Reconstruction et classification des temps de relaxation multi-exponentielle en IRM

National audience-Extracting and interpreting multi-exponential relaxation time maps from noisy magnitude MRI images is an ill posed problem that requires solving a large scale inverse problem. A spatially regularized Maximum-Likelihood estimator accounting for the Rician distribution of the noise is introduced. To deal with the large-scale optimization problem, a Majoration-Minimization approach coupled with an adapted non-linear least squares algorithm is implemented. Also, we propose a method for the detection of fruit tissues and their T2 distributions using an unsupervised classification method.L'obtention puis l'exploitation des cartographies des temps de relaxation multi-exponentielles à l'échelle d'une image entière, à partir des données IRM bruitées de module, nécessite la résolution d'un problème inverse de grande taille. Nous proposons une reconstruction précise des cartographies T2 multi-exponentielles et des intensités relatives associées à l'échelle du voxel. Cette méthode de reconstruction est fondée sur l'estimateur du maximum de vraisemblance exploitant l'hypothèse d'un bruit de Rice et une régularisation spatiale favorisant la régularité des cartographies. Le problème d'optimisation en grande dimension qui en résulte est résolu en utilisant une approche de majoration-minimisation. Enfin, nous proposons une méthode de caractérisation des tissus végétaux à partir des paramètres estimés en utilisant un algorithme de classification non supervisé