Grâce à des réseaux neuronaux intelligemment entraînés, les chercheurs de la TU Graz ont réussi à générer des images précises en temps réel du cœur battant à partir de quelques données de mesure IRM. D'autres applications IRM peuvent également être accélérées grâce à cette procédure.
L'imagerie médicale utilisant l'imagerie par résonance magnétique (IRM) prend beaucoup de temps car une image doit être compilée à partir des données de nombreuses mesures individuelles. Grâce à l’utilisation de l’apprentissage automatique, l’imagerie est également possible avec moins de données de mesure IRM, ce qui permet d’économiser du temps et de l’argent. Cependant, la condition préalable est d’avoir des images parfaites pouvant être utilisées pour entraîner les modèles d’IA. Des images d'entraînement aussi parfaites n'existent pas pour certaines applications, telles que l'IRM en temps réel (images animées), car ces images sont toujours quelque peu floues. Une équipe de recherche internationale dirigée par Martin Uecker et Moritz Blumenthal de l'Institut d'imagerie biomédicale de l'Université technologique de Graz (TU Graz) a désormais réussi à générer des images IRM en direct et précises du cœur battant, même sans de telles images d'entraînement et avec très peu de données IRM. avec l'aide de réseaux de neurones intelligemment entraînés. Grâce à ces améliorations, l’IRM en temps réel pourrait être utilisée plus fréquemment dans la pratique à l’avenir.
Calibrage de l’imagerie grâce à des données retenues
Martin Uecker et Moritz Blumenthal ont utilisé des méthodes d'apprentissage auto-supervisées pour former leur modèle d'apprentissage automatique à l'imagerie IRM. La base de la formation du modèle n'est pas constituée d'images parfaites prédéfinies, mais d'un sous-ensemble de données initiales à partir desquelles le modèle doit reconstruire les images. Moritz Blumenthal l'explique ainsi : « Nous avons divisé les données de mesure fournies par l'appareil IRM en deux parties. À partir de la première partie de données, plus grande, notre modèle d'apprentissage automatique reconstruit l'image. Il tente ensuite de calculer la deuxième partie des données de mesure. retenu sur la base de l'image. » Si le système n’y parvient pas ou le fait mal – selon la logique sous-jacente – l’image précédemment reconstruite doit être incorrecte. Le modèle est mis à jour, il crée une nouvelle variante d'image améliorée et tente à nouveau de calculer la deuxième partie de données. Ce processus s'exécute sur plusieurs tours jusqu'à ce que le résultat soit cohérent. Au cours de ce processus de formation, le système apprend, à partir d'un grand nombre de reconstructions de ce type, à quoi devraient ressembler de bonnes images IRM. Plus tard, lors de l'application, le modèle peut alors calculer directement une bonne image.
Cette procédure peut rendre de nombreuses applications IRM plus rapides et moins chères
« Notre procédé est prêt à être appliqué », déclare Martin Uecker, « même s'il faudra probablement un certain temps avant qu'il soit réellement utilisé dans la pratique ». La méthode peut être utilisée pour de nombreuses autres applications IRM afin de les rendre plus rapides et donc moins chères. Cela inclut par exemple l’IRM quantitative, dans laquelle les paramètres physiques des tissus sont mesurés et quantifiés avec précision. « Cela permet aux radiologues d'accéder à des données précises pour les diagnostics au lieu de devoir interpréter les images en fonction des différences de luminosité en s'appuyant sur leur expérience professionnelle », explique Martin Uecker. « Jusqu'à présent, cependant, les mesures quantitatives par IRM prenaient souvent beaucoup de temps. Grâce à notre modèle d'apprentissage automatique, nous avons pu accélérer considérablement ces mesures sans aucune perte de qualité. »
Les résultats de la recherche, récemment publiés dans la revue Magnetic Resonance in Medicine, sont le résultat d'une collaboration internationale et interdisciplinaire de l'Institut d'imagerie biomédicale. Parmi les participants figuraient Christina Unterberg (cardiologue au centre médical universitaire de Göttingen), Markus Haltmeier (mathématicien à l'université d'Innsbruck), Xiaoqing Wang (chercheur en IRM à la Harvard Medical School) et Chiara Fantinato (étudiante Erasmus italienne). Les algorithmes et les données IRM sont disponibles gratuitement afin que d'autres chercheurs puissent reproduire directement les résultats et s'appuyer sur la nouvelle méthode.
