Faire évoluer l’IRM quantitative pour de meilleurs soins aux patients
Avec une sensibilité et une spécificité de près de 100 %, pour beaucoup, l’imagerie par résonance magnétique (IRM) est la référence en matière d’imagerie. Ceci est particulièrement vrai lorsqu’il s’agit d’examiner les tissus mous, comme le cerveau, l’IRM fournissant aux radiologues une image beaucoup plus claire de l’organe qu’une radiographie ou une tomodensitométrie (CT). Cependant, même l’IRM a ses défauts. «Bien que les IRM excellent à fournir des images très détaillées, celles-ci sont qualitatives», explique Jan Sijbers, professeur à l’Université d’Anvers. «Cela signifie que le contraste résultant dépend fortement non seulement des tissus sous-jacents, mais aussi du type de scanner et du protocole utilisés pour capturer l’image.» La nature qualitative des images IRM peut entraver la capacité d’un radiologue à effectuer une comparaison quantitative des propriétés des tissus au sein d’un même scan, entre des scans successifs et entre des sujets, autant d’éléments qui peuvent jouer un rôle essentiel dans l’établissement d’un diagnostic correct.
Mesure précise des caractéristiques du cerveau
Cette limitation a conduit au développement de l’IRM quantitative (IRMq). «En IRMq, le contraste est directement lié aux caractéristiques biophysiques sous-jacentes des tissus mous, ce qui améliore considérablement le diagnostic clinique», explique Jan Sijbers. «Le problème est que les IRMq exigent un temps de scan particulièrement long, ce qui les rend inconfortables pour le patient et coûteux pour la clinique.» Avec le soutien du projet B-Q MINDED, financé par l’UE, Jan Sijbers mène une initiative visant à combler le fossé entre les IRM qualitatives et quantitatives. «Notre objectif était de transformer l’IRM d’une modalité d’imagerie pure en un outil quantitatif pour la mesure précise des caractéristiques du cerveau.»
Améliorer les soins prodigués aux patients
L’un des principaux résultats du projet a été le développement et la validation de méthodes de reconstruction à super-résolution (RSR). Ces méthodes permettent à un radiologue de reconstruire des images claires et de haute résolution à partir d’une image unique de faible résolution. Grâce à ces méthodes, les chercheurs du projet ont pu compiler des cartes de paramètres IRMq à haute résolution à l’aide d’un ensemble d’images IRM qualitatives à faible résolution. «Les méthodes de RSR ont permis de réduire considérablement le temps d’acquisition tout en conservant la résolution spatiale et le rapport signal/bruit», ajoute Jan Sijbers. Les chercheurs ont également développé des méthodes d’harmonisation des données et d’estimation solide des paramètres de diffusion. Autre réalisation importante, ils ont réussi à établir des cartes T1 (temps de relaxation longitudinale) et T2 (temps de relaxation transversale) basées sur des machines d’inférence récurrentes – une réalisation qui a permis de diviser par 100 le temps nécessaire à l’inférence de cartes quantitatives. «Ces résultats permettront aux radiologues de formuler plus facilement et plus objectivement des conclusions sur l’état de la maladie cérébrale, ce qui, en définitive, améliore les soins prodigués aux patients», fait remarquer Jan Sijbers.
Faire progresser l’IRMq
Selon Jan Sijbers, le succès de ce projet soutenu par le programme Actions Marie Skłodowska-Curie est le résultat direct des travaux des 15 jeunes et brillants chercheurs en début de carrière (CDC) qui y ont pris part. «Ce fut un véritable privilège de faire partie de cette équipe dynamique et de les observer travailler ensemble pour développer et mettre en œuvre avec efficacité des méthodes d’IRM quantitative dans la pratique préclinique», dit-il. «Ils ont fait de ce projet le plus intéressant et le plus passionnant de ma carrière.» Ces chercheurs vont maintenant exploiter l’expérience et les connaissances acquises au cours du projet et les appliquer pour faire progresser l’IRMq. Parallèlement, Jan Sijbers commencera bientôt à travailler avec une nouvelle génération de CDC sur un projet qui entend incorporer l’intelligence artificielle aux méthodes d’IRMq.
Mots‑clés
B-Q MINDED, IRM quantitative, IRMq, radiologue, maladie du cerveau, imagerie, diagnostic, reconstruction à super-résolution, RSR, chercheurs en début de carrière, CDC, intelligence artificielle
