence de contact et son faible coût, ainsi que sa portabilité. L'extraction d'informations sur le cerveau dans ces systèmes présente encore de nombreux défis. Diverses méthodes de traitement ont été proposées pour augmenter la capacité de ces dispositifs, ainsi que l'utilité des images extraites pour détecter et diagnostiquer des maladies du cerveau, notamment des accidents vasculaires cérébraux (AVC). Ces approches conventionnelles nécessitent un grand nombre d'antennes pour collecter le champ inverse diffusé et ainsi résoudre le problème de la diffusion inverse, ce qui a pour conséquence un temps de traitement élevé.
L’invention vise à permettre la surveillance continue des accidents vasculaires cérébraux, appliquée à la surveillance des saignements et de la prolifération des caillots sanguins chez les patients victimes d'accidents vasculaires cérébraux, à l'aide d'un système d'imagerie cérébrale émergent basé sur une approche électromagnétique, et permet une méthodologie de surveillance ultra-rapide et à super-résolution. À cet égard, contrairement aux autres systèmes d'imagerie statique hyperfréquence conventionnels qui peuvent être considérés comme réalisant un balayage aveugle, le système d'imagerie dynamique hyperfréquence basé sur un réseau multi-statique selon l’invention a un grand potentiel pour fournir des outils utiles pour le suivi des accidents vasculaires cérébraux. L'objectif principal est de mettre au point des méthodes de résolution destructive ultra-rapides afin d'ouvrir la voie à la surveillance cérébrovasculaire en effectuant des balayages cognitifs en boucle fermée sur la base d'un(e) algorithme/conception commun(e).
L'hypothèse est que, contrairement à l'imagerie différentielle où les activités variables dans le temps sont détectées en soustrayant les informations statiques, l'imagerie fonctionnelle cognitive en boucle fermée est modulée en temps réel par la rétroaction des enregistrements des rétrodiffusions d’une irradiation intelligente qui est plus rapide, et peut extraire plus d'informations. Pour ce faire, selon les changements dynamiques des activités cérébrales, les formes d'onde transmises, et donc les structures activées des sous-réseaux et des réseaux de focalisation, seront cognitivement modifiées et continuellement adaptées aux cibles changeantes. La vision radicale proposée, basée sur le balayage cognitif (CS – acronyme anglais de Cognitive Scanning), utilise une approche basée sur l'information pour le scénario testé. Le phénomène à l'origine de cette idée est que, pour la surveillance et l'imagerie fonctionnelle, il n’est pas nécessaire de détecter le volume entier du cerveau, mais seulement de sauvegarder/exploiter les données qui contiennent des informations pertinentes sur un ensemble prédéfini d'activités du cerveau. Pour transformer le problème en un problème informationnel, il faut obtenir les paramètres de base de la synthèse d'informations basée sur la connaissance, dont l'un est l'existence de connaissances préalables ou d'une bibliothèque pour créer un système de développement des connaissances et une autonomie de décision en ligne. Le principal argument en faveur de la supériorité du balayage cognitif pour l'imagerie fonctionnelle cérébrale est qu'il est plus flexible pour les schémas inconnus d'activités cérébrales que l'imagerie multi-statique et qu'il peut donc être proposé plus largement comme option de surveillance avec moins de contre-indications. En identifiant une région activée comme cible d'intérêt, le scénario d'imagerie hyperfréquence est transformé en un scénario de détection par hyperfréquences.
La présente invention a donc pour objet un procédé d’imagerie tridimensionnelle du cerveau par imagerie hyperfréquence, caractérisé par le fait qu’il comprend les étapes suivantes :
a - réaliser sur un patient sur la tête duquel est disposé un réseau d’antennes hyperfréquence commandé par un réseau de commutation connecté à un appareil émetteur-récepteur de signal commandable, une image globale tridimensionnelle du cerveau par imagerie hyperfréquence en utilisant l’ensemble des antennes du réseau d’antennes hyperfréquence ;
b - détecter au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
c - calculer une position de l’au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
d - réaliser une image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape a et une réduction du nombre d’échantillons réalisés par les antennes ;
e - fusionner l’image globale et l’image de traitement locale en une image intermédiaire globale tridimensionnelle ;
f - détecter au moins une cible dans l’image intermédiaire globale ;
g - calculer une position de l’au moins une cible dans l’image intermédiaire globale ;
h - réaliser une nouvelle image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape f et une réduction du nombre d’échantillons réalisés par les antennes ;
i – fusionner l’image intermédiaire globale et la nouvelle image de traitement locale dans une nouvelle image tridimensionnelle globale également appelée image intermédiaire ;
j - répéter les étapes f à i un nombre prédéterminé de fois.
Avantageusement, le réseau d’antennes est formé sur un casque, les antennes étant uniformément réparties sur le casque de façon hémisphérique. Avantageusement, le réseau comprend 24 antennes, bien que l’invention ne soit pas limitée à cet égard.
Les antennes sont des antennes d’émission et de réception, permettant d’émettre et de recevoir des signaux hyperfréquence.
Ainsi, grâce à l’invention, en raison du nombre diminué d’antennes et/ou d’échantillons lors de la réalisation d’une image locale dus à la localisation de la cible, moins de calculs sont nécessaires et donc l’image est obtenue plus rapidement, permettant un suivi davantage en temps réel. L’image globale n’étant pas recalculée à chaque itération, on s’intéresse ainsi uniquement au suivi et à l’imagerie de la cible, ce qui diminue l’acquisition et le calcul de l’image. Cependant, à chaque itération, une cible est recherchée dans l’image globale, ce qui permet d’assurer qu’aucune cible n’est manquée, en particulier dans le cadre d’une imagerie de type fonctionnelle où l’on souhaite appréhender l’évolution de la taille, de la localisation et de la nature de la cible en fonction de l’état du patient, même si la totalité de l’image n’est pas recalculée à chaque itération. Le fait que le système comprenne toutes les antennes, mais que celles-ci ne soient activées qu’en fonction de la localisation de la cible permet une grande flexibilité, une complexité de calcul réduite et une grande efficacité de détection de cible. En outre, un équipement de calcul moins puissant est nécessaire par rapport à l’état de la technique. Enfin, l’image peut être prise par un simple casque équipé d’antennes hyperfréquence relié à un dispositif de calcul, permettant une portabilité qui n’est pas possible dans les procédés et systèmes actuels.
Avantageusement, pour une meilleure efficacité, on utilise à la fois un sous-groupe du réseau d’antennes et une réduction du nombre d’échantillons, ce qui diminue d’autant la charge de calcul.
L’invention a également pour objet un appareil d’imagerie hyperfréquence du cerveau, caractérisé par le fait qu’il comprend un casque équipé d’un réseau d’antennes hyperfréquence, un réseau de commutation commandant le réseau d’antennes hyperfréquence, un analyseur de réseau vectoriel connecté au réseau de commutation, une unité de traitement connectée au réseau de commutation et à l’analyseur de réseau vectoriel et commandant le réseau de commutation et l’analyseur de réseau vectoriel, une interface homme machine connectée à l’unité de traitement, l’unité de traitement comprenant des moyens de calcul et de la mémoire pour réaliser les étapes suivante :
a - réaliser une image globale tridimensionnelle du cerveau par imagerie hyperfréquence en utilisant l’ensemble des antennes du réseau d’antennes hyperfréquence ;
b - détecter au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
c - calculer une position de l’au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
d - réaliser une image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape a et une réduction du nombre d’échantillons réalisés par les antennes ;
e - fusionner l’image globale et l’image de traitement locale en une image intermédiaire globale tridimensionnelle ;
f - détecter au moins une cible dans l’image intermédiaire globale ;
g - calculer une position de l’au moins une cible dans l’image intermédiaire globale ;
h - réaliser une nouvelle image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape f et une réduction du nombre d’échantillons réalisés par les antennes ;
i – fusionner l’image intermédiaire globale et la nouvelle image de traitement locale dans une nouvelle image tridimensionnelle globale également appelée image intermédiaire ;
j - répéter les étapes f à i un nombre prédéterminé de fois.
Les antennes sont, de préférence, agencées sur le casque de manière hémisphérique, réparties de manière uniforme.
L’unité de traitement permet l’émission de signaux vers le casque et la réception de signaux provenant du casque.
Selon un mode de réalisation, le réseau d’antennes comprend 24 antennes, de préférence des antennes de type antenne papillon.
Avantageusement, le réseau de commutation est une matrice de commutation 2*24 dans laquelle les 24 ports sont connectés aux antennes et les deux ports sont connectés à l’analyseur de réseau vectoriel.
L’invention a également pour objet un produit programme d’ordinateur comprenant des instructions qui, lorsqu’elles sont exécutées par un ordinateur, réalisent les étapes suivantes :
a - réaliser une image globale tridimensionnelle du cerveau par imagerie hyperfréquence en utilisant l’ensemble des antennes du réseau d’antennes hyperfréquence ;
b - détecter au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
c - calculer une position de l’au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
d - réaliser une image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape a et une réduction du nombre d’échantillons réalisés par les antennes ;
e - fusionner l’image globale et l’image de traitement locale en une image intermédiaire globale tridimensionnelle ;
f - détecter au moins une cible dans l’image intermédiaire globale ;
g - calculer une position de l’au moins une cible dans l’image intermédiaire globale ;
h - réaliser une nouvelle image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence commandé par le réseau de commutation associé à la position de l’au moins une cible détectée à l’étape f et une réduction du nombre d’échantillons réalisés par les antennes ;
i – fusionner l’image intermédiaire globale et la nouvelle image de traitement locale dans une nouvelle image tridimensionnelle globale également appelée image intermédiaire ;
j - répéter les étapes f à i un nombre prédéterminé de fois.
Selon un mode de réalisation, chaque étape de réalisation d’image tridimensionnelle par imagerie hyperfréquence comprend la collecte de données de paramètres de diffusion représentant des hyperfréquences diffusées par le cerveau du patient dans un tenseur de diffusion, la génération de données de paramètre de diffusion différentielles par un procédé d’étalonnage par connectome adaptatif afin de supprimer les signaux parasites, et le traitement des données de paramètre de diffusion différentielles par un procédé de reconstruction d’image confocal pour obtenir une image tridimensionnelle.
Le procédé d’étalonnage par connectome adaptatif consiste à calculer le connectome géométrique entre le réseau d'antennes hémisphériques et les signaux passant à travers le cerveau du patient, le terme connectome étant défini dans la présente demande comme l’ensemble des connexions/liaisons géométriques entre les antennes et les signaux. Selon la symétrie du milieu traversé par les signaux hyperfréquence, il est possible de catégoriser les signaux par paires différentielles qui traversent des chemins symétriques. En effectuant une soustraction entre ces signaux symétriques, toutes les informations non-liées à la cible sont supprimées. En pratique, les signaux sont regroupés à l'aide d'une matrice d’intercorrélation, dans laquelle les signaux des canaux qui suivent le même chemin à travers le cerveau du patient et ont une valeur de corrélation élevée sont classés dans des groupes identiques. Les données des paramètres de diffusion différentielle sont obtenues en soustrayant les signaux de chaque groupe les uns aux autres. Dans les balayages suivants, où les signaux dont la paire différentielle a été supprimée en raison de l'abandon d'un certain nombre d'antennes dans le processus d'optimisation de la disposition des antennes, un mode adaptatif est utilisé pour déterminer la paire différentielle : la corrélation de chaque signal est calculée avec le reste des signaux, et le signal qui donne la plus grande valeur de corrélation est sélectionné comme paire différentielle.
Le procédé de reconstruction d’image confocal utilise une formation de faisceau à somme retardée-multipliée (DMAS – acronyme anglais de Delay Multiply and Sum) en traitant les données de paramètres de diffusion différentielle. La valeur maximale de l'énergie focalisée de manière cohérente dans l'image reconstruite se réfère à la région cérébrale d’intérêt fonctionnelle, par exemple une région d’attaque. L'emplacement de ces zones est considéré comme la position d'une cible possible. Une telle technique est par exemple décrite dans les publications suivantes :
- Ahadi, M., Isa, M., Saripan, M.I. et Hasan, W.Z.W. (2015), Three dimensions localization of tumors in confocal microwave imaging for breast cancer detection (Localisation tridimensionnelle des tumeurs en imagerie confocale par micro-ondes pour la détection du cancer du sein), Microw. Opt. Technol. Lett., 57: 2917-2929 ;
- Salvador, Sara M., et Giuseppe Vecchi, Experimental tests of microwave breast cancer detection on phantoms (Essais expérimentaux de détection du cancer du sein par micro-ondes sur des fantômes), IEEE Transactions on Antennas and Propagation 57, no. 6 (2009): 1705-1712 ;
- Babarinde, O.J., Jamlos, M.F., Soh, P.J., Schreurs, D.P. et Beyer, A., Microwave imaging technique for lung tumour detection (Technique d'imagerie par micro-ondes pour la détection des tumeurs du poumon), 2016 German Microwave Conference (GeMiC), 2016, pp. 100-103.
Selon un mode de réalisation, l’au moins une cible est détectée par calcul du rapport signal sur signaux parasites (SCR – acronyme anglais de Signal to Clutter Ration) et du rapport signal sur moyenne (SMR – acronyme anglais de Signal to Mean ratio) dans des plans à deux dimensions de l’image tridimensionnelle, l’au moins une cible étant détectée sur les surfaces de chaque plan à deux dimensions sur lesquels les valeurs du rapport signal sur signaux parasites et du rapport signal sur moyenne sont simultanément maximales. Une telle technique est par exemple décrite dans les publications suivantes :
- Reimer, T., Solis-Nepote, M. and Pistorius, S., 2020, The application of an iterative structure to the delay-and-sum and the delay-multiply-and-sum beamformers in breast microwave imaging (Application d'une structure itérative aux formateurs de faisceau à retard et somme et à retard-multiplié et somme dans l'imagerie micro-ondes du sein), Diagnostics, 17/06/2022, 10(6), p.411;
- Babarinde, O.J., Jamlos, M.F., Soh, P.J., Schreurs, D.P. et Beyer, A., Microwave imaging technique for lung tumour detection (Technique d'imagerie par micro-ondes pour la détection des tumeurs du poumon), 2016 German Microwave Conference (GeMiC), 2016, pp. 100-103.
Selon un mode de réalisation, la position de l’au moins une cible dans l’image tridimensionnelle est calculée comme étant la position des surfaces de chaque plan à deux dimensions sur lesquels les valeurs du rapport signal sur signaux parasites et du rapport signal sur moyenne sont simultanément maximales. La probabilité que la cible soit détectée est ainsi maximale.
Ainsi, l'emplacement de la région de cible est approché en superposant les cartes métriques quantitatives telles que la valeur maximale pour le rapport signal sur signaux parasites (SCR) et le rapport signal sur moyenne (SMR) dans un plan bidimensionnel, et les dimensions spatiales de la région de cible correspondent aux fenêtres SCR et SMR sélectionnées.
Selon un mode de réalisation, le sous-groupe du réseau d’antennes hyperfréquence associé à la position de l’au moins une cible est constitué par les antennes ayant la distance à la position de l’au moins une cible la plus courte.
Selon un mode de réalisation, un échantillonnage compressif est appliqué aux signaux hyperfréquence émis par les antennes du réseau d’antennes. La puissance de calcul à mettre en œuvre est ainsi diminuée. L’échantillonnage compressif est avantageusement mis en œuvre par une méthode d'optimisation convexe de l’espace L1 (qui désigne dans la présente demande l’espace des fonctions à valeurs dans ℝ dont la valeur absolue (ou l'espace des fonctions à valeurs dans ℂ dont le module) est intégrable au sens de Lebesgue).
Selon un mode de réalisation, chaque étape de fusion de deux images tridimensionnelles consiste à remplacer, dans l’image globale, la partie correspondant à l’image locale, par l’image locale pour obtenir l’image fusionnée.
La position de la cible étant connue, on peut connaître la région de l’image globale correspondant à la cible, et remplacer cette région dans l’image globale par l’image locale de la cible.
Seules les informations supplémentaires obtenues pendant le traitement sont ajoutées à l'image 3D globale.
Le nombre prédéterminé de fois où les étapes f à i sont répétées dépend du choix de l’opérateur utilisant l’appareil selon l’invention. Le nombre prédéterminé de fois peut en particulier être corrélé à une durée, en particulier une durée de surveillance du patient, où être corrélé à une absence d’évolution d’une cible au cours du temps (l’imagerie par l’appareil est arrêtée si la cible n’évolue plus au bout d’une certaine durée) ou à une évolution trop rapide de la cible (développement spatial important de la cible sur une durée prédéterminée).
Après l’étape j, l’image obtenue est une image du cerveau du patient sur laquelle la cible est positionnée dans l’espace. Une évolution de la cible au cours du temps est également obtenue, depuis l’étape a jusqu’à l’étape j par stockage et comparaison des images.
L’invention utilise donc un programme de balayage cognitif intelligent. L’appareil d’imagerie de l’invention utilise une structure intelligente dynamique pour créer des images à haute résolution dans le temps le plus court possible. Le paradigme de balayage cognitif proposé dans cette invention est le résultat d'une combinaison de la théorie de l'information et de la théorie électromagnétique. En mode dynamique multi-balayage, une rétroaction est utilisée pour augmenter les données d'entrée pour les balayages suivants. La sélection de l'agencement du réseau d'antennes qui détermine les signaux souhaités dans l'étape de traitement dépend des informations du balayage précédent et est sélectionnée de manière à extraire de nouvelles informations dans le balayage suivant. Le cerveau est irradié par un réseau d'antennes qui propagent l'onde électromagnétique dans la tête. Ces ondes sont ensuite converties en signaux réfléchis mesurés. Après avoir traversé le récepteur, ils sont convertis en données en fonction du type de balayage. À partir de ce parcours, des informations sont extraites des données capturées.
Contrairement aux systèmes d'imagerie hyperfréquence multi-statiques conventionnels, le balayage cognitif proposé fournit également un processus supplémentaire d'extraction/intégration d'informations. L'objectif principal présenté ici est de créer un balayage cognitif en boucle fermée comme alternative à l'imagerie différentielle qui soit plus rapide et permette d’extraire plus d'informations. S'appuyant sur des techniques de mesure de compression et d'échantillonnage cognitif, le flux d'informations comme les résultats de l’appareil proposé créent des schémas de prise de décision extrêmement innovants pour les systèmes d'imagerie dynamique hyperfréquence ultra-rapides. Sur la base de cette capacité, la conception simultanée d'une architecture d'algorithmes à balayages multiples basée sur le balayage cognitif, qui comprend la sélection d'antennes et l'échantillonnage sub-Nyquist, est mise en œuvre. L'échantillonnage basé sur la compression permet un échantillonnage ultra-rapide et une reconstruction complète de certaines classes de signaux illimités. Dans le balayage basé sur l'information, des changements temporels et spatiaux dans le scénario de surveillance sont rencontrés. Ces changements temporels et spatiaux doivent être détectés et suivis de manière intelligente. En outre, seuls des échantillons de variantes doivent être extraits par balayage. Les données extraites ajoutent également de nouvelles informations à la bibliothèque du système de connaissances en croissance (KGS – acronyme de l’anglais Knowledge Growing System) afin d'estimer l'état futur de la cible d'intérêt (TOI – acronyme de l’anglais Target Of Interest). À cette fin, l’invention combine des algorithmes avec des architectures pour le balayage cognitif, l'acquisition de données et l'intégration des informations requises pour un suivi très rapide afin d'optimiser les performances.
Le principal argument en faveur de la supériorité du balayage cognitif pour l'imagerie cérébrale statique est qu'il est plus rapide et plus précis pour l'imagerie multi-statique du cerveau et peut donc être plus largement proposé comme option de surveillance avec moins de contre-indications. En identifiant la zone de la cible comme cible d'intérêt, le scénario d'imagerie hyperfréquence se transforme en scénario de détection.
Pour mieux illustrer l’objet de la présente invention, on va en décrire ci-après un mode de réalisation préféré, en liaison avec les dessins annexés.
Sur ces dessins :
est un schéma-bloc de l’appareil d’imagerie hyperfréquence selon la présente invention ;
est une représentation à titre d’exemple d’un casque utilisé par l’appareil de la ;
est un organigramme du procédé d’imagerie mis en œuvre par l’appareil d’imagerie hyperfréquence selon la présente invention ;
représente un domaine d'imagerie bidimensionnel de la tête humaine ;
représente une première étape de reconstruction d’image par un procédé de reconstruction d’image confocal ;
représente une deuxième étape de reconstruction d’image par un procédé de reconstruction d’image confocal ;
représente une troisième étape de reconstruction d’image par un procédé de reconstruction d’image confocal ;
représente une quatrième étape de reconstruction d’image par un procédé de reconstruction d’image confocal ;
représente une image 2D extraite selon l’invention ; et
représente l’image 2D obtenue à partir de l’image de la sur la base de la métrique SCR.
Une telle méthode est par exemple décrite dans la publication O’Loughlin, D., Elahi, M.A., Lavoie, B.R., Fear, E.C. and O’Halloran, M., 2021, Assessing Patient-Specific Microwave Breast Imaging in Clinical Case Studies (Évaluation de l'imagerie mammaire par micro-ondes spécifique au patient dans des études de cas cliniques), Sensors, 21(23), p.8048.
Si l’on se réfère à la , on peut voir que l’on a représenté schématiquement un appareil 1 d’imagerie hyperfréquence selon la présente invention.
L’appareil 1 comprend une unité de traitement 2, comprenant des moyens des calculs de type microprocesseur, microcontrôleur, processeur de signaux numériques (DSP), processeur, matrice prédiffusée programmable (FPGA) ou circuit intégré à application spécifique (ASIC), associés à de la mémoire (de type ROM, EEPROM, RAM, mémoire flash), ainsi que des ports d’entrée/sortie et/ou des moyens de communication filaire ou sans fil avec les autres éléments de l’appareil 1, pour mettre en œuvre les étapes décrites ci-dessous d’imagerie hyperfréquence du cerveau et émettre des signaux vers les autres éléments de l’appareil 1 et recevoir des signaux des autres éléments de l’appareil 1.
L’appareil 1 comprend en outre un réseau de commutation 3 relié à un casque 4 portant une pluralité d’antennes 5, les antennes 5 étant commandées par le réseau de commutation 3 qui recueille également les signaux provenant des antennes 5, un analyseur de réseau vectoriel 6, relié au réseau de commutation 3 et traitant les signaux issus du réseau de commutation 3 pour les envoyer vers l’unité de traitement 2, et une interface homme-machine 7, comprenant un écran et des moyens d’entrée de type clavier et/ou souris.
L’unité de traitement 2 et l’interface homme-machine 7 peuvent par exemple être mis en œuvre au moyen d’un ordinateur de bureau classique ou d’une tablette voire d’un téléphone intelligent et est configuré pour mettre en œuvre les étapes décrites ci-après.
Si l’on se réfère à la , on peut voir que l’on y a représenté un casque 4 équipé de ses antennes 5 selon un mode de réalisation préféré.
Le casque 4 est de forme hémisphérique, les antennes 5 étant au nombre de 24 dans ce mode de réalisation à titre d’exemple et non limitatif, réparties de manière uniforme à la surface du casque 4. Les numéros sur les antennes servent à référencer les antennes 5 pour les commander. Le numéro affecté à chaque antenne 5 sur la est bien entendu illustratif et non limitatif. L’invention n’est pas limité au nombre de 24 antennes indiqué dans cet exemple de mise en œuvre de l’invention, également illustratif et non limitatif.
Les antennes 5 sont de préférence des antennes de type antenne papillon, et ont avantageusement une bande passante d’environ 3 GHz.
L’unité de traitement 2 est configurée dans l’appareil d’imagerie hyperfréquence 1 pour mettre en œuvre les étapes suivantes, représentées schématiquement en , lorsque le casque 4 est disposé sur la tête d’un(e) patient(e) :
a - réaliser une image globale tridimensionnelle du cerveau par imagerie hyperfréquence en utilisant l’ensemble des antennes 5 du réseau d’antennes hyperfréquence 4 ;
b - détecter au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
c - calculer une position de l’au moins une cible dans l’image globale du cerveau réalisée à l’étape a ;
d - réaliser une image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence 4 commandé par le réseau de commutation 3 associé à la position de l’au moins une cible détectée à l’étape a et une réduction du nombre d’échantillons réalisés par les antennes 5 ;
e - fusionner l’image globale et l’image de traitement locale en une image intermédiaire globale tridimensionnelle ;
f - détecter au moins une cible dans l’image intermédiaire globale ;
g - calculer une position de l’au moins une cible dans l’image intermédiaire globale ;
h - réaliser une nouvelle image de traitement tridimensionnelle locale de la cible par imagerie hyperfréquence en utilisant au moins l’un parmi un sous-groupe du réseau d’antennes hyperfréquence 4 commandé par le réseau de commutation 3 associé à la position de l’au moins une cible détectée à l’étape f et une réduction du nombre d’échantillons réalisés par les antennes 5 ;
i – fusionner l’image intermédiaire globale et la nouvelle image de traitement locale dans une nouvelle image tridimensionnelle globale également appelée image intermédiaire ;
j - répéter les étapes f à i un nombre prédéterminé de fois.
Après l’étape j, l’image obtenue est une image du cerveau du patient sur laquelle la cible est positionnée dans l’espace. Une évolution de la cible au cours du temps est également obtenue, depuis l’étape a jusqu’à l’étape j.
Les métriques SCR et SMR décrites ci-après sont utilisées pour détecter la cible aux étapes b et f.
L'objectif est d'augmenter la vitesse et la précision de la reconstruction de l'image en réduisant la complexité du matériel au minimum, à condition que la plupart des informations puissent être extraites dans le logiciel de l’unité de traitement 2. Dans la présente invention, un balayage complet du cerveau est effectué et à chaque balayage, seuls les échantillons nécessaires sont sélectionnés afin de réduire la vitesse de traitement dans le logiciel de l’unité de traitement 2.
Un balayage complet du cerveau du patient est donc tout d’abord effectué.
Un tenseur de diffusion lié au balayage complet est créé dans l'unité de traitement 2, le tenseur étant une matrice représentant les signaux émis et reçus par chaque antenne 5 du casque 4.
En appliquant le procédé d’étalonnage par connectome adaptatif détaillé ci-après au tenseur de diffusion, les antennes 5 nécessaires au balayage sont déterminées en fonction des informations sur la zone cible.
Une réduction du nombre d’échantillons (échantillonnage compressif) est appliquée au résultat du procédé d’étalonnage par connectome adaptatif appliqué au tenseur de diffusion pour obtenir une matrice creuse à partir du tenseur de diffusion. Une matrice creuse améliorée est ensuite créée à partir du balayage complet.
L’échantillonnage compressif est avantageusement mis en œuvre sur la matrice creuse améliorée par une méthode d'optimisation convexe de l’espace L1.
Afin de générer des signaux épars (sparse signals en anglais), supposons que la longueur d'un signal x est M×1. Si le signal est épars avec le facteur K (K<<M), il peut être représenté comme x=ψs, où ψ est une matrice de dictionnaire orthogonale et complète. La matrice de dictionnaire s’utilise comme un coefficient dans la méthode détection compressive. La détection compressive, qui est considérée comme une reconstruction inverse du signal original à partir de signaux épars, utilise l'opération linéaire de la matrice de mesure (Φ) et du signal d'entrée comme suit : y=ϕx. Cette théorie est basée sur l'hypothèse que la matrice de mesure Φ est incohérente avec la matrice de dictionnaire ψ. Par cette condition, le vecteur-matrice, s, peut être reconstruit à partir de G=O(K*log Nt). Pour résoudre cette équation, il faut résoudre le problème d'optimisation convexe suivant .
Dans la présente invention, une optimisation convexe basée sur la norme L1 est proposée pour résoudre cette équation. En outre, les opérations matricielles en détection compressée peuvent être écrites comme : y=∅ψs=As, où ∅ est une matrice de mesure gaussienne aléatoire et ψ est la matrice de transformée en cosinus discrète (DCT) : A=∅ψ. La méthode compressive est d'abord appliquée pour générer les signaux épars. Ensuite, à partir de ces signaux épars, des images sont obtenues par le procédé de reconstruction d'image confocal pour comparer le nouveau SCR. Si le SCR est toujours élevé, cela signifie que le signal épars est correct. Dans le cas contraire, le facteur de sparsité doit être diminué.
Une sparsité optimale est appliquée de telle sorte que moins d'éléments non nuls sont utilisés dans la plage où il n'y a pas de changement de signal. En général, du point de vue temporel, la partie initiale du signal est souvent omise car elle présente des valeurs élevées dues à la réflexion sur la surface. Cependant, des informations utiles peuvent être extraites de ces signaux pour être utilisées dans l'estimation de certains paramètres, tels que la permittivité effective, etc.
Après avoir collecté les signaux reçus, tous les signaux sont réduits en taille en utilisant des signaux épars. Puisque la plupart des signaux naturels dans un ou plusieurs domaines (temps, fréquence, ondelettes, etc.) ont un affichage clairsemé, cela signifie que l'information qu'ils contiennent peut être utilisée en utilisant un petit nombre de coefficients dans un domaine spécial exprimé. Par exemple, bien que les images semblent très denses ou riches en espace et avec beaucoup d'informations, dans le domaine fréquentiel, elles ont des informations compactes et dites minces. Ainsi, la plupart de leurs coefficients de fréquence sont nuls ou proches de zéro. Il en va de même pour de nombreux autres types de signaux. Par conséquent, un très grand signal de longueur N ne peut être représenté que par le coefficient K, qui est K << M, ce signal est appelé un ordre clairsemé d'ordre K.
A partir de la matrice creuse, une image est créée en utilisant le procédé de reconstruction d'image confocal.
Entre-temps, afin d'extraire les informations anatomiques, les images existantes liées au scanner de la tête du patient, telles que le scanner et/ou l'IRM, sont transmises à l’appareil 1, de préférence de manière sans fil.
Ces images existantes sont ensuite traitées et segmentées par une machine d'apprentissage automatique pour traiter des informations géométriques et de position de la cible dans l’image du cerveau.
Les images existantes sont ensuite fusionnées avec l’image créée par le procédé de reconstruction d’image confocal et une image complète du cerveau est créée.
Ce scénario étant destiné à la surveillance du cerveau, il dispose d'un mode multi-scan permettant de révéler des évolutions/changements de la cible.
En imagerie radar, après avoir reçu les signaux de retour au moyen d'une méthode de collecte de données sous forme de balayage multistatique, un tenseur de diffusion est créé. Cette étape, qui est formée du matériel au logiciel, convertit les ondes électromagnétiques en données complexes enregistrées dans un tenseur appelé tenseur de diffusion. Dans ce tenseur, qui est une matrice, en fonction de l'information utile, la partie sous la diagonale est éliminée en premier, ainsi que les éléments diagonaux, qui correspondent aux signaux réfléchis par chaque antenne, en raison des valeurs beaucoup plus élevées que les autres signaux. En général, avant de convertir les signaux en données et les données en informations, un étalonnage doit être effectué dans le matériel pour garantir la précision des signaux reçus. L'étalonnage comprend notamment l’élimination des couplages entre les antennes en ajustant leur distance, la création d'une onde plane au lieu d'une onde sphérique en ajustant la distance du milieu de mesure et l'élimination des réflexions indésirables par l'ajout d'un absorbeur ou d'une plaque arrière métallique pour supprimer la diffusion derrière l'antenne. Une fois que toutes les mesures ont été prises pour transférer les données correctes du matériel au logiciel, ce dernier est étalonné.
En raison de la propriété de réciprocité de la théorie électromagnétique, il n'est pas nécessaire de balayer l'ensemble de l'état 24 antennes × 24 antennes. En d'autres termes, les informations stockées à partir du modèle de simulation 3D comprennent les éléments diagonaux et les éléments triangulaires supérieurs du tenseur de diffusion. Les éléments diagonaux sont les pertes par retour d'antenne. Les autres signaux sont les pertes de transmission entre les paires d'antennes différentes.
L'objectif principal de la partie logicielle de l’unité de traitement 2 est de reconstruire l'image précise des signaux reçus. Tout d'abord, afin de cartographier les informations, il faut créer un hémisphère de coordonnées contenant les points focaux. Pour créer cet hémisphère, des informations physiques telles que le rayon ambiant, le matériau ambiant et le nombre de points d'échantillonnage doivent être saisies dans le programme de l’unité de traitement 2 au moyen de l’interface homme-machine 7. Le rayon ambiant détermine la limite de l'image. Le nombre de points peut également être déterminé en fonction de la bande passante du signal. Un autre paramètre important est le matériau de l'environnement, qui est défini sur la base de la permittivité diélectrique et de la conductivité électrique. La permittivité diélectrique est plus importante en raison des changements de vitesse d'onde. Dans l'étape suivante de la saisie des paramètres dans le programme, les informations de l’appareil 1 sont entrées telles que le nombre d'antennes 5, leur emplacement et les canaux liés aux signaux, qui montrent la relation entre les signaux et le chemin entre deux antennes 5 respectives dans chaque signal.
Après avoir entré tous les paramètres physiques, la première section de prétraitement comprend l'algorithme de suppression des signaux parasites avec un étalonnage in situ. Dans l'imagerie radar du cerveau, étant donné qu'il existe plusieurs paramètres inconnus pour reconstruire l'image globale, celle-ci doit être extraite des signaux de retour. Ainsi, des méthodes basées sur la théorie de l'information peuvent être très utiles, tant pour augmenter la vitesse de traitement que pour détecter par l'appareil certaines cibles. Dans cette invention, nous proposons la forme adaptative de l'algorithme de l’étalonnage in situ qui est basée sur l'arrangement dynamique du connectome (ensemble des connexions entre les antennes et les signaux) dans le chemin de traitement de rétroaction. Dans cette méthode, les signaux sont sélectionnés dans le tenseur de diffusion sur la base d’informations géométriques du milieu imagé (cerveau) et des canaux de propagation des ondes dans l'environnement. À cette fin, nous effectuons des traitements à partir de différents chemins qui conduisent à l'extraction de plus d'informations. En général, toutes les informations sont extraites du tenseur de diffusion en plus des informations physiques du système pour reconstruire l'image.
Le procédé d’étalonnage par connectome adaptatif in situ utilise la propriété symétrique des côtés droit et gauche de la structure elliptique du cerveau.
Toutes les connexions entre les antennes sont identifiées.
Les connexions sont ensuite groupées par distance entre une paire d’antennes considérée. Ainsi, un premier groupe est constitué par les connexions entre les antennes adjacentes, un deuxième groupe est constitué par les antennes séparées par une antenne, un troisième groupe est constitué par les antennes séparées par deux antennes, etc., le dernier groupe étant constitué par les antennes séparées par le plus grand nombre d’antennes 5 possibles sur le casque 4. Ces groupes représentent des signaux qui parcourent des chemins symétriques.
Pour le casque 4 représenté sur la , le dernier groupe serait donc constitué par les antennes 5 séparées par cinq antennes (par exemple les antennes 5 diamétralement opposées sur le casque 4).
Pour chaque groupe de signaux, on soustrait le premier signal du suivant, et on soustrait le signal obtenu du suivant jusqu’au dernier signal du groupe. On obtient ainsi pour le groupe de signaux un signal différentiel dont les caractéristiques non liées à la cible à détecter sont supprimées.
Le signal différentiel obtenu pour un groupe est ensuite soustrait de la valeur moyenne du signal pour le groupe.
Ces deux étapes permettent de supprimer les signaux parasites, notamment le fond et les effets de peau, pour ne conserver que l’information utile relative à la cible.
Une fois ce traitement effectué, l’unité de traitement 2 réalise une reconstruction d’image par un procédé de reconstruction d’image confocal pour obtenir une image tridimensionnelle à partir des signaux étalonnés. Fondamentalement, le procédé de reconstruction d’image confocal consiste à intégrer de manière cohérente l'énergie de chaque signal réfléchi en chaque point focal.
Un domaine d'imagerie bidimensionnel de la tête humaine, comme représenté en , est considéré. Un réseau d'antennes où les antennes sont placées à égale distance les unes des autres autour de la tête est utilisé. Les positions de chacune des antennes, représentées en coordonnées sphériques (in, r) correspondant à des coordonnées cartésiennes données par an = [xn, yn], où n est le numéro de la n-ième antenne. La zone d'imagerie à l'intérieur de la tête est représentée par I, où les points d'imagerie (points focaux) à l'intérieur sont désignés par im = [xm, ym], où m est le numéro du m-ième point dans la zone d'imagerie.
Afin d'assurer une intégration cohérente du signal, les effets des délais entre les points focaux et les positions des antennes doivent être compensés. Dans ce cas, il est nécessaire de trouver le déphasage entre chaque antenne et les autres antennes. Ce temps de retard est égal à la distance directe entre l'émetteur et le récepteur divisée par la vitesse de l'onde dans le milieu de propagation. L'étape suivante consiste à extraire la localisation de la cible à partir des signaux réfléchis. Pour cela, toutes les valeurs sont mises à zéro avant leur retard calculé. Le délai de propagation du signal de la n-ième antenne du réseau au m-ième point de la zone d'imagerie, I, est calculé sur la base de l'équation suivante :
où εeff est la constante diélectrique effective de la tête. Pour le modèle étudié, on calcule la valeur de εeff égale à 38, qui correspond à la moyenne des valeurs de constante diélectrique mesurées sur des cerveaux artificiels. Afin de reconstruire une image, un algorithme de formation de faisceau focalisé tel que l'algorithme de formation de faisceau par retard et somme (DAS) est mis en place. Pour cela, la première étape consiste à identifier les points focaux pour calculer le modèle d'énergie du signal réfléchi en ces points, ce qui, pour l'algorithme d'imagerie multi-statique, sera fait par intégration cohérente des signaux. Un algorithme de formation de faisceau retard et sommation (DAS – acronyme anglais de Delay And Sum) crée une intégration cohérente de l'énergie des signaux en chaque point focal, en sommant les signaux corrigés en déphasage les uns par rapport aux autres, suivant l’équation suivante :
Où An est le signal de l'antenne à l'emplacement n (point focal de n).
La personne du métier sait passer des coordonnées cartésiennes aux coordonnées sphériques.
Les figures 5A-5D illustrent le procédé de reconstruction d’image confocal. La montre les points focaux à l'intérieur de l'hémisphère avec la taille des distances d'antenne.
La précision spatiale entre ces points est d'environ 3 mm. Ensuite, en calculant le retard, ces points sont calculés à partir de chaque paire d'antennes correspondant à chaque signal, et l'accumulation d'énergie en chaque point est obtenue. La montre un schéma tridimensionnel d'une image confocale avec une formation de faisceau DMAS. La montre une image 2D en vue coronale, et la montre enfin une image bidimensionnelle contenant la cible.
Une méthode combinée basée sur l'apprentissage automatique a été proposée pour la segmentation et la classification des images de tomodensitométrie (CT scan)/IRM. Les principales étapes de la méthode proposée sont présentées ci-après.
Une méthode de suppression du bruit peut être utilisée pour réduire le niveau de bruit dans les images.
De plus, pour réduire les dimensions des images, des méthodes de réduction des dimensions telles que la transformée en ondelettes et l'analyse par composantes principales (PCA – acronyme anglais de Principal Components Analysis) peuvent être utilisées. Enfin, les méthodes en K-moyennes, la méthode floue de segmentation d'images et la méthode de segmentation SVM (machine à vecteurs support) multiclasse peuvent être utilisées pour classer les types d’anomalies (accidents vasculaires cérébraux).
Après avoir créé l'image tridimensionnelle globale sur la base d’une imagerie hyperfréquence grâce à la disponibilité de l'image par IRM / tomodensitométrie du patient, ces deux images sont combinées dans le programme de post-traitement dans l’unité de traitement 2 et, après avoir extrait les informations nécessaires, une prise de décision est créée pour une rétroaction sur le réseau de commutation afin de déterminer les paramètres du prochain balayage. Comme il s'agit d'une méthode à boucle de rétroaction, l'image doit être affichée dans plusieurs cadres temporels.
Afin de réaliser la technique de traitement ultra-rapide, la réduction du signal et la réduction de l'échantillonnage sont appliquées à deux niveaux.
La question principale est de savoir quelles antennes doivent être sélectionnées pour avoir la capacité maximale d'information. Les éléments du tenseur de diffusion montrent toutes les connexions possibles et l'objectif est de sélectionner les signaux nécessaires en fonction du connectome à partir du tenseur de diffusion. Dans le cadre du balayage cognitif, il n'est pas nécessaire de saisir tous les éléments du tenseur de diffusion dans l'algorithme de reconstruction de l'image. Par exemple, parmi les différents signaux qui passent par le même canal de propagation, un seul est sélectionné et les autres sont éliminés pour obtenir une matrice creuse. Ceci signifie qu'il faut supprimer les éléments triangulaires inférieurs de la matrice creuse. En outre, en raison de la symétrie quasi-elliptique de la tête humaine, les signaux de retour des antennes qui se font face peuvent être utilisés pour l’étalonnage in situ. Il convient de noter que les signaux de retour de chaque port sont sensiblement différents des signaux de transmission diagonaux, à savoir que les signaux de transmission diagonaux bi-statiques sont beaucoup plus faibles que les signaux de retour dans chaque port monostatique. Ce phénomène est d'une importance considérable, car il régit les principales mesures d'imagerie telles que la corrélation et la contiguïté des informations codées à partir de la scène lorsque différents canaux sont balayés.
Une façon quantitative d'analyser la capacité d'information (et donc l'orthogonalité de la résolution spatio-temporelle) des signaux sélectionnés est d'analyser le rapport signal sur signaux parasites (SCR) et le rapport signal sur moyenne (SMR) des images reconstruites et l'emplacement de la cible dans chaque balayage. Selon l’invention, une carte de SCR et une carte de SMR sont utilisées comme moyen de détection et de la cible, dans les étapes b et f. Ensuite, en fonction de la valeur maximale de ces critères (SCR et SMR), la position de la cible est révélée. Après avoir créé l'image par le procédé de reconstruction d’image confocal lors du premier balayage complet, les informations sur la position de la cible et d'autres paramètres tels que le SCR, le SMR sont extraits de l'image du balayage en cours. En outre, la matrice d’intercorrélation du tenseur de diffusion doit être comparée aux cartes de SCR et de SMR. Toutes ces informations sont ensuite adaptées pour déterminer la position de la cible et la zone occupée par la cible et sont présentées au regard du connectome comme un facteur de décision pour déterminer la sélection optimale des signaux. Ensuite, en comparant cette position et la matrice d’intercorrélation, les signaux qui ont l'effet principal sur la position de la cible sont sélectionnés en examinant la connexion du connectome et une détection compressive, mise en œuvre par l’unité de traitement 2, est appliquée à ces signaux sélectionnés pour la génération de signaux épars. Dans ce cas, l'image numérisée suivante est réalisée avec le mode le plus rapide possible et le moins d'échantillons nécessaires et en préservant les informations requises relatives à la cible détectée. L’échantillonnage compressif est avantageusement mis en œuvre par une méthode d'optimisation convexe de l’espace L1.
Après avoir extrait les informations des images du balayage cérébral du patient, à ce stade, en utilisant l'image obtenue par la méthode d’imagerie hyperfréquence, de nouvelles informations utiles sont extraites pour faire correspondre l'emplacement de la cible avec les informations extraites des images du balayage et fournir les informations nécessaires dans la phase de retour d'information pour décider du second balayage.
En raison de la nature des images hyperfréquence, qui sont obtenues en accumulant de l'énergie dans des points focaux et qui présentent des points semblables à des cibles dans l'image ou des cibles floues, la détection de la position de la cible utilise des métriques basées sur les données. Les métriques utiles dérivées de ce point de vue incluent le SCR et le SMR. La région ayant la valeur la plus élevée de ces deux métriques est identifiée comme la région de la cible et comparée à la région de la cible obtenue dans l'image du balayage, et tant que cette comparaison a la même réponse, au lieu de l'ensemble des signaux du tenseur de diffusion, des signaux sélectifs sont utilisés pour le prochain balayage.
En raison de la nature des images micro-ondes, qui sont obtenues en accumulant de l'énergie dans des points focaux qui ont des points de type cible dans l'image ou des cibles floues, la détection de la position de la cible avec les méthodes d'intelligence artificielle présente une erreur élevée. Ainsi, pour détecter la cible et extraire sa position à partir de l'image, des techniques basées sur des métriques quantitatives sont proposées. Les métriques utiles dérivées de ce point de vue sont SCR et SMR. Dans ce but, la région de l'image a été divisée en plusieurs fenêtres 2D comme représenté en . L'emplacement central des fenêtres qui présente la valeur la plus élevée de ces deux métriques est identifié comme la région cible.
Le premier paramètre calculé dans le cadre de cette invention est le rapport SCR, qui est utilisé pour évaluer dans quelle mesure l'énergie de la zone est supérieure à l'énergie des signaux parasites dans chaque fenêtre S 2D. Par conséquent, la valeur du SCR quantifie la présence d'un artefact à l'emplacement de la cible dans le cerveau. Le SCR peut être identifié comme suit :
où [F(n)]Stroke est la valeur d'énergie dans la fenêtre S 2Den présence d’une cible, et [F(n)]Clutter est la valeur d'énergie sur la même région S lorsque la cible n'est pas présente. Les signaux parasites sont dus aux artefacts résiduels, et la valeur énergétique moyenne des signaux parasites est calculée dans un modèle de fond, qui est basé sur un modèle de tête saine sans accident vasculaire cérébral.
Le deuxième paramètre calculé dans le cadre de cette invention est le SMR, qui permet d'évaluer dans quelle mesure l'énergie de la sone de cible est supérieure à l'énergie moyenne des signaux parasites dans la zone de la tête. La métrique SMR est spécifiée comme le rapport entre la valeur moyenne de l'énergie rétrodiffusée dans la zone de la cible et la valeur moyenne dans l'ensemble du cerveau. Le SMR peut être identifié comme suit :
où [F(n)]Stroke est l'intensité de tous les points à l'intérieur de la fenêtre S et mean[F(n)]Clutter est l'intensité de tous les points à l'intérieur de la fenêtre H, où H représente la région entière de la tête.
La montre les résultats de la génération des cartes métriques SCR à partir d'une image micro-ondes 2D de la , où la valeur du SCR en ordonnées varie de 0 à 5.
On décrit maintenant la technique de traitement ultra-rapide pour un système d'imagerie cérébrale hyperfréquence à super-résolution basé sur la maximisation de la capacité d'information extraite. Après avoir localisé la cible, les signaux liés à la zone de la cible sont sélectionnés. En fonction de la position de la cible, les signaux pertinents sont sélectionnés dans la zone de la cible pour appliquer un calibrage adaptatif. Le procédé d’étalonnage par connectome adaptatif peut être utilisé pour l’étalonnage. La zone hémisphérique du casque 4 peut être découpée en plans horizontaux ou verticaux, chaque plan correspondant à un sous-ensemble du réseau d’antennes 5. La disposition horizontale de la sélection des signaux peut être appliquée en fonction de la hauteur de la zone de la cible. En d'autres termes, si la cible détectée a le même niveau que l'une des dispositions circulaires des antennes, seuls les signaux liés à cette disposition circulaire seront utilisés pour créer l'image dans les balayages suivants. Une autre disposition dans la direction verticale est possible, qui, en raison du manque d'antennes, ne peut être efficace que pour aider à un meilleur étalonnage.
L’appareil 1 de l’invention réalise donc un premier balayage du cerveau du patient à l’aide du casque 4 portant les antennes 5, par imagerie hyperfréquence. Un tenseur de diffusion est obtenu, lequel est traité par l’unité de traitement 2, qui traite l’image obtenue par une méthode de détection par SCR et SMR pour détecter et positionner la cible détectée dans le cerveau. Une fois la cible détectée, une image tridimensionnelle est construite par le procédé d’étalonnage par connectome adaptatif et un échantillonnage compressif, permettant de sélectionner un sous-groupe du réseau d’antennes 5 qui sera le plus adapté pour réaliser une nouvelle image du cerveau limitée à la région de la cible. Une fois l’image limitée à la cible construite, également par le procédé d’étalonnage par connectome adaptatif et échantillonnage compressif, cette image limitée est fusionnée avec l’image précédente voire avec une image plus précise obtenue par IRMf ou autres, puis les étapes sont ainsi répétées pour obtenir une séquence d’images permettant de suivre l’évolution de la cible, sans avoir à recalculer toute l’image à chaque fois. La puissance de l’appareil selon l’invention tient au fait que la cible est détectée dans chaque image globale par un algorithme peu coûteux en calcul, la prise d’image étant ensuite limitée à la région de la cible détectée pour obtenir une image globale issue de la fusion d’une image plus précise avec l’image limitée à la zone imagée.