MREye-Track - Techniques de Machine Learning pour extraire les trajectoires des mouvements oculaires à partir de données IRM

Les artéfacts liés aux mouvements oculaires limitent l’utilité de l’IRM dans les applications ophtalmologiques. Récemment, l’utilisation d’un Eye Tracker (ET) a été proposée pour annoter précisément la position de l’œil au cours des examens IRM, permettant ainsi de reconstruire rétrospectivement des images oculaires de haute qualité à partir des données IRM brutes. Bien que cette technique soit efficace, sa dépendance à un ET, coûteux en ressources, en réduit l’accessibilité et le bénéfice clinique.

Notre projet vise à surmonter ces limitations en utilisant des techniques avancées d’analyse de données pour classifier automatiquement les données IRM brutes en fonction de la position oculaire au cours de l’examen, tout en éliminant le besoin de faire appel à un ET.

La méthode s’articule autour de deux étapes principales. La première étape consiste à développer un modèle de classification capable d’identifier les lectures d’IRM affectées par des mouvements oculaires, afin de les exclure du jeu de données utilisé ultérieurement pour la reconstruction des images anatomiques. La seconde étape vise à distinguer automatiquement quatre directions du regard, définies selon une grille avec quatre positions. Pendant l’acquisition de données, un cercle gris est projeté successivement sur ces positions pour guider le regard des participants. Grâce aux modèles de classification développés dans cette étape, les lectures sont automatiquement regroupées par direction du regard afin de reconstruire, pour chacune, une image anatomique distincte et sans artéfacts.

Notre approche repousse les limites de l’IRM oculaire en améliorant la qualité des images sans recourir à du matériel supplémentaire. Elle s’appuie uniquement sur les données IRM brutes pour corriger les artéfacts liés aux mouvements oculaires et permet d’analyser les deux yeux en une seule acquisition, ce qui est actuellement impossible. En réduisant les ressources nécessaires et la durée des examens, cette technologie rend l’IRM oculaire plus accessible aux patients, tout en améliorant leur confort. Elle ouvre également des perspectives prometteuses dans d’autres domaines confrontés aux défis du mouvement, comme l’IRM fœtale ou cardiaque.