Cadre de reconstruction approfondie avec mécanismes d’auto-étalonnage (DEISM) pour l’imagerie par transfert de saturation à échange chimique accélérée

Contexte académique

L’imagerie par transfert de saturation à échange chimique (Chemical Exchange Saturation Transfer, CEST) est une technique d’imagerie par résonance magnétique moléculaire hautement sensible, capable de détecter les biomolécules associées à diverses maladies telles que le cancer, l’épilepsie et l’accident vasculaire cérébral. Cependant, un inconvénient majeur de l’imagerie CEST est la durée de balayage prolongée, due aux multiples acquisitions de données nécessaires sur différentes fréquences de décalage de saturation. Cette longue durée limite son adoption généralisée dans un cadre clinique. Pour résoudre ce problème, les chercheurs se sont efforcés de développer des techniques pour accélérer l’imagerie CEST, principalement en exploitant les redondances dans les données pour reconstruire des images à partir de données k-espace sous-échantillonnées.

Bien que les techniques d’imagerie parallèle existantes et le Compressed Sensing (CS) aient permis d’accélérer l’imagerie CEST dans une certaine mesure, ces méthodes présentent encore des limites. Par exemple, le taux d’accélération de l’imagerie parallèle est limité par l’amplification du bruit et l’estimation inexacte des sensibilités des bobines, tandis que le CS est difficile à appliquer en clinique en raison d’un processus fastidieux de réglage des paramètres et d’un temps de reconstruction long. Récemment, les algorithmes d’apprentissage profond ont montré un grand potentiel dans la reconstruction d’images médicales, permettant d’exploiter des informations préalables plus flexibles grâce à l’apprentissage à partir de grandes quantités de données historiques, offrant ainsi de nouvelles possibilités pour accélérer l’imagerie CEST.

Source de l’article

Cet article a été co-rédigé par Jianping Xu, Tao Zu, Yi-Cheng Hsu, Xiaoli Wang et Kannie W. Y. Chan, entre autres, issus de plusieurs institutions de recherche renommées. L’article a été publié dans la revue IEEE Transactions on Biomedical Engineering et présenté pour la première fois sous forme de résumé lors de la conférence annuelle de la Société internationale de résonance magnétique en médecine (ISMRM) en 2023.

Processus de recherche et détails

Objectif de la recherche

Cette étude propose un nouveau cadre d’apprentissage profond appelé DEISM (Deep reconstruction framework with self-calibration mechanisms), visant à accélérer l’imagerie CEST via des mécanismes d’auto-étalonnage. Le cadre DEISM combine un réseau de reconstruction d’images basé sur un modèle et un réseau de suppression d’artefacts piloté par les données, exploitant la redondance spatiale-fréquentielle dans le champ des artefacts pour améliorer significativement la qualité de la reconstruction des images CEST.

Processus de recherche

1. Conception du cadre DEISM

Le cadre DEISM est composé de deux modules principaux : - CEST-VN : un réseau de reconstruction d’images basé sur un modèle, chargé de générer des images de reconstruction initiales à partir de données k-espace sous-échantillonnées multi-bobines. - AS-Net : un réseau de suppression d’artefacts piloté par les données, qui estime et corrige les artefacts résiduels dans les images de reconstruction initiales via un mécanisme d’auto-étalonnage.

2. Développement du réseau de suppression d’artefacts (AS-Net)

AS-Net adopte un nouveau réseau neuronal convolutif à fusion de caractéristiques multi-échelles (Muff-CNN) pour l’estimation des artefacts (Artifact Estimation, AE) et leur correction (Artifact Correction, AC). AS-Net extrait les informations sur les artefacts à partir de trames calibrées entièrement échantillonnées et utilise ces informations pour corriger les artefacts dans les trames sous-échantillonnées.

3. Entraînement et optimisation

Le cadre DEISM est entraîné de bout en bout, utilisant des données CEST multi-bobines simulées pour la préformation et l’ajustement fin. Le processus d’entraînement comprend quatre étapes : - Étape 1 : Pré-entraîner CEST-VN avec une fonction de perte spécifique à CEST pendant 40 époques. - Étape 2 : Pré-entraîner AS-Net avec des images sous-échantillonnées trois fois. - Étape 3 : Ajustement fin d’AS-Net, en fixant les poids de CEST-VN, pour différents facteurs d’accélération. - Étape 4 : Entraînement de bout en bout de l’ensemble du cadre DEISM avec une fonction de perte spécifique à CEST pour l’optimisation.

4. Expériences et évaluation

L’étude a mené des expériences rétrospectives et prospectives sur des données provenant de 5 volontaires sains et 5 patients atteints de tumeurs cérébrales, évaluant les performances de DEISM pour différents facteurs d’accélération. Les résultats montrent que DEISM surpasse les algorithmes traditionnels d’imagerie parallèle et de CS dans la reconstruction des images sources CEST, des cartes moléculaires et des spectres CEST.

Résultats principaux

1. Efficacité de la suppression des artefacts

Sur des images CEST accélérées trois fois, AS-Net peut corriger efficacement les artefacts tout en préservant davantage de détails et affiche des erreurs plus faibles et un rapport signal/bruit plus élevé (PSNR) dans l’évaluation quantitative. Comparé aux méthodes traditionnelles de correction linéaire des artefacts, AS-Net montre des avantages significatifs en termes de qualité d’image et de performance de correction des artefacts.

2. Performance du cadre DEISM

Pour des images CEST accélérées huit fois, les images sources et les cartes pondérées par transfert de protons amide (APTw) reconstruites par DEISM sont hautement cohérentes avec les images de référence entièrement échantillonnées. Le cadre DEISM excelle dans la préservation des détails structurels et la correction des artefacts résiduels, surpassant particulièrement les autres méthodes sous des facteurs d’accélération élevés.

3. Expérience prospective

Dans les expériences prospectives, le cadre DEISM a montré une qualité de reconstruction élevée pour des images CEST accélérées quatre et sept fois, démontrant sa faisabilité dans des applications cliniques réelles.

Conclusion et signification

Conclusion

Le cadre DEISM combine la reconstruction d’images basée sur un modèle et la suppression d’artefacts pilotée par les données pour améliorer considérablement la qualité de la reconstruction des images CEST, notamment sous des facteurs d’accélération élevés. Ce cadre exploite la redondance spatiale-fréquentielle dans le champ des artefacts via des mécanismes d’auto-étalonnage pour corriger efficacement les artefacts résiduels, offrant une nouvelle solution pour accélérer l’imagerie CEST.

Valeur scientifique et applicative

La proposition du cadre DEISM non seulement fait avancer scientifiquement la technologie d’imagerie CEST, mais fournit également un outil d’imagerie plus efficace pour la pratique clinique. En réduisant le temps de balayage, DEISM pourrait promouvoir l’utilisation généralisée de l’imagerie CEST dans le diagnostic des maladies et le suivi des traitements.

Points forts de la recherche

• Mécanisme d’auto-étalonnage innovant : Le cadre DEISM introduit pour la première fois des informations préalables apprises dans le processus de reconstruction des images CEST, améliorant considérablement la qualité des images.
• Réseau à fusion de caractéristiques multi-échelles : Le mécanisme de fusion de caractéristiques multi-échelles utilisé dans AS-Net améliore considérablement la précision de l’estimation et de la correction des artefacts.
• Entraînement de bout en bout : Le cadre DEISM réalise une optimisation globale de la reconstruction d’images et de la suppression des artefacts grâce à un entraînement de bout en bout, augmentant encore la performance de reconstruction.

Autres informations utiles

Cette étude examine également l’impact du choix des trames de calibration sur l’efficacité de la suppression des artefacts, fournissant une référence importante pour optimiser les techniques d’imagerie CEST à l’avenir. De plus, le code source du cadre DEISM est désormais disponible au public, facilitant la validation et l’amélioration ultérieure par d’autres chercheurs.

---

À travers cette recherche, le cadre DEISM offre une méthode efficace et fiable pour accélérer l’imagerie CEST, avec une valeur scientifique et clinique importante. À l’avenir, ce cadre pourrait jouer un rôle crucial dans le diagnostic et le suivi de nombreux traitements de maladies.