Débruitage basé sur l'apprentissage profond auto-supervisé pour l'IRM par tenseur de diffusion

Introduction historique

L’imagerie par résonance magnétique du tenseur de diffusion (Diffusion Tensor Magnetic Resonance Imaging, DTI) est une technique de neuroimagerie largement utilisée pour l’imagerie de la microstructure des tissus cérébraux et des faisceaux de matière blanche in vivo. Cependant, le bruit dans les images pondérées par diffusion (Diffusion-Weighted Images, DWI) réduit la précision des paramètres microstructuraux dérivés des données DTI, exigeant en outre des temps de collecte plus longs pour améliorer le rapport signal-bruit (Signal-to-Noise Ratio, SNR). Bien que les méthodes d’apprentissage profond basées sur les réseaux de neurones convolutifs (Convolutional Neural Networks, CNNs) se soient montrées prometteuses en matière de débruitage d’images, elles nécessitent généralement des données supplémentaires à haut rapport signal-bruit pour superviser l’entraînement des CNNs, limitant ainsi l’application pratique des méthodes d’apprentissage supervisé dans le débruitage.

Source de l’article

Cet article, intitulé “SDnDTI: Self-Supervised Deep Learning-Based Denoising for Diffusion Tensor MRI”, a pour principaux auteurs Qiyuan Tian, Ziyu Li, Qiuyun Fan, Jonathan R. Polimeni, Berkin Bilgic, David H. Salat et Susie Y. Huang. Ils sont affiliés au Centre d’imagerie biomédicale Athinoula A. Martinos de l’Hôpital Général du Massachusetts, au Département de Radiologie de l’École de Médecine de Harvard, au Département de Génie Biomédical de l’Université de Tsinghua, et au Programme de Sciences de la Santé et de Technologie de Harvard-MIT. L’article a été publié dans la revue « Neuroimage ».

Méthodologie de recherche

Déroulement du travail

Cet article propose une méthode d’apprentissage profond auto-supervisée appelée SDnDTI, qui permet de débruiter les données DTI sans nécessiter de données supplémentaires à haut rapport signal-bruit. Le processus spécifique est le suivant : 1. Groupement des données : Les données DTI multi-directionnelles sont divisées en plusieurs sous-ensembles, chaque sous-ensemble contenant six volumes de données DWI. 2. Conversion des signaux : Le modèle de tenseur de diffusion est utilisé pour convertir les volumes de données DWI de chaque sous-ensemble dans la même direction de codage de diffusion, générant ainsi plusieurs répétitions de volumes de données DWI avec le même contraste d’image mais des bruits différents. 3. Débruitage : Un réseau neuronal convolutif profond en trois dimensions est d’abord utilisé pour débruiter chaque répétition des volumes de données DWI. L’objectif de l’entraînement du CNN est la moyenne de toutes les répétitions de DWI, qui possède un rapport signal-bruit plus élevé. Ensuite, les images débruitées par le CNN sont moyennées pour obtenir un SNR encore plus élevé. 4. Validation et analyse : L’effet de débruitage de SDnDTI est comparé aux valeurs réelles en utilisant les images de sortie et les indices DTI générés, par rapport aux données obtenues avec un grand nombre de volumes DWI.

Source des données

Deux ensembles de données ayant des résolutions spatiales, des valeurs b et des nombres de volumes DWI différents ont été utilisés, provenant respectivement du Human Connectome Project (HCP) et du projet Lifespan HCP in Aging.

Résultats de la recherche

Résultats principaux de chaque étape

Dans les expériences, SDnDTI a montré une amélioration significative du rapport signal-bruit tant pour les données brutes que pour les données débruitées synthétisées. Les images DWI débruitées par SDnDTI sont non seulement plus claires visuellement, mais aussi meilleures selon plusieurs indicateurs quantitatifs.

• Amélioration du SNR : Par rapport aux données brutes, l’erreur absolue moyenne (MAE) des images DWI débruitées est environ un tiers de celle des données brutes, le PSNR a augmenté d’environ 7 dB et le SSIM a augmenté d’environ 0,1.
• Préservation des détails de l’image : Les images débruitées par SDnDTI conservent plus de détails de texture, notamment dans la région de la capsule interne, montrant de meilleures performances par rapport aux méthodes BM4D et AONLM.

Conclusion et valeur de la recherche

La méthode SDnDTI a démontré une capacité de débruitage efficace sans nécessiter de données supplémentaires à haut rapport signal-bruit, augmentant ainsi la faisabilité des méthodes de débruitage par apprentissage profond et CNN dans des applications de recherche et cliniques réelles. Cette méthode améliore non seulement la qualité des données DTI, mais accélère également leur acquisition, ce qui est significatif pour la cartographie de la microstructure cérébrale, des faisceaux et des connexions structurelles.

De plus, la méthode SDnDTI a montré sa capacité de généralisation sur différents ensembles de données et a amélioré les performances de débruitage et raccourci le temps d’entraînement grâce à un ajustement fin. Cela ouvre un large éventail de perspectives pour des applications impliquant une acquisition rapide des données DTI et nécessitant des données de haute qualité en recherche clinique et en neurosciences.

Points forts de la recherche

• Aucune donnée à haut SNR nécessaire : Contrairement aux méthodes de débruitage par apprentissage profond traditionnelles, SDnDTI n’exige pas de données supplémentaires à haut rapport signal-bruit pour l’entraînement.
• Préservation des détails de l’image : Cette méthode conserve efficacement les détails de la texture du tissu cérébral, montrant de meilleures performances par rapport aux autres méthodes de débruitage traditionnelles.
• Large éventail d’applications potentielles : Grâce à ses capacités exceptionnelles de généralisation et à l’efficacité de son entraînement, SDnDTI est adapté à un plus grand nombre de scénarios de recherche et d’applications cliniques.

Autres informations précieuses

Le code de SDnDTI sera rendu public sur la plateforme GitHub (https://github.com/qiyuantian/sdndti), facilitant ainsi l’application de cette méthode par les chercheurs et les cliniciens dans leurs propres études. De plus, l’article fournit certains ensembles de données publics et des outils logiciels open-source pour les expérimentations comparatives, favorisant ainsi les progrès de la recherche dans ce domaine.

La méthode SDnDTI est un outil puissant de débruitage auto-supervisé qui améliore la qualité des données DTI et accélère leur acquisition. Elle présente non seulement une innovation technique mais montre également un grand potentiel et une grande valeur dans les applications pratiques.