Dans une étude récente publiée dans Rapports scientifiquesune équipe de scientifiques australiens a étudié comment leur modèle de traduction d’image à image LoHiResGAN se comportait par rapport à d’autres modèles en maintenant l’intégrité du diagnostic et en conservant des informations médicales importantes tout en améliorant les analyses d’imagerie par résonance magnétique (IRM) à faible champ et en générant 3 Tesla synthétiques ( 3T) ou des images IRM à champ élevé.
Étude: Améliorer la qualité des images IRM portables à faible champ grâce à la traduction image à image à l’aide d’images appariées à faible champ et à champ élevé. Crédit d’image : Gorodenkoff/Shutterstock.com
Sommaire
Arrière-plan
L’imagerie par résonance magnétique a des applications répandues et essentielles en science médicale en raison de sa nature non invasive et de sa capacité à visualiser les tissus mous et les organes avec un contraste élevé.
La méthode combine des impulsions radiofréquences, des champs magnétiques puissants et des informations provenant d’algorithmes informatiques pour produire des images de diverses régions du corps, telles que le cerveau, les articulations, les organes et la colonne vertébrale.
De plus, comme l’IRM n’utilise pas de rayonnements ionisants, le risque de complications liées aux rayonnements est également faible.
Comparée aux scanners IRM à champ élevé utilisés en milieu clinique, l’IRM à champ faible ou 64 milliTesla (64 mT) est économique, compacte et portable.
De plus, malgré le faible rapport signal/bruit, l’IRM à faible champ a de nombreuses applications, telles que la neuroimagerie ou la visualisation du système musculo-squelettique, en particulier dans les situations d’urgence situées dans des régions économiquement difficiles ou éloignées.
Des recherches récentes se sont concentrées sur le développement de modèles basés sur l’apprentissage profond pour traduire les examens IRM à faible champ de 64 mT en images 3T à champ élevé.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé un ensemble de données appariées composé d’analyses 64 mT et 3T provenant d’une IRM pondérée en T1 qui améliore les signaux des tissus adipeux et d’une IRM pondérée en T2 où le signal de l’eau est amélioré, pour comparer les performances du modèle LoHiResGAN par rapport à d’autres images. modèles de traduction en image tels que CycleGAN, GAN, cGAN et U-Net.
L’étude a recruté 92 participants en bonne santé scannés à l’aide de systèmes IRM 3T et 64mT. Des scans cérébraux ont été obtenus et des mesures morphométriques de 33 régions cérébrales ont été comparées sur des images de scans 64 mT, 3T et 3T synthétiques obtenues à partir des modèles.
Divers facteurs ont été pris en compte lors de la sélection des séquences d’imagerie. Pour les séquences IRM 3T, les chercheurs ont sélectionné une séquence bidimensionnelle d’écho turbo spin (TSE) pondérée en T2 qui a permis une numérisation efficace tout en réduisant l’inconfort du patient.
De plus, compte tenu de l’utilisation généralisée de cette méthode en milieu clinique, les chercheurs ont également veillé à ce que leurs résultats aient une pertinence immédiate dans le domaine clinique.
Un outil de résolution d’image linéaire a ensuite été utilisé pour co-enregistrer les analyses 3T et 64mT afin de préparer les données de formation pour le modèle d’apprentissage en profondeur. L’ensemble de données final a été réparti de manière aléatoire en trois groupes (formation, validation et tests) afin de garantir que différents ensembles de données étaient utilisés pour les trois processus.
Le modèle proposé dans la présente étude, LoHiResGAN, utilise un composant de réseau neuronal résiduel (ResNet) dans une architecture de réseaux contradictoires génératifs (GAN).
Pour évaluer si les composants ResNet étaient efficaces dans le modèle LoHiResGAN, ses performances ont été comparées à celles des modèles sans composants ResNet.
Des mesures quantitatives telles que la mesure de l’indice de similarité structurelle, l’erreur quadratique moyenne normalisée, l’évaluateur de la qualité de l’image basé sur la perception et le rapport signal/bruit maximal ont été incorporées dans l’analyse pour comparer les performances des différentes traductions d’image à image. des modèles.
Résultats
Les résultats ont montré que la qualité d’image des images 3T synthétiques obtenues à l’aide de LoHiResGAN était nettement meilleure que celles obtenues à l’aide d’autres modèles tels que CycleGAN, GAN, cGAN et U-Net.
De plus, les mesures de morphométrie cérébrale obtenues à l’aide LoHiResGAN étaient plus cohérents dans les différentes régions du cerveau en référence aux IRM 3T que les autres modèles.
Alors que tous les modèles de traduction image à image ont obtenu un meilleur rapport signal/bruit et des mesures d’indice de similarité structurelle que les analyses à faible champ de 64 mT, les modèles basés sur GAN, tels que LoHiResGAN, ont obtenu de meilleurs résultats que le modèle U-Net dans y compris les mesures quantitatives. Ces résultats ont mis en évidence l’utilisation potentielle de modèles basés sur le GAN pour améliorer les examens IRM de faible qualité.
Bien que les examens IRM à faible champ présentent plusieurs avantages logistiques, les examens 64 mT peuvent également présenter des divergences affectant le diagnostic clinique. Par exemple, le diagnostic de certaines affections telles que l’hydrocéphalie dépend essentiellement de l’estimation précise des mesures morphométriques du cerveau.
Les chercheurs ont également discuté de certaines des lacunes des modèles basés sur l’apprentissage profond, telles que les incohérences dans l’étiquetage précis de la matière blanche et grise dans le cerveau, indiquant ainsi les domaines potentiels d’amélioration.
Conclusions
Dans l’ensemble, les résultats suggèrent que le modèle de traduction image à image LoHiResGAN améliorait considérablement la qualité d’image des séquences d’IRM 64 mT à faible champ tout en étant cohérent dans les mesures morphométriques dans diverses régions du cerveau.
L’étude met en valeur l’utilisation potentielle de ces modèles pour améliorer la portée des diagnostics cliniques dans les zones dépourvues d’IRM à haut champ.
