DeepDTI : Imagerie par tenseur de diffusion à six directions de haute fidélité utilisant l'apprentissage profond

DeepDTI：Utilisation de l’apprentissage en profondeur pour obtenir une imagerie par tenseur de diffusion à six directions de haute fidélité

Contexte de la recherche et motivation

L’imagerie par résonance magnétique par tenseur de diffusion (Diffusion Tensor Imaging, DTI) présente des avantages inégalés pour la cartographie des microstructures tissulaires et des connexions structurelles dans le cerveau humain vivant. Cependant, les techniques traditionnelles de DTI requièrent un temps de scan prolongé en raison des exigences d’échantillonnage angulaire, ce qui limite leur utilisation dans la pratique clinique courante et dans les études à grande échelle. Pour surmonter ce goulot d’étranglement, les chercheurs ont développé un nouveau cadre de traitement DTI, appelé DeepDTI, qui réduit au minimum les exigences en matière de données DTI grâce à l’apprentissage supervisé profond basé sur les données. L’objectif de cet article est de montrer comment DeepDTI peut réduire de manière significative la quantité de données d’échantillonnage DTI, permettant ainsi des temps de scan plus rapides tout en maintenant une haute qualité d’imagerie.

Source de l’article

Les principaux auteurs de cet article incluent Qiyuan Tian, Berkin Bilgic, Qiuyun Fan, Congyu Liao, parmi d’autres, provenant respectivement du centre d’imagerie biomédicale Athinoula A. Martinos de l’hôpital général du Massachusetts, de la Harvard Medical School, du département des sciences et technologies de la santé du MIT, et du département d’ingénierie électrique de l’université de Stanford. L’article a été publié le 1er octobre 2020 dans la revue “Neuroimage”.

Processus de recherche

Méthodologie

La conception du cadre DeepDTI repose sur une compréhension approfondie de la physique de l’imagerie par résonance magnétique de diffusion. Son innovation réside dans l’utilisation d’un réseau neuronal convolutif tridimensionnel (Convolutional Neural Network, CNN) à 10 couches, qui mappe les images non pondérées par diffusion (b = 0) et six images pondérées par diffusion optimisées (DWI), ainsi que les images pondérées T1 et T2, sur la différence entre les images d’entrée et les images haute qualité en sortie. Les entrées et sorties de DeepDTI sont spécialement conçues pour utiliser l’apprentissage résiduel afin d’améliorer les performances du CNN et obtenir une ajustement tensoriel de haute qualité pour les DWI, générant des indicateurs DTI directionnels utiles pour le suivi des trajectoires.

Traitement des données :

1. Collecte des données :

   • Cette étude utilise les données prétraitées de diffusion, pondérées T1 et T2 de 70 sujets sains non apparentés provenant de la base de données publique du Human Connectome Project (HCP).
   • Les données de diffusion IRM sont acquises à une résolution isotropique de 1,25 millimètre, incluant quatre valeurs de b (0, 1, 2, 3 ms/μm²) et deux directions d’encodage de phase (gauche-droite et droite-gauche).

2. Prétraitement des images :

   • Les images ont été corrigées pour le décalage de l’écho et les distorsions de courants de Foucault en utilisant le logiciel FSL. Les données d’image obtenues ont été segmentées pour exclure le liquide céphalorachidien (CSF).
   • Les données brutes ont été ajustées aux tenseurs de diffusion par la méthode des moindres carrés pour obtenir une série d’indicateurs DTI.

3. Entraînement du modèle :

   • Les images d’entrée du CNN sont normalisées, et les paramètres du CNN sont optimisés en utilisant l’Adam optimizer. Des données d’entraînement et de validation sont générées en sélectionnant aléatoirement des données brutes échantillonnées à différents angles.
   • Les performances du modèle sont évaluées par des indicateurs tels que le rapport signal sur bruit de crête (PSNR) et l’indice de similarité structurelle (SSIM).

Résultats expérimentaux :

Les images de sortie de DeepDTI montrent une suppression du bruit et une fidélité des détails significativement supérieures par rapport aux images d’origine et à l’algorithme de débruitage BM4D de pointe. Les résultats de l’évaluation quantitative montrent une amélioration notable du PSNR et du SSIM pour les images de sortie de DeepDTI. Voici quelques résultats clés : - Les images b = 0 d’entrée et de sortie ainsi que les images DWI montrent des PSNR respectifs de 34,6 dB et 31,9 dB. - Chez 20 sujets évalués, l’erreur quadratique moyenne des indicateurs DTI générés par DeepDTI est significativement inférieure à celle des données d’origine et des données débruitées par BM4D. - Les résultats de suivi des trajectoires des faisceaux de matière blanche générés par DeepDTI montrent une distance de noyau entre les principaux faisceaux de fibres de matière blanche de 1-1,5 millimètres par rapport aux résultats de référence générés avec toutes les données (18 images b = 0 et 90 DWI).

Conclusion de la recherche

DeepDTI permet de réduire de manière significative les besoins en échantillonnage DTI tout en maintenant voire en surpassant les performances des méthodes existantes en termes de qualité d’imagerie et d’analyse DTI. En réduisant les exigences de collecte à une image b = 0 et six images DWI, DeepDTI réduit le temps de scan DTI à 30-60 secondes, ce qui le rend plus pratique et utilisable dans les environnements cliniques et de recherche. Grâce à DeepDTI, le DTI de haute fidélité peut devenir une modalité d’imagerie courante, augmentant considérablement l’efficacité des scans, particulièrement pour les patients ou les enfants ayant du mal à rester immobiles.

Points forts de la recherche

• Le cadre innovant de DeepDTI, amélioré par l’apprentissage résiduel, optimise les performances des CNN pour une imagerie par tenseur de diffusion de haute qualité.
• Avec une quantité minimale de données d’échantillonnage (une image b = 0 et six DWI), DeepDTI surpasse significativement les méthodes existantes en termes de fidélité et de précision.
• L’application de l’apprentissage profond rend possible l’analyse complexe de la microstructure d’imagerie, augmentant l’utilisation et la précision des données d’IRM de diffusion.

Importance et valeur pratique

L’aboutissement de DeepDTI démontre le potentiel énorme de l’apprentissage profond à extraire des informations cachées dans les données d’imagerie. Cette méthode améliore non seulement l’efficacité et la qualité de l’imagerie DTI, mais offre également de vastes perspectives pour la recherche et les applications futures, en particulier dans les domaines nécessitant un DTI rapide et de haute qualité en clinique et en recherche en neurosciences.

Grâce à cette étude, le temps d’imagerie DTI est considérablement réduit, faisant partie intégrante des examens d’imagerie de routine, augmentant l’efficacité diagnostique et de recherche clinique, notamment pour les patients instables ou les jeunes enfants, ce qui présente une grande valeur pratique.