Dans une étude récente publiée dans la revue Avancées scientifiquesles chercheurs ont décrit un cadre de reconstruction basé sur l’apprentissage profond (DL) pour accélérer l’imagerie par résonance magnétique (IRM) cérébrale à 0,055 tesla (T).
L’IRM est une modalité d’imagerie inestimable en raison de sa nature non invasive, non ionisante, quantitative, tridimensionnelle (3D) et multiparamétrique. La recherche s’est concentrée sur l’IRM à haut champ (1,5 T ou 3 T), couramment utilisée pour le diagnostic et les applications biomédicales. Néanmoins, ces scanners à haut champ sont rares, avec une répartition mondiale inégale.
Ainsi, les établissements de soins aigus, les centres de traumatologie et les cliniques communautaires et pédiatriques peuvent difficilement accéder à ces scanners. Des efforts intensifs ont été déployés pour développer des scanners abordables avec des intensités de champ ultrafaible (ULF) (< 0,1 T). Des études ont réussi à mettre en œuvre des protocoles de neuroimagerie sur de tels scanners ULF. De plus, les méthodes analytiques et DL éliminent le besoin de salles de protection contre les radiofréquences.
Néanmoins, le rapport signal/bruit (SNR) plus faible de l’ULF pourrait nuire à sa valeur clinique, limitant ainsi son adoption généralisée. De plus, presque tous les développements de l’IRM ULF reposent sur des méthodes conventionnelles de reconstruction d’images issues de l’IRM à champ élevé, compromettant ainsi l’utilité de l’IRM ULF. Par conséquent, il est nécessaire d’explorer des approches alternatives de reconstruction d’images pour améliorer la qualité et la rapidité de l’IRM ULF.
Étude : L’apprentissage profond a permis une IRM cérébrale 3D rapide à 0,055 tesla. Crédit d’image : ILevi/Shutterstock
L’étude et les résultats
La présente étude décrit un cadre compatible DL pour une IRM cérébrale rapide à l’ULF. Les chercheurs ont optimisé et mis en œuvre des protocoles pondérés T1 (T1W) et T2 (T2W) sur un scanner IRM de 0,055 T à une résolution isotrope de 3 mm. Le scanner utilisait un aimant samarium-cobalt et du DL (pour annuler les interférences électromagnétiques) sans cage de blindage. Le SNR a été augmenté en utilisant une séquence d’écho à spin rapide 3D.
Les données ont été obtenues avec un nombre unique d’excitations et un échantillonnage de Fourier partiel (PF) 2D dans les directions supérieure-inférieure et gauche-droite. Le temps d’analyse était de 2,5 minutes pour T1W et de 3,2 minutes pour T2W. L’équipe a mis en œuvre un modèle 3D DL PF super-résolution (SR) pour reconstruire les données ULF, en utilisant une seule image 3D basse résolution échantillonnée par PF comme entrée.
Le modèle a été formé à l’aide de données d’image d’entrée 3D basse résolution sous-échantillonnées (faible SNR, échantillonnage 2D PF et résolution isotrope de 3 mm) et de données d’image cible 3D haute résolution (SNR élevé et résolution isotrope de 1,5 mm). Les modèles ont été testés à l’aide de données synthétiques ULF simulées à partir de données publiques d’IRM 3 T à grande échelle du consortium Human Connectome Project (HCP).
Le modèle PF-SR a réduit les artefacts (flou et sonnerie) et le bruit liés au PF. De plus, la résolution spatiale a été considérablement améliorée. Lorsque les données ULF ont été reconstruites à l’aide de la méthode conventionnelle non-DL, le PF-SR a surpassé la méthode non-DL en termes de réduction du bruit et de reconstruction des structures anatomiques.
Pipeline d’acquisition de données et de reconstruction DL pour une IRM cérébrale 3D isotrope ULF rapide à 0,055 T. (UN) Contrairement aux analyses ULF typiques qui acquièrent plusieurs NEX, le schéma d’acquisition proposé acquiert un seul NEX, ainsi qu’un échantillonnage PF 2D d’une fraction PF de 0,7 dans chacune des deux directions PE, dans les protocoles FSE pour les contrastes T1W et T2W. Le temps de balayage est respectivement de 2,5 et 3,2 minutes pour les contrastes T1W et T2W. Les données 3D sont ensuite reconstruites par un modèle 3D DL de bout en bout, qui apprend un résidu entre l’image haute résolution et l’image basse résolution interpolée. (B) L’architecture globale du modèle de reconstruction DL 3D PF-SR. Il est composé de groupes résiduels (RG) avec des blocs d’attention de canal résiduels modifiés (mRCAB), une extraction de caractéristiques multi-échelles, une attention spatiale et une convolution de sous-pixels. La couche de convolution 3D permet l’extraction efficace des caractéristiques structurelles du cerveau 3D. L’extraction de caractéristiques multi-échelles apprend les caractéristiques locales au niveau supérieur et les caractéristiques semi-globales au niveau intermédiaire à inférieur. L’attention spatiale exploite les relations interspatiales en modulant les caractéristiques extraites, qui sont ensuite suréchantillonnées dans l’espace haute résolution via une convolution sous-pixel et transformées en un résidu d’image 3D via une couche de convolution. L’image 3D finale est formée par addition voxel du résidu d’image 3D et de l’image basse résolution interpolée.
PF-SR présentait systématiquement une erreur quadratique moyenne normalisée inférieure et un indice de similarité structurelle plus élevé que la méthode non-DL. Ensuite, l’équipe a recruté 15 personnes en bonne santé âgées de 25 à 69 ans et a acquis leurs images cérébrales sur l’IRM 0,055 T. Les données ont été reconstruites en utilisant PF-SR ainsi que la méthode non-DL. De plus, les sujets ont été numérisés sur un scanner IRM 3 T standard à titre de référence.
Les chercheurs ont observé que le bruit et les artefacts liés au PF étaient efficacement réduits avec le PF-SR et que la résolution spatiale était améliorée par rapport à la méthode non-DL. Le PF-SR a délimité le liquide céphalo-rachidien et la matière blanche/grise. Les structures récupérées dans PF-SR avaient une clarté plus élevée que celles non-DL et étaient cohérentes avec la référence 3 T.
De plus, chez les sujets plus âgés, le PF-SR a révélé une atrophie liée au vieillissement conforme à la référence 3 T. D’un autre côté, la méthode non-DL produisait un bruit élevé et entraînait une perte de détails structurels. Enfin, un test de reproductibilité réalisé sur un individu à différentes positions de tête au cours de deux séances a démontré la robustesse du PF-SR.
Conclusions
En résumé, les auteurs ont obtenu une IRM T ULF du cerveau entier rapide et de haute qualité grâce à un cadre intégré d’acquisition d’échantillonnage PF et de reconstruction DL. Cette approche a considérablement réduit le temps de scrutation des protocoles T1W et T2W. Le modèle DL PF-SR a réduit efficacement le bruit, le flou et les sonneries liés au PF et a amélioré la résolution spatiale.
L’équipe a évalué les performances du modèle sur différentes tailles d’échantillons d’entraînement, c’est-à-dire 25 %, 50 % et 100 % des données d’entraînement. La perte de formation la moins fluctuante s’est produite lorsque le modèle a été formé sur 100 % des données. Les chercheurs ont également démontré que le PF-SR pouvait récupérer des lésions cérébrales ; cependant, une évaluation plus approfondie est nécessaire pour déterminer/valider la sensibilité et la spécificité du PF-SR.
