Development of a Deep Learning-Based Method for Pediatric Brain Segmentation on Ultra-Low-Field MRI Validated Through Neurodevelopmental Trajectories

L’imagerie par résonance magnétique (IRM) à très bas champ magnétique représente une modalité prometteuse en neuroimagerie pédiatrique, notamment en raison de son accessibil-ité et de son coût plus faible par rapport aux systèmes conventionnels. Toutefois, sa qualité d’image réduite présente des défis importants pour la segmentation des structures cérébrales, ce qui limite son utilité dans les études neurodéveloppementales qui reposent sur des mesures morphométriques précises et longitudinales. Ce projet vise à évaluer si la reconstruction d’images IRM de très bas champ magnétique en images de plus haute résolution permet d’améliorer la qualité des segmentations, et de proposer une méthode de validation longitu-dinale capable de mesurer la cohérence des résultats avec les trajectoires développementales attendues.

Abstract

Ultra-low-field (ULF) MRI is emerging as a promising modality in neuroimaging, particularly in pediatric populations where accessibility and cost are key considerations. However, its lower image quality presents significant challenges for structural brain segmentation, limiting its utility in neurodevelopmental studies that require accurate morphometric measurements over time. This project aims to evaluate whether reconstructing high-resolution pediatric brain images from synthetic ULF MRI can improve segmentation accuracy and to propose a longitudinal validation framework capable of assessing whether segmentation results align with expected developmental trajectories.