Acquisition accélérée d'images par résonance magnétique

Développer de nouvelles approches de formation d'images IRM visant à réduire le temps d'acquisition des images tout en maintenant la qualité de l'image diagnostique.

Innovations dans la formation d'images IRM

L'excellent contraste des tissus mous et la flexibilité de l'imagerie par résonance magnétique (IRM) en font un outil de diagnostic très puissant pour un large éventail de troubles, notamment les maladies neurologiques, musculo-squelettiques et oncologiques. Cependant, le long temps d'acquisition dans l'appareil d'IRM, qui peut facilement dépasser 30 minutes, entraîne un faible débit de patients, des problèmes de confort et d'observance du patient, des artefacts dus au mouvement du patient et des coûts d'examen élevés. L'augmentation de la vitesse d'imagerie est un objectif de recherche majeur depuis l'avènement de l'IRM. En combinant à la fois les développements matériels (tels que l'amélioration des gradients de champ magnétique) et les avancées logicielles (telles que les nouvelles séquences d'impulsions), il a été possible de réduire considérablement les temps d'acquisition d'images. Un développement notable dans ce contexte est l'imagerie parallèle, introduite dans les années 1990, qui permet d'échantillonner plusieurs points de données simultanément, plutôt que dans un ordre séquentiel traditionnel ([238], [239]). Les techniques de détection compressée ([240], [241]) accélèrent l'acquisition de l'IRM en acquérant moins de données de mesure que ce qui était auparavant nécessaire pour reconstruire des images de qualité diagnostique. Les artefacts qui sont introduits par la violation du théorème d'échantillonnage de Nyquist-Shannon peuvent être éliminés au cours de la reconstruction de l'image. Ceci peut être réalisé en incorporant des connaissances a priori supplémentaires au cours du processus de reconstruction d'image. Les deux dernières années ont vu le développement rapide d'approches d'apprentissage automatique pour la reconstruction d'images RM, qui sont très prometteuses pour une accélération supplémentaire de l'acquisition d'images RM ([242], [243], [244]). Pour accélérer le développement de l'algorithme, des ensembles de données publics sont fournis à la communauté des chercheurs. Par exemple, le défi fastMRI [245] a introduit des critères d'évaluation standardisés et des ensembles de données librement accessibles pour aider la communauté à faire des progrès rapides dans la reconstruction d'images IRM de pointe. Dans les approches basées sur l'apprentissage automatique, la fonction de reconstruction est apprise à partir de l'ensemble de données des paires d'entrées-sorties d'échantillons tirés d'une population. Ces techniques exploitent également les données d'examens antérieurs pour apprendre la structure spatiale de l'anatomie et les artefacts d'image typiques causés par le sous-échantillonnage. Ces attributs permettent aux méthodes basées sur CNN de reconstruire des données fortement sous-échantillonnées avec une fidélité plus élevée que les schémas CS dans certains cas [246]. Les algorithmes de reconstruction développés peuvent être déployés soit directement dans la console du scanner, soit sur le poste de travail dédié à la reconstruction ou même sur le cloud, selon les besoins de calcul. Le principal défi dans l'application clinique de ces algorithmes de formation d'images basés sur l'apprentissage profond est de garantir la sécurité. Pour tout appareil, il est nécessaire de garantir que le système d'IA n'entraîne pas d'erreurs de diagnostic en supprimant ou en introduisant des pathologies ou d'autres caractéristiques d'image. Il est également nécessaire de garantir la qualité des images pour toutes les combinaisons possibles de paramètres de séquence IRM, de zones anatomiques et de cohortes de patients, ou d'être très conservateur dans la définition des limites d'applicabilité.