Les méthodes bayésiennes pour caractériser les tumeurs du cerveau
L'imagerie par résonance magnétique (IRM) est actuellement utilisée pour le diagnostic in vivo et la classification des tumeurs du cerveau. Cela aide les chirurgiens lors de la planification de la suppression des tumeurs ainsi que lors du contrôle de la réponse au traitement. Cependant, la précision du diagnostic est encore insuffisante dans certains cas, par exemple chez les patients souffrant de gliomes malins. C'est surtout dans ces cas que la spectroscopie par résonance magnétique (SRM) et l'imagerie spectroscopique (ISRM) jouent un rôle important. Les spectres RM (de la SRM et de l'ISRM) fournissent de précieuses informations biochimiques qui permettent d'obtenir des signatures métabolomiques précises. Comme ces informations sont très riches en contenu et la plupart du temps difficilement interprétables par les médecins, nous nous appuyons sur des techniques de reconnaissance du modèle, qui ont fait leurs preuves en contribuant à améliorer la précision du diagnostic. Il est toutefois encore possible d'améliorer les méthodes de reconnaissance de modèle actuelles afin qu'elles puissent vous aider avec des cas plus complexes et donner de meilleurs résultats. Les scientifiques du projet BAYESIANMULTIMODALMR (Multimodal analysis of MR data using Bayesian methods), financé par l'UE, ont proposé une solution qui utilise des techniques de reconnaissance de modèle pour intégrer les données obtenues de la SRM et de l'ISRM. Plus précisément, ils ont encore amélioré la méthode de factorisation à matrice non négative (FMN) pour délimiter la tumeur en neuro-oncologie en utilisant comme connaissances préalables les informations anatomiques de la tumeur fournies par l'IRM. La méthodologie développée par l'équipe pour la segmentation de la tumeur du cerveau permet une analyse individuelle des patients affectés, ce qui signifie qu'elle évite la contamination des chevauchements entre sujets. De même, cela permet de n'utiliser que des régions partielles de manière à ce que les zones d'incertitude soient exclues pendant la segmentation initiale. Les essais réalisés avec les données des souris présentant des tumeurs du cerveau ont montré la possibilité d'intégrer les informations de l'IRM dans l'extraction de la source des données ISRM. Les chercheurs ont également développé une approche bayésienne basée sur la FMN pour sélectionner automatiquement les sources pertinentes à l'aide de la stratégie gourmande. Cette stratégie permet d'éliminer les données redondantes et en double. Les données réelles et simulées compilées par le projet européen INTERPRET ont été utilisées pour les tests et la validation. Un autre développement clé était une méthode pour extraire les signaux source significatifs qui peuvent être utilisés pour la classification des tumeurs. Ces signaux font référence aux tissus sains, à la réponse tumorale cérébrale à la thérapie et aux tumeurs cérébrales non traitées ou réfractaires. Les images nosologique générées ont prouvé l'utilité de cette approche pour la classification des maladies et la détermination de la réponse tumorale au traitement. Les résultats de la recherche ont été largement diffusés lors d'importantes conférences et dans des revues internationales, dans environ 13 communications/publications évaluées par des pairs. La mise en œuvre des méthodes développées dans cette étude permettrait l'intégration des données de diverses modalités d'imagerie pour le diagnostic efficace de la maladie, le classement des tumeurs du cerveau et le suivi du patient. Cette approche pourrait également être adaptée pour le diagnostic d'autres pathologies neurologiques difficiles à détecter.
Mots‑clés
Méthodes bayésiennes, tumeurs au cerveau, IRM, imagerie spectroscopique, BAYESIANMULTIMODALMR
