Search

Your search keyword '"Jeremy Beaumont"' showing total 7 results
Start Over Author "Jeremy Beaumont"
7 results on '"Jeremy Beaumont"'

1. Avoiding data loss: Synthetic MRIs generated from diffusion imaging can replace corrupted structural acquisitions for freesurfer-seeded tractography.

Author

Jeremy Beaumont, Giulio Gambarota, Marita Prior, Jurgen Fripp, and Lee B Reid

Subjects
Medicine, Science
Abstract

Magnetic Resonance Imaging (MRI) motion artefacts frequently complicate structural and diffusion MRI analyses. While diffusion imaging is easily 'scrubbed' of motion affected volumes, the same is not true for T1w or T2w 'structural' images. Structural images are critical to most diffusion-imaging pipelines thus their corruption can lead to disproportionate data loss. To enable diffusion-image processing when structural images are missing or have been corrupted, we propose a means by which synthetic structural images can be generated from diffusion MRI. This technique combines multi-tissue constrained spherical deconvolution, which is central to many existing diffusion analyses, with the Bloch equations that allow simulation of MRI intensities for given scanner parameters and magnetic resonance (MR) tissue properties. We applied this technique to 32 scans, including those acquired on different scanners, with different protocols and with pathology present. The resulting synthetic T1w and T2w images were visually convincing and exhibited similar tissue contrast to acquired structural images. These were also of sufficient quality to drive a Freesurfer-based tractographic analysis. In this analysis, probabilistic tractography connecting the thalamus to the primary sensorimotor cortex was delineated with Freesurfer, using either real or synthetic structural images. Tractography for real and synthetic conditions was largely identical in terms of both voxels encountered (Dice 0.88-0.95) and mean fractional anisotropy (intrasubject absolute difference 0.00-0.02). We provide executables for the proposed technique in the hope that these may aid the community in analysing datasets where structural image corruption is common, such as studies of children or cognitively impaired persons.

Published
2022
Full Text
View/download PDF

4. Multi T1-weighted contrast imaging and T1 mapping with compressed sensing FLAWS at 3 T

Author

Jeremy Beaumont, Jurgen Fripp, Parnesh Raniga, Oscar Acosta, Jean-Christophe Ferre, Katie McMahon, Julie Trinder, Tobias Kober, Giulio Gambarota, Laboratoire Traitement du Signal et de l'Image (LTSI), Université de Rennes (UR)-Institut National de la Santé et de la Recherche Médicale (INSERM), Commonwealth Scientific and Industrial Research Organisation [Canberra] (CSIRO), CRLCC Eugène Marquis (CRLCC), CHU Pontchaillou [Rennes], Neuroimagerie: méthodes et applications (EMPENN), Institut National de la Santé et de la Recherche Médicale (INSERM)-Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-SIGNAL, IMAGE ET LANGAGE (IRISA-D6), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Queensland University of Technology [Brisbane] (QUT), Ecole Polytechnique Fédérale de Lausanne (EPFL), Siemens Healthcare, and Region Bretagne (France)

Subjects
Radiological and Ultrasound Technology, brain, Biophysics, t-1, flaws, gray-matter, white-matter suppression, [SDV.IB]Life Sciences [q-bio]/Bioengineering, t1 mapping, Radiology, Nuclear Medicine and imaging, mp2rage, mri, compressed sensing, fluid
Abstract

The Fluid And White matter Suppression (FLAWS) MRI sequence allows for the acquisition of multiple T1-weighted contrasts in a single sequence acquisition. However, its acquisition time is prohibitive for use in clinical practice when the k-space is linearly downsampled and reconstructed using the Generalized Autocalibrating Partially Parallel Acquisition (GRAPPA) technique. This study proposes a FLAWS sequence optimization tailored to allow for the acquisition of FLAWS images with a Cartesian phyllotaxis k-space undersampling and compressed sensing (CS) reconstruction at 3T. The CS FLAWS sequence parameters were determined using a method previously employed to optimize FLAWS imaging at 1.5T and 7T. In-vivo experiments show that the proposed CS FLAWS optimization allows to reduce the FLAWS sequence acquisition time from 8 mins to 6 mins without decreasing the FLAWS image quality. In addition, this study demonstrates for the first time that T1-weighted imaging with low B1 sensitivity and T1 mapping can be performed with the FLAWS sequence at 3T for both GRAPPA and CS reconstructions. The FLAWS T1 mapping was validated using in-silico, in-vitro and in-vivo experiments with comparison against the inversion recovery turbo spin echo and MP2RAGE T1 mappings. These new results suggest that the recent advances in FLAWS imaging allow to combine the MP2RAGE imaging benefits (T1-weigthed imaging with low B1 sensitivity and T1 mapping) and with the previous version of FLAWS imaging benefits (multi T1-weighted contrast imaging) in a single 6 mins sequence acquisition.Graphical abstract

Published
2023
Full Text
View/download PDF

5. Fluid and White Matter Suppression: New Sensitive 3 T Magnetic Resonance Imaging Contrasts for Cortical Lesion Detection in Multiple Sclerosis

Author

Jannis Müller, Francesco La Rosa, Jeremy Beaumont, Charidimos Tsagkas, Reza Rahmanzadeh, Matthias Weigel, Meritxell Bach Cuadra, Giulio Gambarota, Cristina Granziera, University Hospital Basel [Basel], University of Basel (Unibas), Ecole Polytechnique Fédérale de Lausanne (EPFL), Center for Biomedical Imaging [Lausanne] (CIBM), Laboratoire Traitement du Signal et de l'Image (LTSI), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National de la Santé et de la Recherche Médicale (INSERM), Commonwealth Scientific and Industrial Research Organisation [Canberra] (CSIRO), Université de Lausanne (UNIL), Université de Rennes (UR)-Institut National de la Santé et de la Recherche Médicale (INSERM), and Université de Lausanne = University of Lausanne (UNIL)

Subjects
Multiple Sclerosis, intracortical lesions, flaws(min), Brain, improves, tissue, General Medicine, cortical lesions, inversion-recovery, Magnetic Resonance Imaging, White Matter, flaws, Multiple Sclerosis, Relapsing-Remitting, recommendations, Humans, Radiology, Nuclear Medicine and imaging, flaws(hco), t1 mapping, [SDV.IB]Life Sciences [q-bio]/Bioengineering, 3 t, phase, Gray Matter, mri, mp2rage, visualization
Abstract

Objective Cortical lesions are common in multiple sclerosis (MS), but their visualization is challenging on conventional magnetic resonance imaging. The uniform image derived from magnetization prepared 2 rapid acquisition gradient echoes (MP2RAGE(uni)) detects cortical lesions with a similar rate as the criterion standard sequence, double inversion recovery. Fluid and white matter suppression (FLAWS) provides multiple reconstructed contrasts acquired during a single acquisition. These contrasts include FLAWS minimum image (FLAWS(min)), which provides an exquisite sensitivity to the gray matter signal and therefore may facilitate cortical lesion identification, as well as high contrast FLAWS (FLAWS(hco)), which gives a contrast that is similar to one of MP2RAGE(uni). In this study, we compared the manual detection rate of cortical lesions on MP2RAGE(uni), FLAWS(min), and FLAWS(hco) in MS patients. Furthermore, we assessed whether the combined detection rate on FLAWS(min) and FLAWS(hco) was superior to MP2RAGE(uni) for cortical lesions identification. Last, we compared quantitative T1 maps (qT1) provided by both MP2RAGE and FLAWS in MS lesions. Materials and Methods We included 30 relapsing-remitting MS patients who underwent MP2RAGE and FLAWS magnetic resonance imaging with isotropic spatial resolution of 1 mm at 3 T. Cortical lesions were manually segmented by consensus of 3 trained raters and classified as intracortical or leukocortical lesions on (1) MP2RAGE uniform/flat images, (2) FLAWS(min), and (3) FLAWS(hco). In addition, segmented lesions on FLAWS(min) and FLAWS(hco) were merged to produce a union lesion map (FLAWS(min + hco)). Number and volume of all cortical, intracortical, and leukocortical lesions were compared among MP2RAGE(uni), FLAWS(min), and FLAWS(hco) using Friedman test and between MP2RAGE(uni) and FLAWS(min + hco) using Wilcoxon signed rank test. The FLAWS T1 maps were then compared with the reference MP2RAGE T1 maps using relative differences in percentage. In an exploratory analysis, individual cortical lesion counts of the 3 raters were compared, and interrater variability was quantified using Fleiss K. Results In total, 633 segmentations were made on the 3 contrasts, corresponding to 355 cortical lesions. The median number and volume of single cortical, intracortical, and leukocortical lesions were comparable among MP2RAGE(uni), FLAWS(min), and FLAWS(hco). In patients with cortical lesions (22/30), median cumulative lesion volume was larger on FLAWS(min) (587 mu L; IQR, 1405 mu L) than on MP2RAGE(uni) (490 mu L; IQR, 990 mu L; P = 0.04), whereas there was no difference between FLAWS(min) and FLAWS(hco), or FLAWS(hco) and MP2RAGE(uni). FLAWS(min + hco) showed significantly greater numbers of cortical (median, 4.5; IQR, 15) and leukocortical (median, 3.5; IQR, 12) lesions than MP2RAGE(uni) (median, 3; IQR, 10; median, 2.5; IQR, 7; both P < 0.001). Interrater agreement was moderate on MP2RAGE(uni) (K = 0.582) and FLAWS(hco) (K = 0.584), but substantial on FLAWS(min) (K = 0.614). qT1 in lesions was similar between MP2RAGE and FLAWS. Conclusions Cortical lesions identification in FLAWS(min) and FLAWS(hco) was comparable to MP2RAGE(uni)., The combination of FLAWS(min) and FLAWS(hco) allowed to identify a higher number of cortical lesions than MP2RAGE(uni), whereas qT1 maps did not differ between the 2 acquisition schemes.

Published
2022
Full Text
View/download PDF

6. Objective Evaluation of Multiple Sclerosis Lesion Segmentation using a Data Management and Processing Infrastructure

Author

Franca Wagner, Sorina Camarasu-Pop, Hélène Urien, Isabelle Bloch, Xavier Tomas-Fernandez, Jeremy Beaumont, John Muschelli, Chunliang Wang, Baptiste Laurent, Charles R.G. Guttmann, Tristan Glatard, Michael Kain, Mathieu Simon, Michel Dojat, April Khademi, Martin Styner, Pascal Girard, Thomas Tourdias, Michel M. dos Santos, Wellington Pinheiro dos Santos, Sergi Valverde, Richard McKinley, Abel G. Silva-Filho, Jesse Knight, Eloy Roura, Sandra Vukusic, Francisco Javier Vera-Olmos, François Cotton, Xavier Lladó, Elizabeth M. Sweeney, Senan Doyle, Anne Kerbrat, Olivier Commowick, Mariano Cabezas, Florent Leray, Amirreza Mahbod, Norberto Malpica, Gilles Edan, Roxana Ameli, Christian Barillot, Frederic Cervenansky, Florence Forbes, Simon K. Warfield, Audrey Istace, Jean-Christophe Ferré, Vision, Action et Gestion d'informations en Santé ( VisAGeS ), Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE ( IRISA_D5 ), Institut de Recherche en Informatique et Systèmes Aléatoires ( IRISA ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -Institut National des Sciences Appliquées - Rennes ( INSA Rennes ) -Université de Bretagne Sud ( UBS ) -École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -CentraleSupélec-Centre National de la Recherche Scientifique ( CNRS ) -IMT Atlantique Bretagne-Pays de la Loire ( IMT Atlantique ) -Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -Institut National des Sciences Appliquées - Rennes ( INSA Rennes ) -Université de Bretagne Sud ( UBS ) -École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -CentraleSupélec-Centre National de la Recherche Scientifique ( CNRS ) -IMT Atlantique Bretagne-Pays de la Loire ( IMT Atlantique ) -Institut de Recherche en Informatique et Systèmes Aléatoires ( IRISA ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -Institut National des Sciences Appliquées - Rennes ( INSA Rennes ) -Université de Bretagne Sud ( UBS ) -École normale supérieure - Rennes ( ENS Rennes ) -CentraleSupélec-Centre National de la Recherche Scientifique ( CNRS ) -IMT Atlantique Bretagne-Pays de la Loire ( IMT Atlantique ), Centre Hospitalier Lyon Sud [CHU - HCL] ( CHLS ), Hospices Civils de Lyon ( HCL ), Laboratoire de Traitement de l'Information Medicale ( LaTIM ), Université européenne de Bretagne ( UEB ) -Télécom Bretagne-Centre Hospitalier Régional Universitaire de Brest ( CHRU Brest ) -Université de Brest ( UBO ) -Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Institut Mines-Télécom [Paris], Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé ( CREATIS ), Université Claude Bernard Lyon 1 ( UCBL ), Université de Lyon-Université de Lyon-Institut National des Sciences Appliquées de Lyon ( INSA Lyon ), Université de Lyon-Institut National des Sciences Appliquées ( INSA ) -Institut National des Sciences Appliquées ( INSA ) -Hospices Civils de Lyon ( HCL ) -Université Jean Monnet [Saint-Étienne] ( UJM ) -Institut National de la Santé et de la Recherche Médicale ( INSERM ) -Centre National de la Recherche Scientifique ( CNRS ), Service de neurochirurgie [Rennes], Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -Hôpital Pontchaillou-CHU Pontchaillou [Rennes], Service de neurologie [Rennes], Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ), Neuroinflammation: imagerie et thérapie de la sclérose en plaques, Université Bordeaux Segalen - Bordeaux 2-Institut National de la Santé et de la Recherche Médicale ( INSERM ), Concordia University [Montreal], Pixyl Medical [Grenoble], Modelling and Inference of Complex and Structured Stochastic Systems ( MISTIS ), Inria Grenoble - Rhône-Alpes, Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Laboratoire Jean Kuntzmann ( LJK ), Université Pierre Mendès France - Grenoble 2 ( UPMF ) -Université Joseph Fourier - Grenoble 1 ( UJF ) -Institut Polytechnique de Grenoble - Grenoble Institute of Technology-Centre National de la Recherche Scientifique ( CNRS ) -Université Grenoble Alpes ( UGA ) -Université Pierre Mendès France - Grenoble 2 ( UPMF ) -Université Joseph Fourier - Grenoble 1 ( UJF ) -Institut Polytechnique de Grenoble - Grenoble Institute of Technology-Centre National de la Recherche Scientifique ( CNRS ) -Université Grenoble Alpes ( UGA ) -Institut National Polytechnique de Grenoble ( INPG ), University of Guelph, Department of Electrical and Computer Engineering [TORONTO] ( ECE ), University of Toronto, Royal Institute of Technology [Stockholm] ( KTH ), University of Bern, Johns Hopkins Bloomberg School of Public Health [Baltimore, MD, USA], Visio per computador I robotica ( VICOROB ), Universitat de Girona ( UdG ), Universidade Federal de Pernambuco [Recife] ( UFPE ), Computational Radiology Laboratory [Boston] ( CRL ), Brigham and Women's Hospital [Boston]-Children's Hospital, Laboratoire Traitement et Communication de l'Information ( LTCI ), Télécom ParisTech-Institut Mines-Télécom [Paris]-Université Paris-Saclay, Universidad Rey Juan Carlos [Madrid] ( URJC ), Brigham and Women's Hospital [Boston], Service de Neurologie, CHU Pontchaillou, Rennes, Grenoble Institut des Neurosciences ( GIN ), Université Joseph Fourier - Grenoble 1 ( UJF ) -CHU Grenoble-Institut National de la Santé et de la Recherche Médicale ( INSERM ), Computer Science ( North Carolina State University ), North Carolina State University [Raleigh] ( NCSU ), Vision, Action et Gestion d'informations en Santé (VisAGeS), Institut National de la Santé et de la Recherche Médicale (INSERM)-Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE (IRISA-D5), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Centre Hospitalier Lyon Sud [CHU - HCL] (CHLS), Hospices Civils de Lyon (HCL), Laboratoire de Traitement de l'Information Medicale (LaTIM), Université européenne de Bretagne - European University of Brittany (UEB)-Université de Brest (UBO)-Télécom Bretagne-Institut Mines-Télécom [Paris] (IMT)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre Hospitalier Régional Universitaire de Brest (CHRU Brest), Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé (CREATIS), Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Jean Monnet - Saint-Étienne (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Département de Radiologie [CHU de Rennes], Université de Rennes (UR), CHU Pontchaillou [Rennes], CHU Bordeaux [Bordeaux], Modelling and Inference of Complex and Structured Stochastic Systems (MISTIS ), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Laboratoire Jean Kuntzmann (LJK ), Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP )-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes [2016-2019] (UGA [2016-2019])-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes [2016-2019] (UGA [2016-2019]), Ryerson University [Toronto], Royal Institute of Technology [Stockholm] (KTH ), Johns Hopkins Bloomberg School of Public Health [Baltimore], Johns Hopkins University (JHU), Research institute of Computer Vision and Robotics [Girona] (VICOROB), Universitat de Girona (UdG), Universidade Federal de Pernambuco [Recife] (UFPE), Computational Radiology Laboratory [Boston] (CRL), Brigham and Women's Hospital [Boston]-Boston Children's Hospital, Laboratoire Traitement et Communication de l'Information (LTCI), Télécom ParisTech-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS), Universidad Rey Juan Carlos [Madrid] (URJC), Service de Neurologie [Lyon], CHU Lyon, [GIN] Grenoble Institut des Neurosciences (GIN), Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Grenoble Alpes (UGA), University of North Carolina [Chapel Hill] (UNC), University of North Carolina System (UNC), This work was partly funded by France Life Imaging (grant ANR-11-INBS-0006 from the French 'Investissements d’Avenir' program) for funding and sponsoring the challenge. This work has also been partly supported by a grant (OFSEP) provided by the French State and handled by the 'Agence nationale de la recherche', within the framework of the 'Investissements d’Avenir' program, under the reference ANR-10-COHO-002. We also thank the French national cohort OFSEP (a French 'Investissements d’Avenir' program), and particularly the imaging group inside this cohort consortium for their constant support, fruitful discussions on the challenge and providing the MR images., ANR-11-INBS-0006,FLI,France Life Imaging(2011), ANR-10-COHO-0002,OFSEP,Observatoire Français de la Sclérose en Plaques(2010), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Université européenne de Bretagne - European University of Brittany (UEB)-Télécom Bretagne-Centre Hospitalier Régional Universitaire de Brest (CHRU Brest)-Université de Brest (UBO)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut Mines-Télécom [Paris] (IMT), Université Jean Monnet [Saint-Étienne] (UJM)-Hospices Civils de Lyon (HCL)-Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Université de Lyon-Institut National des Sciences Appliquées (INSA)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES), Modelling and Inference of Complex and Structured Stochastic Systems (MISTIS), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Jean Kuntzmann (LJK), Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut Polytechnique de Grenoble - Grenoble Institute of Technology-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Université Pierre Mendès France - Grenoble 2 (UPMF)-Université Joseph Fourier - Grenoble 1 (UJF)-Institut Polytechnique de Grenoble - Grenoble Institute of Technology-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut National Polytechnique de Grenoble (INPG), Boston Children's Hospital-Brigham and Women's Hospital [Boston], Grenoble Institut des Neurosciences (GIN), Université Joseph Fourier - Grenoble 1 (UJF)-Centre Hospitalier Universitaire [Grenoble] (CHU)-Institut National de la Santé et de la Recherche Médicale (INSERM), ANR-11-INBS-0006/11-INBS-0006,FLI,France In vivo Imaging(2011), ANR-10-COHO-002-01/10-COHO-0002,OFSEP,Observatoire Français de la Sclérose en Plaques(2010), Université de Bretagne Sud (UBS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-CentraleSupélec-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Université de Bretagne Sud (UBS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique)-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Brest (UBO)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre Hospitalier Régional Universitaire de Brest (CHRU Brest)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique)-Institut Brestois Santé Agro Matière (IBSAM), Université de Brest (UBO), Images et Modèles, Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Hospices Civils de Lyon (HCL)-Université Jean Monnet [Saint-Étienne] (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Hospices Civils de Lyon (HCL)-Université Jean Monnet [Saint-Étienne] (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Hôpital Pontchaillou-CHU Pontchaillou [Rennes], Université Bordeaux Segalen - Bordeaux 2-Institut National de la Santé et de la Recherche Médicale (INSERM), Service Informatique et développements, Department of Electrical and Computer Engineering [University of Toronto] (ECE), Télécom ParisTech-Institut Mines-Télécom [Paris] (IMT), Service de Neurologie [CHU Rennes], Université Joseph Fourier - Grenoble 1 (UJF)-CHU Grenoble-Institut National de la Santé et de la Recherche Médicale (INSERM), Computer Science (North Carolina State University), North Carolina State University [Raleigh] (NC State), University of North Carolina System (UNC)-University of North Carolina System (UNC), RMN et optique : De la mesure au biomarqueur, Edan, Gilles, Infrastructures - France Life Imaging - - FLI2011 - ANR-11-INBS-0006 - INBS - VALID, Cohortes - Observatoire Français de la Sclérose en Plaques - - OFSEP2010 - ANR-10-COHO-0002 - COHO - VALID, and Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Hospices Civils de Lyon (HCL)-Université Jean Monnet - Saint-Étienne (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)

Subjects
Male, Computer science, Data management, MESH: Parenchymal Tissue, lcsh:Medicine, Esclerosi múltiple, computer.software_genre, 030218 nuclear medicine & medical imaging, MESH: Magnetic Resonance Imaging, Machine Learning, 0302 clinical medicine, open science, Image Processing, Computer-Assisted, Segmentation, [ SDV.IB ] Life Sciences [q-bio]/Bioengineering, Image processing -- Digital techniques, lcsh:Science, 610 Medicine & health, Multiple sclerosis lesion, image segmentation, MESH: Machine Learning, Magnetic Resonance Imaging, MESH: Image Processing, Computer-Assisted, Random forest, performance evaluation, MESH: Neural Networks, Computer, [SDV.IB]Life Sciences [q-bio]/Bioengineering, Female, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Objective evaluation, Algorithms, MESH: Algorithms, Machine learning, Article, Multiple sclerosis, 03 medical and health sciences, Imatges -- Processament -- Tècniques digitals, distributed computing, Image Interpretation, Computer-Assisted, Humans, [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Parenchymal Tissue, Retrospective Studies, MESH: Humans, business.industry, Deep learning, Imatge -- Segmentació, lcsh:R, MESH: Retrospective Studies, MESH: Multiple Sclerosis, MESH: Male, Imaging segmentation, computing infrastructure, [ SDV.NEU ] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], lcsh:Q, Neural Networks, Computer, Artificial intelligence, business, computer, MESH: Female, MESH: Image Interpretation, Computer-Assisted, 030217 neurology & neurosurgery
Abstract

We present a study of multiple sclerosis segmentation algorithms conducted at the international MICCAI 2016 challenge. This challenge was operated using a new open-science computing infrastructure. This allowed for the automatic and independent evaluation of a large range of algorithms in a fair and completely automatic manner. This computing infrastructure was used to evaluate thirteen methods of MS lesions segmentation, exploring a broad range of state-of-theart algorithms, against a high-quality database of 53 MS cases coming from four centers following a common definition of the acquisition protocol. Each case was annotated manually by an unprecedented number of seven different experts. Results of the challenge highlighted that automatic algorithms, including the recent machine learning methods (random forests, deep learning, …), are still trailing human expertise on both detection and delineation criteria. In addition, we demonstrate that computing a statistically robust consensus of the algorithms performs closer to human expertise on one score (segmentation) although still trailing on detection scores This work was partly funded by France Life Imaging (grant ANR-11-INBS-0006 from the French “Investissements d’Avenir” program) for funding and sponsoring the challenge. This work has also been partly supported by a grant (OFSEP) provided by the French State and handled by the “Agence nationale de la recherche”, within the framework of the “Investissements d’Avenir” program, under the reference ANR-10-COHO-002. We also thank the French national cohort OFSEP (a French “Investissements d’Avenir” program), and particularly the imaging group inside this cohort consortium for their constant support, fruitful discussions on the challenge and providing the MR images

Published
2018
Full Text
View/download PDF

7. Multiple Sclerosis lesion segmentation using an automated multimodal Graph Cut

Author

Jeremy Beaumont, Olivier Commowick, Christian Barillot, Vision, Action et Gestion d'informations en Santé (VisAGeS), Institut National de la Santé et de la Recherche Médicale (INSERM)-Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE (IRISA-D5), Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), CentraleSupélec-Télécom Bretagne-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Institut National de Recherche en Informatique et en Automatique (Inria)-École normale supérieure - Rennes (ENS Rennes)-Université de Bretagne Sud (UBS)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-CentraleSupélec-Télécom Bretagne-Université de Rennes 1 (UR1), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Université de Bretagne Sud (UBS)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), O. Commowick, F. Cervenansky, R. Ameli, ANR-11-INBS-0006,FLI,France Life Imaging(2011), ANR-10-COHO-0002,OFSEP,Observatoire Français de la Sclérose en Plaques(2010), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Institut National de Recherche en Informatique et en Automatique (Inria)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université de Bretagne Sud (UBS)-École normale supérieure - Rennes (ENS Rennes)-Télécom Bretagne-CentraleSupélec-Centre National de la Recherche Scientifique (CNRS), Duchange, Nathalie, Infrastructures - France Life Imaging - - FLI2011 - ANR-11-INBS-0006 - INBS - VALID, and Cohortes - Observatoire Français de la Sclérose en Plaques - - OFSEP2010 - ANR-10-COHO-0002 - COHO - VALID

Subjects
[SDV.IB] Life Sciences [q-bio]/Bioengineering, Multiple sclerosis, ComputingMethodologies_IMAGEPROCESSINGANDCOMPUTERVISION, Tissue classification, Expectation-Maximization, [SDV.NEU]Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], [SDV.IB]Life Sciences [q-bio]/Bioengineering, [SDV.NEU] Life Sciences [q-bio]/Neurons and Cognition [q-bio.NC], Graph Cut
Abstract

International audience; In this paper, we present an algorithm for Multiple Sclerosis (MS) lesion segmentation. Our method is fully automated and includes three main steps: 1. the computation of a rough total lesion load in order to optimize the parameter set of the following step; 2. the detection of lesions by graph cut initialized with a robust Expectation-Maximization (EM) algorithm; 3. the application of rules to remove false positives and to adjust the contour of the detected lesions. Our algorithm will be tested on the FLI 2016 MSSEG challenge data.

Catalog

Books, media, physical & digital resources
See catalog results