Comprendre l'harmonisation des images IRM

L'imagerie par résonance magnétique (IRM) est une méthode d'imagerie médicale précieuse et polyvalente, mais elle montre souvent qualité d'image hétérogène à travers différents protocoles et scanners.  

Nous constatons régulièrement des variations d'image lors de l'analyse des données, en particulier lors du traitement de données réelles provenant de plusieurs centres d'imagerie. Ces différences peuvent provenir de différents fabricants de scanners, de différents modèles de scanners ou de différents protocoles d'acquisition. Cela entraîne des différences notables dans les valeurs d'intensité des images. De telles variations posent des défis considérables pour la création de modèles universellement applicables et fiables¹. Ils ont également un impact sur la reproductibilité des biomarqueurs d'imagerie quantitative et des caractéristiques radiomiques², crucial pour le développement de systèmes d'aide à la décision clinique. Cette variabilité est particulièrement importante dans les images de résonance magnétique (IRM) car, contrairement aux tomodensitométries (TDM), où les valeurs d'intensité sont normalisées en unités Hounsfield (qui nécessitent également un certain degré d'harmonisation), les intensités des images IRM ne sont pas normalisées en fonction d'une unité de mesure standard. As peuvent être observée in Figure 1, MI analyse a acquise avec des temps d'écho (TE) et des temps de répétition (TR) différents, des différences d'intensité d'image se produisent. 

Efforts pour normaliser les examens IRM rencontrent souvent des difficultés en raison des variationsn paramètres matériels, logiciels ou de numérisation ce qui peut avoir un impact sur la précision des résultats quantitatifs. Cette question devient particulièrement importante lors de l’utilisation de technologies avancées comme l’intelligence artificielle (IA) ou les méthodes d’analyse numérique. Dans les études multicentriques ou à long terme, où la cohérence est essentielle, ces variations peuvent affecter considérablement la fiabilité des résultats. Il est donc essentiel de relever ces défis pour garantir la qualité et la cohérence des données IRM dans ce type de recherche.  

Des méthodes traditionnelles aux techniques de Deep Learning qui gèrent les variations dans l'imagerie médicale

Les techniques traditionnelles de vision par ordinateur utilisent souvent des méthodes pour normaliser, centrer et standardiser les intensités des images. Ces techniques mettent généralement à l'échelle les valeurs d'intensité dans une plage commune, ajustent l'intensité moyenne à zéro et garantissent la variance unitaire. Cependant, ces méthodes conventionnelles n'ont pas encore atteint de performances de généralisation robustes en imagerie médicale, principalement lorsqu'elles travaillent avec des données provenant de divers centres d'imagerie. 

Pour relever ces défis, il est nécessaire d'intégrer des données provenant de plusieurs centres d'imagerie dans le processus de formation. Cependant, la collecte de données aussi diverses est difficile en raison de la nécessité d'informations substantielles provenant de ces centres. Alors que des algorithmes de débruitage traditionnels tels que les filtres de correction de champ de diffusion anisotrope, N4 ou de biais ont été utilisés pour améliorer la qualité de l'image^3,4,5, leur capacité à généraliser à travers différentes sources de bruit et le coût de calcul substantiel impliqué limitent leur application pratique dans les contextes cliniques. 

Pour surmonter les limites des méthodes traditionnelles, l’exploration des techniques de Deep Learning pour gérer les variations dans l’imagerie médicale est cruciale. Ces techniques se concentrent sur le développement de méthodes de standardisation d’images capables de gérer les hétérogénéités observées sur le terrain. Technique de génération d’images, qui crée de nouvelles images généralement basées sur des images existantes⁶ sont devenus de plus en plus pertinents dans l’imagerie médicale en raison des défis de généralisation auxquels sont confrontées les solutions basées sur l’IA.  

Ces dernières années ont vu des avancées passionnantes dans ce domaine, avec des réalisations notables dans des tâches telles que la retouche d'images (remplissage des parties manquantes des images).⁷, améliorant la qualité ou la résolution de l'image^8,9, réduction du bruit^10,11,12, et le transfert de style en utilisant des techniques comme Cycle-GAN^13,14. 

La méthodologie de Quibim 

À cet égard, Quibim a introduit une nouvelle méthodologie qui s'appuie sur des techniques auto-supervisées et utilise le domaine de fréquence d'une manière unique, pour générer synthétiquement des variations de contraste à partir d'images originales, de haute qualité et homogènes qui agissent comme groupe de référence. Ce référence groupe réunir le (en fait, presque toutes) voulu image caractéristique représentations à qui le reste of le simples images. vont imiter, et is uniquement composé by le Best cas 13, as milliers of altérations Ces obtenu pour chacun maisons. Cette approche consiste à former un réseau neuronal convolutionnel (CNN) pour standardiser ces différents contrastes générés par rapport au même groupe de référence. Cette solution simple mais innovante peut être généralisée efficacement, d’autant plus que le réseau est exposé à une large gamme de modifications de contraste à des fins d’apprentissage. 

Figure 2 montre un exemple de altérations effectuées sur un échantillon de la référence groupe. L'image de référence est transformée dans le domaine fréquentiel où des milliers de modifications sont appliquées (rangée du bas). Enfin, ces images du domaine de fréquence modifiées sont retransformées dans le domaine d'imagerie où les altérations synthétiques des intensités d'image sont observées (rangée du haut).

Travailler dans le domaine fréquentiel a été l'aspect clé de cette méthodologie, les données en L'espace K est un concept fondamental en IRM, représentant les données brutes acquises lors d'un examen IRM. Les données de l'espace K, obtenues grâce à des gradients magnétiques et à des impulsions radiofréquence, sont transformées via la transformation de Fourier du domaine fréquentiel au domaine d'imagerie, ce qui donne une image interprétable. L'espace K peut être conceptualisé comme une matrice avec des points représentant des fréquences et des phases spécifiques du signal, où le centre capture les composantes basse fréquence et la périphérie capture les composantes haute fréquence. selon cela, il est possible d'effectuer des modifications dans des caractéristiques subtiles telles que le contraste or luminosité de l'image tout en conservant le contenu de l'échantillon d'origine. Oles données brutes de l'espace K d'origine ne sont plus disponibles lorsque l'image atteint le PACS, mais il est possible d'accéder au domaine fréquentiel en effectuant la transformation de Fourier. 

Cette approche consiste à former un réseau neuronal convolutionnel (CNN) pour standardiser ces différents contrastes générés par rapport au même groupe de référence. Cette solution simple mais innovante peut être généralisée efficacement, d'autant plus que le réseau est exposé à une large gamme de modifications de contraste à des fins d'apprentissage, ce qui permet.formation par paires, alignant chaque échantillon avec son homologue modifié, améliorant ainsi la robustesse et l'adaptabilité du modèle dans divers scénarios d'imagerie médicale. 

Figure 3 montre quelques résultats de notre solution innovante, nous pouvons voir comment nous pouvons normaliser les intensités d'image sur un ensemble de données avec une dynamique IRM hétérogènegamme ic. 

L’approche de Quibim marque une avancée significative pour surmonter les défis de longue date de la normalisation des images en imagerie médicale, contribuant à trouver des outils de diagnostic plus fiables et plus précis. 

Références

1. Kushol, R., Parnianpour, P., Wilman, AH et al. Effets des fabricants de scanners IRM sur les tâches de classification avec des modèles d'apprentissage profond. Sci Rep 13, 16791 (2023). https://doi.org/10.1038/s41598-023-43715-5 
2. Mi H, Yuan M, Suo S, Cheng J, Li S, Duan S, Lu Q. Impact de différents scanners et paramètres d'acquisition sur la robustesse des caractéristiques radiomiques IRM basées sur le col de l'utérus des femmes. Sci Rep. 2020 23 novembre ;10(1) :20407. doi : 10.1038/s41598-020-76989-0. PMID : 33230228 ; PMCID : PMC7684312. 
3. Caio A. Palma, Fábio AM Cappabianco, Jaime S. Ide, Paulo AV Miranda, Fonctionnement et limites du filtrage par diffusion anisotrope – Évaluation de l’imagerie par résonance magnétique, IVolumes des actes du FAC, 
4. Tustison NJ, Avants BB, Cook PA, Zheng Y, Egan A, Yushkevich PA, Gee JC. N4ITK : correction de biais N3 améliorée. IEEE Trans Med Imaging. 2010 juin ; 29(6) : 1310-20. doi : 10.1109/TMI.2010.2046908. Publication en ligne du 2010 avril 8. PMID : 20378467 ; PMCID : PMC3071855. 
5. SONG, Shuang ; ZHENG, Yuanjie ; HE, Yunlong. Une revue des méthodes de correction des biais dans les images médicales. Biomedical Engineering Review, [Sl], v. 1, n. 1, sept. 2017. ISSN 2375-9151.  
6. Roberto Gozalo-Brizuela, Eduardo C. Garrido-Merchán. Une enquête sur les applications d'IA générative, mai. 2023 
7. Hanyu Xiang, Qin Zou, Muhammad Ali Nawaz, Xianfeng Huang, Fan Zhang, Hongkai Yu, Apprentissage profond pour la retouche d'image : une enquête, reconnaissance de formes, Volume 134, 2023,109046,ISSN 0031 3203,https://doi.org/10.1016/j.patcog.2022.109046. 
8. Yamashita, Koki et Markov, Konstantin. (2020). Amélioration des images médicales à l'aide de méthodes de super résolution. 10.1007/978-3-030-50426-7_37. 
9. Yuan Ma, Kewen Liu, Hongxia Xiong, Panpan Fang, Xiaojun Li, Yalei Chen, Zejun Yan, Zhijun Zhou, Chaoyang Liu, Super-résolution d'images médicales utilisant un réseau antagoniste génératif moyen relativiste, Instruments et méthodes nucléaires en recherche en physique Section A : Accélérateurs, spectromètres, détecteurs et équipements associés, Volume 992, 2021, 165053, ISSN 0168-9002, https://doi.org/10.1016/j.nima.2021.165053. 
10. Kaur P, Singh G, Kaur P. Une étude sur la débruitisation des images médicales à l'aide de l'apprentissage automatique 
Approches. Curr Med Imaging Rev. 2018 Oct;14(5):675-685. doi: 10.2174/1573405613666170428154156. PMID: 30532667; PMCID: PMC6225344. 
11. Arshaghi, Ali et Ashourian, Mohsen et Ghabeli, Leila. (2020). Débruitage des images médicales à l'aide de l'apprentissage automatique et des approches d'apprentissage profond : une enquête. Current Medical Imaging Anciennement Current Medical Imaging Reviews. 16.10.2174/1573405616666201118122908. 
12. Junshen Xu, Elfar Adalsteinsson, Deformed2Self : débruitage auto-supervisé pour l'imagerie médicale dynamique arXiv: 2106.12175  
13. Joonhyeok Yoon, Sooyeon Ji, Eun-Jung Choi, Hwihun Jeong et Jongho Lee, Université nationale de Séoul, Séoul, Corée, République de, Harmonisation entre fournisseurs basée sur Paired CycleGAN https://archive.ismrm.org/2022/1881.html 
14. Modanwal, Gourav et Vellal, Adithya et Buda, Mateusz et Mazurowski, Maciej. (2020). Harmonisation des images IRM à l'aide d'un réseau contradictoire génératif cohérent avec le cycle. 36. 10.1117/12.2551301.