Article de méthode

Imagerie par résonance magnétique pulmonaire fonctionnelle résolue en phase tridimensionnelle

DOI :

10.3791/66385

⸱

21 juin 2024

 ,  ,  , 
1Institute of Diagnostic and Interventional Radiology, Hannover Medical School, 2Biomedical Research in Endstage and Obstructive Lung Disease Hannover (BREATH), Member of the German Centre for Lung Research (DZL)

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Poumon fonctionnel tridimensionnel (3D) à résolution de phase (PREFUL) est une technique d’imagerie par résonance magnétique fonctionnelle (IRM) qui permet de quantifier la ventilation régionale de l’ensemble du volume pulmonaire humain, en utilisant la respiration de marée et l’acquisition sans agent de contraste pendant 8 min. Ici, nous présentons un protocole IRM pour collecter et analyser les données d’imagerie 3D PREFUL.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’imagerie par résonance magnétique (IRM) pulmonaire offre une variété de techniques sans rayonnement adaptées pour évaluer la ventilation pulmonaire régionale ou ses substituts. Ces techniques englobent des mesures directes, illustrées par l’IRM des gaz hyperpolarisés et l’IRM des gaz fluorés, ainsi que des mesures indirectes facilitées par l’IRM améliorée par l’oxygène et l’IRM de décomposition de Fourier (FD) basée sur les protons. Ces derniers temps, des progrès substantiels ont été réalisés dans le domaine de l’IRM FD, ce qui implique d’améliorer la résolution spatiale/temporelle, d’affiner la conception des séquences et le post-traitement, et de développer une approche globale du poumon entier.

L’IRM fonctionnelle bidimensionnelle (2D) à résolution de phase pulmonaire (PREFUL) se distingue par une approche basée sur la DF développée pour l’évaluation complète de la ventilation régionale et de la dynamique de perfusion, le tout au sein d’une seule acquisition IRM. Récemment, une nouvelle avancée a été réalisée avec le développement de 3D PREFUL pour évaluer la ventilation dynamique de l’ensemble du poumon à l’aide d’un examen de 8 minutes avec une séquence auto-fermée.

L’acquisition 3D PREFUL implique l’utilisation d’une séquence d’écho dégradée d’un empilement d’étoiles gâtées avec un incrément d’angle d’or. Après la reconstruction d’environ 40 phases respiratoires par imagerie de détection compressée, toutes les images reconstruites à résolution respiratoire sont enregistrées sur une phase de respiration fixe. Par la suite, les paramètres de ventilation sont extraits des images enregistrées.

Dans une cohorte d’étude comprenant des volontaires sains et des patients atteints de bronchopneumopathie chronique obstructive, les paramètres de ventilation 3D PREFUL ont montré de fortes corrélations avec les mesures obtenues à partir de tests de fonction pulmonaire. De plus, la répétabilité inter-balayage de la technique 3D PREFUL a été jugée acceptable, ce qui indique sa fiabilité pour les évaluations répétées des mêmes individus.

En résumé, l’IRM de ventilation 3D PREFUL offre une couverture pulmonaire complète et capture la dynamique de la ventilation avec une résolution spatiale améliorée par rapport à la technologie 2D PREFUL. 3D PREFUL offre une alternative rentable à l’IRM hyperpolarisée 129Xe, ce qui en fait une option attrayante pour l’évaluation conviviale de la ventilation pulmonaire.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Selon l’Organisation mondiale de la santé (OMS), les maladies respiratoires chroniques sont la troisième cause de décès, ce qui pèse lourdement sur les soins de santé1. Le diagnostic et le suivi de plusieurs maladies respiratoires impliquent des tests fonctionnels pulmonaires, qui manquent d’informations spatiales et peuvent ne pas être réalisables chez les jeunes patients. De nombreuses autres modalités de médecine nucléaire fournissent des mesures spatiales de la ventilation, telles que la tomographie par émission de positons (TEP)2, la tomographie par émission monophotonique (SPECT)3, ou la tomographie par ordinateur4. Un inconvénient important de ces techniques est l’utilisation des rayonnements ionisants pour l’imagerie. Par conséquent, ces mesures ne sont pas réalisables dans des populations sensibles comme les enfants ou pour des mesures répétées dans des études cliniques.

Les méthodes d’imagerie par résonance magnétique ont suscité l’intérêt au cours des deux dernières décennies parce qu’elles offrent une mesure sans rayonnement de la fonction pulmonaire. Surtout, les techniques d’IRM en gaz hyperpolarisé5 ont été utilisées pour l’évaluation de la ventilation pulmonaire chez les témoins sains et les patients atteints de maladies pulmonaires, tout en obtenant un rapport signal/bruit (SNR) supérieur à celui de 19F6 ou de l’IRM à oxygène amélioré7. Les inconvénients courants des techniques d’IRM à gaz comprennent la nécessité de personnel supplémentaire, les coûts de matériel ou la nécessité de la coopération du patient pendant la mesure de l’haleine. Pour remédier à ces limitations, des méthodes basées sur la décomposition de Fourier (FD) MRI8 ont été introduites pour évaluer la ventilation pulmonaire et la perfusion. Comme alternative à l’IRM DF, une IRM fonctionnelle du poumon résolue en phase (PREFUL) 9 a été développée, validée10,11,12, et testée dans plusieurs études, y compris des études multicentriques13,14. Néanmoins, l’acquisition 2D entraîne de longs temps d’acquisition pour une couverture pulmonaire complète et une résolution spatiale limitée. Une solution élégante est offerte par les acquisitions 3D auto-fermées, bien qu’au détriment des informations de perfusion15,16,17. L’une de ces techniques, 3D PREFUL MRI17, a été développée non seulement pour évaluer la ventilation statique, mais aussi la dynamique de la ventilation lors d’un examen IRM de 8 minutes, offrant une résolution d’image supérieure par rapport aux méthodes 2D.

Suite à la publication originale décrivant la méthode17, la répétabilité de la technique a été évaluée et comparée cliniquement aux mesures spirométriques bien établies18, et plus récemment, un cadre de recalage d'images accéléré a été introduit tout en améliorant la répétabilité des paramètres de ventilation et en préservant la qualité d'image des cartes de ventilation19. Cette technique conviviale et facilement évolutive, capable de cartographier quantitativement la ventilation régionale dans le poumon humain, a le potentiel de contribuer de manière significative à la détection précoce, au diagnostic des maladies respiratoires ou à la surveillance de suivi des effets du traitement20. Ces changements de traitement dans la fonction pulmonaire régionale, tels que l’amélioration du volume de ventilation, ont le potentiel de devenir des biomarqueurs pour évaluer l’impact des thérapies et pourraient être un outil utile dans les études cliniques multicentriques.

L’article vise à fournir une explication complète et visuelle de la technologie 3D PREFUL, dans le but de favoriser une traduction plus large de cette technique.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a reçu l’approbation du comité d’éthique de la faculté de médecine de Hanovre, garantissant qu’elle a respecté des normes éthiques rigoureuses tout au long du processus de recherche. L’enquête a strictement suivi les lignes directrices énoncées dans la Déclaration d’Helsinki, qui met l’accent sur la conduite éthique de la recherche médicale. De plus, le consentement éclairé a été obtenu avec diligence de tous les participants à l’étude (ou de leurs parents ou tuteurs légaux) avant leur participation à l’examen IRM.

REMARQUE : Les critères d’inclusion/exclusion pour les études impliquant l’IRM 3D Preful varient et dépendent de la conception de l’étude. En règle générale, les critères d’inclusion pour les volontaires sains dans un examen IRM 3D Preful impliquent des individus qui (a) ne présentent aucune condition médicale importante qui pourrait affecter les résultats de l’étude, (b) ne prennent aucun médicament susceptible d’interférer avec les résultats de l’IRM, (c) n’ont pas de claustrophobie, d’anxiété, d’implants ou de dispositifs métalliques, (d) répondent à des critères spécifiques d’âge et de sexe pertinents pour les objectifs de l’étude, (e) n’avez pas d’antécédents de tabagisme, (f) avez des résultats normaux de spirométrie (VEMS1/CVF > 0,7 et VEMS1 et CVF > 80 % de la valeur prédictive). Les critères d’exclusion pour tous les participants à l’étude subissant un examen IRM 3D PREFUL peuvent inclure : (a) une grossesse, (b) une affection susceptible de compromettre l’innocuité ou la validité de l’examen IRM 3D PREFUL, (c) une intolérance aux agents de contraste à base de gadolinium lorsque l’IRM dynamique avec contraste est incluse dans un protocole d’étude.

1. Entretien pré-IRM

  1. Demandez à un médecin de recueillir des informations importantes concernant les antécédents médicaux du sujet.
  2. Expliquer les contre-indications potentielles, les risques et la procédure d’IRM.
  3. Obtenez le consentement écrit et éclairé du sujet.
    REMARQUE : Si aucun résultat de test de la fonction respiratoire n’est disponible, demandez au sujet de subir un test de la fonction respiratoire avant l’examen IRM et vérifiez que les résultats obtenus répondent aux critères d’inclusion.

2. Préparation du radiographe à l’examen IRM

  1. Enregistrez le sujet dans la console MR et choisissez le protocole MR de l’étude avec acquisition 3D PREFUL.
  2. Vérifiez que le sujet, ses poches et ses vêtements sont exempts de pièces contenant du métal.
  3. Placez les feuilles sur la table du scanner de manière à garantir un environnement stérile.
  4. Entrez dans la salle de RM avec le sujet.

3. Préparation du sujet pour l’examen MR

  1. Placez le sujet allongé sur la table d’IRM en position couchée (cependant, une position couchée est possible).
  2. Assurez-vous que la bobine de torse offre une couverture adéquate du thorax, en plaçant l'élément supérieur de la bobine de torse près du menton du sujet.
  3. Fournissez au sujet des écouteurs (ou des bouchons d’oreille ou les deux) pour protéger l’audition des bruits forts induits par l’IRM.
  4. Fournissez au sujet un bouton de sécurité (ou un autre mécanisme de sécurité) afin qu’il soit facilement accessible et pressé.
  5. Placez un tampon sous la tête et les jambes du sujet pour améliorer le confort pendant l'examen IRM.
  6. Placez le sujet dans le scanner IRM, en utilisant la navigation de la lumière laser pour vous assurer que la zone imagée occupe l’isocentre de l’alésage.

4. Examen IRM

  1. Localizer
    1. Effectuez une séquence d’alignement de piste (avec des paramètres similaires à ceux énumérés dans le tableau 1A) pour obtenir des images anatomiques à basse résolution dans trois plans (avec un grand champ de vision) qui seront utilisées pour planifier l’examen 3D PREFUL.
  2. Imagerie 3D PREFUL
    1. Réglez les paramètres d’acquisition conformément au Tableau 1B pour l’acquisition d’imagerie.
    2. Réglez le nombre de projections radiales en conséquence de sorte que l’acquisition dure environ 8 min.
    3. Dites au sujet de respirer normalement (respiration sans marée) pour toute l’acquisition.
    4. Vérifiez que tout le thorax est inclus dans le champ de vision et lancez l’acquisition.
  3. Une fois l’imagerie terminée, retirez le sujet du scanner.

5. Transfert de données brutes

  1. En règle générale, les données brutes acquises ne sont pas enregistrées sur la plate-forme du fournisseur de MR. Enregistrez les données 3D brutes de PREFUL kspace à l’aide des étapes spécifiques au fournisseur sur la console MR.

6. Analyse et post-traitement des données

  1. Commencez à évaluer les données acquises à l’aide du script de reconstruction d’image (Table of Materials) sur le poste de travail désigné, par exemple dans MATLAB, en définissant le chemin d’accès aux données brutes.
    REMARQUE : Les paquets suivants doivent déjà être installés sur le poste de travail désigné :
    a) La boîte à outils de reconstruction avancée de Berkeley (BART)
    b) Outils de normalisation avancés (ANT)
  2. Reconstruction d’image
    1. Estimez les retards de gradient dépendants du système MR à l’aide des projections d’étalonnage avec la fonction estdelay implémentée dans la boîte à outils de reconstruction avancée Berkeley (BART21,22.
    2. Appliquez un décalage à chaque projection en fonction du retard de dégradé calculé.
    3. Appliquez le filtrage Hanning (à l’aide de la fonction hann dans MATLAB) aux données corrigées en fonction du retard de gradient à l’aide d’une fenêtre périodique dans le plan x-y et la direction z.
    4. Reconstruction d’images basse résolution pour le binning respiratoire
      1. Sélectionnez un huit/un quart des données de l’espace k centrées autour de l’index central de la dimension de lecture/partition.
        REMARQUE : En fonction de la taille du sujet, cette étape permet d'obtenir une taille de matrice de 32 x 32 x (12-20).
      2. Remodelez les matrices des données de l’espace k et les trajectoires correspondantes pour inclure une dimension temporelle supplémentaire, chaque point temporel comprenant 14 projections radiales.
        REMARQUE : Chaque point temporel suivant comprend 13 projections radiales à partir du point temporel précédent plus une nouvelle projection radiale successive.
      3. Utilisez la commande d’imagerie parallèle et de détection compressée (pics) implémentée dans BART pour la reconstruction d’images.
        REMARQUE : Appliquez la régularisation de la norme L2 (λ = 0,1) et de la variation totale (λ = 0,0001) dans le domaine spatial et la régularisation de la variation totale (λ = 0,01) dans le domaine temporel.
    5. Extraction du signal de déclenchement respiratoire
      1. Segmentez le parenchyme pulmonaire dans chaque image 3D basse résolution reconstruite à l'aide du seuillage d'Otsu23, et calculez le volume du parenchyme pulmonaire pour chaque point temporel.
      2. Appliquez un filtre passe-bas avec une fréquence de coupure de 0,7 Hz à la série chronologique de volume extraite et calculez la fréquence respiratoire.
      3. Exclure les valeurs aberrantes extrêmes de la série chronologique (points temporels au-dessus du 95e centile et en dessous du 10e centile).
        NOTE : L’organisation des séries temporelles par amplitude et phase permet de reconstruire un seul cycle respiratoire.
    6. Effectuez une transformée de Fourier rapide (fonction FFT, fft dans MATLAB) sur les données filtrées hanning le long de la direction de la tranche pour permettre la reconstruction d’image tranche par tranche.
    7. Remodelez la matrice de données de l’espace k en fonction des séries chronologiques extraites afin que chaque corbeille respiratoire contienne un minimum de 100 rayons.
    8. Utiliser 20 % des projections des cellules adjacentes pour améliorer la valeur SNR24,25 de chaque cellule respiratoire.
    9. Remodelez la matrice des trajectoires de l’espace k pour qu’elle corresponde à la taille des données de l’espace k.
    10. Exécutez la commande pics pour la reconstruction d’image pour chaque slice.
      REMARQUE : Appliquez la régularisation de la norme L2 (λ = 0,1) et de la variation totale (λ = 0,0001) dans le domaine spatial et la régularisation de la variation totale (λ = 0,01) dans le domaine temporel.
    11. Enregistrez les variables, y compris les images reconstruites d’un cycle respiratoire complet, la fréquence respiratoire et les temps d’acquisition, dans un fichier .mat.
  3. Enregistrement d’images
    1. Inverser l’intensité du signal des images reconstruites.
    2. Enregistrez les images dans un état respiratoire sélectionné, tel que l’inspiration, à l’aide de l’enregistrement non rigide.
      REMARQUE : Pour améliorer la précision de l’enregistrement, une approche de groupe 26 peut être utilisée. Le processus d’enregistrement peut être exécuté sur le CPU ou le GPU à l’aide d’outils tels que les outils de normalisation avancés (ANTs)27 ou le package d’enregistrement Forsberg28.
  4. Segmentation du parenchyme pulmonaire
    1. Segmentez le parenchyme pulmonaire de l’image 3D inspiratoire finale à l’aide d’un réseau neuronal convolutif avec, par exemple, nnUnet architecture29.
    2. Exclure les vaisseaux pulmonaires à l’aide d’un algorithme de reconnaissance de vaisseaux, tel que celui décrit par Wernz et al.30.
      REMARQUE : L’étape de reconnaissance des vaisseaux pulmonaires n’est pas obligatoire si vous n’avez pas accès à un tel algorithme. Dans certains cas, une resegmentation manuelle peut être nécessaire.
  5. filtrage
    1. Appliquez la régression du noyau de Nadaraya-Watson (avec σ = 0,3) aux images enregistrées et inversées pour interpoler 16 phases sur une grille temporelle uniformément espacée.
    2. Éliminez les variations de signal non liées à la respiration en appliquant un filtre passe-bas à 0,7 Hz aux données interpolées dans le domaine temporel.
    3. Débruitez les images filtrées passe-bas à l’aide du filtrage guidé par l’image31, l’image enregistrée moyennée temporellement servant d’image guide. Définissez les paramètres suivants : Taille de la fenêtre = [5, 5, 5], lambda = 0,001.
  6. Analyse de la ventilation
    1. Calculez les cartes de ventilation régionale (RVent) en millilitres/millilitres (mL/mL) pour chaque phase respiratoire N à l’aide de la formule suivante 32 :
      figure-protocol-133.
    2. Calculez la carte de corrélation flux-volume-boucle (FVL-CM).
      1. Calculez l’écoulement en tant que dérivée première de RVent.
        REMARQUE : Le volume est directement mesuré par RVent.
      2. Établissez une FVL de référence pour chaque tranche, calculée à partir d’une région saine définie par des valeurs RVent comprises entre le 75e et le 95e centile.
      3. Déterminez la similitude entre la FVL de chaque parenchyme pulmonaire et la FVL de référence en utilisant la corrélation croisée avec un décalage zéro.
    3. Calculez la carte VDFVL-CM, où les voxels avec des valeurs FVL-CM inférieures à 0,9 sont identifiés comme des voxels avec défaut de ventilation34.
    4. Calculez les cartes du temps de ventilation jusqu’au pic (VTTP) en pourcentage ( %) du cycle respiratoire.
      REMARQUE : Théoriquement, le cycle respiratoire interpolé commence/se termine à l’expiration du pic et est symétrique autour de l’inspiration maximale à 50 % du cycle de ventilation pour un voxel sain. Pour les voxels subissant une dynamique de ventilation avancée/retardée, la carte VTTP affichera une valeur inférieure/supérieure à 50 %.
    5. Calculez l’écart de la valeur VTTP (VTTPDev) par rapport à l’inspiration maximale à 50 % comme suit :
      figure-protocol-2

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le protocole d’imagerie 3D PREFUL le plus simple comprend deux séquences. Un localisateur anatomique + une mesure de la respiration libre à l’aide de l’acquisition d’un empilement d’étoiles 3D à angle d’or. La trajectoire de l’empilement d’étoiles est représentée en Figure 1. Cette trajectoire combine l’échantillonnage radial (dans le plan) et l’échantillonnage cartésien linéaire (dans la direction z). Initialement, des échantillons dans la direction de la partition kz sont acquis, suivis de la rotation de l’angle d’or pour échantillonner le plan kx-k y. Le schéma d’acquisition de l’angle d’or favorise l’auto-déclenchement avec une couverture uniforme de l’espace k, facilitant la reconstruction d’images avec des données fortement sous-échantillonnées. L’ensemble de l’examen ne dépasse pas 10 minutes. De plus amples détails sur l’acquisition de 3D PREFUL sont présentés dans la Table des matériaux.

figure-results-1Figure 1 : Trajectoire de l’empilement d’étoiles tourné par le nombre d’or. Notez l’échantillonnage radial appliqué le long de la dimension dans le plan (kx-ky) et l’échantillonnage cartésien appliqué le long de la direction de la tranche (kz). Ce schéma se traduit par une couverture cylindrique de l’espace k acquis. Dans cet exemple, trois partitions, dont 32 projections radiales par partition, sont représentées. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Une liste des paramètres IRM typiques utilisés pour l’imagerie 3D PREFUL sur un scanner 1,5 T est présentée dans le Tableau 1B. Pour le scanner 3T, les paramètres de séquence énumérés dans le Tableau 2 sont proposés.

Une fois l’acquisition et le transfert de données terminés, la partie reconstruction de l’image commence. Cette étape est effectuée par un code MATLAB qui appartient à la propriété intellectuelle (PI) d’une entreprise (BioVisioneers GmbH) et ne peut pas être partagé ouvertement. Le script est entièrement automatisé une fois que le chemin d’accès aux données brutes est fourni. Une vue d’ensemble schématique de la procédure de reconstruction est illustrée dans Figure 2.

figure-results-2Figure 2 : Vue d’ensemble schématique de la méthode IRM PREFUL (Phase Resolved Functional Lung 3D). Dans un premier temps, les données sont acquises à l’aide d’une acquisition IRM en respiration libre de 8 minutes avec une trajectoire d’empilement d’étoiles. Une fois les données transférées du scanner IRM à une unité de calcul, des images 3D à basse résolution avec une résolution temporelle d’environ 100 ms sont reconstruites. Le parenchyme pulmonaire de chaque image est segmenté et le volume pulmonaire est calculé. L’information sur le volume pulmonaire est ensuite utilisée comme signal de déclenchement. En fonction de l’amplitude et de la phase du signal de déclenchement, les projections radiales sont triées dans des bacs respiratoires qui couvrent un cycle respiratoire. La partie binning est suivie de la reconstruction dynamique d’images en pleine résolution, qui sont ensuite enregistrées au niveau inspiratoire final. Après plusieurs étapes de post-traitement, le cycle de ventilation régionale (RVent) est calculé, et la partie analyse d’image, y compris l’extraction des paramètres, est effectuée. Le cycle RVent est évalué en calculant la boucle débit-volume (FVL) pour chaque voxel. Les cartes de ventilation FVL-CM sont extraites par une évaluation de chaque FVL de voxel par rapport à une FVL de référence saine, la similarité étant évaluée à l’aide d’une métrique de corrélation croisée. Pour RVent et FVL-CM, les valeurs globales du pourcentage total de défauts de ventilation (VDP) sont quantifiées. De plus, la dynamique du cycle RVent est analysée par une analyse du temps jusqu’au pic, ce qui permet d’obtenir une carte des paramètres du temps jusqu’au pic de ventilation (VTTP). De plus, l’écart de la ventilation de pointe attendue à 50 % du cycle RVent est quantifié dans la carte VTTPDev. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Après la procédure de reconstruction d’image, toutes les images sont spatialement alignées sur un seul état fixe. L’enregistrement lui-même est effectué sur le processeur à l’aide des outils de normalisation avancés (ANTs27) ou du package d’enregistrement Forsberg28. Alors que le package ANTs reste une référence pour les tâches de recalage d’images en IRM et en imagerie CT, le recalage Forsberg facilite une procédure de recalage 10 fois plus rapide jusqu’à 9 minutes avec des résultats comparables 19. Le package d’inscription peut être choisi en fonction des priorités de l’utilisateur et des unités de calcul disponibles. Une fois l’enregistrement terminé, les images morphologiques enregistrées sont à nouveau inversées de sorte que le poumon apparaît sombre dans l’image en niveaux de gris.

Dans Figure 3, l’étape suivante du pipeline, qui implique la segmentation du parenchyme pulmonaire, est représentée. Tout d’abord, le parenchyme pulmonaire est segmenté à partir de l’image inspiratoire finale à l’aide d’un réseau neuronal convolutif avec l’architecture nnUnet architecture29. La segmentation du parenchyme pulmonaire est suivie d’une reconnaissance des vaisseaux30, qui est exclue du masque de segmentation final.

figure-results-3Figure 3 : Résultats exemplaires de la segmentation basée sur l’apprentissage profond pour un sujet masculin de 32 ans. La rangée du haut affiche des images morphologiques de huit coupes coronales représentatives. Dans les deuxième et troisième rangées, on peut observer le masque de parenchyme pulmonaire correspondant et le masque final à l’exclusion des vaisseaux, respectivement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Un exemple de segmentation incorrecte du parenchyme pulmonaire est illustré dans Figure 4. Il est essentiel d’inspecter visuellement les segmentations basées sur l’apprentissage profond et, si elles sont jugées insatisfaisantes, des corrections manuelles doivent être envisagées pour améliorer la précision du masque final du parenchyme pulmonaire.

figure-results-4Figure 4 : Résultats exemplaires d’une segmentation incorrecte basée sur l’apprentissage profond pour un sujet masculin de 57 ans. La rangée du haut affiche des images morphologiques de huit coupes coronales représentatives. Dans les deuxième et troisième rangées, on peut observer le masque de parenchyme pulmonaire correspondant et le masque final à l’exclusion des vaisseaux, respectivement. Comme on peut le constater, plusieurs régions fibrotiques sont reconnues à tort comme des vaisseaux ou des structures non pulmonaires. Ces inexactitudes ont été corrigées manuellement, comme le montre la quatrième rangée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Après plusieurs étapes de filtrage décrites dans le protocole, les substituts de ventilation sont calculated. 3D PREFUL MRI génère des cartes quantitatives pour la ventilation régionale statique (RVent), des métriques de corrélation dynamique débit-volume (FVL-CM) et deux paramètres basés sur l’analyse du temps de ventilation jusqu’au pic (VTTP), comme illustré dans Figure 5. Cette figure présente huit tranches coronales d’un homme en bonne santé de 32 ans. Notez la distribution homogène attendue de tous les paramètres de ventilation.

figure-results-5Figure 5 : IRM préliminaire 3D d’un volontaire en bonne santé (mâle de 32 ans). Cartes morphologiques représentatives (rangée du haut) et des paramètres de ventilation IRM 3D Preful (de la deuxième à la cinquième rangée) pour un volontaire sain (mâle de 32 ans). La ventilation régionale statique est représentée par la ventilation régionale (RVent), tandis que la dynamique de ventilation est évaluée à l’aide de la métrique de corrélation de boucle débit-volume (FVL-CM), le temps de ventilation jusqu’au pic (VTTP) et l’écart de VTTP (VTTPDev) représentent les paramètres de ventilation évaluant la dynamique de ventilation. Comme prévu, des valeurs de ventilation homogènes sont observées pour toutes les cartes de paramètres de ventilation. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Pour simplifier les cartes de ventilation, des cartes de défauts de ventilation (VD) sont dérivées pour RVent et FVL-CM, ce qui permet une interprétation plus rapide des résultats. Les exemples de cartes VD sont présentés en Figure 6. Pour VDRVent et VDFVL-CM, les valeurs de VDP étaient respectivement de 3,6 % et 3,0 %, ce qui se situe dans la plage normale saine. Idéalement, et en fonction de l’âge des volontaires sains, la valeur VDP ne devrait pas dépasser 10 %. Les paramètres mentionnés ci-dessus (RVent, FVL-CM et leurs cartes VD) ont été validés dans plusieurs études11,12,35,36 et sont sensibles dans la détection des maladies ainsi que dans la détection des effets induits par le traitement20,34,37,38,39.

figure-results-6Figure 6 : Cartes représentatives RVent et FVL-CM, y compris leurs cartes de défauts de ventilation. Les cartes RVent (rangée du haut) et FVL-CM (deuxième rangée), y compris leurs cartes des défauts de ventilation (troisième et quatrième rangées) obtenues par IRM 3D Preful pour un volontaire en bonne santé (homme de 32 ans), sont représentées. Sur les cartes VD, les régions saines sont vertes et les zones déficitaires en ventilation sont marquées en rouge. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Plusieurs études d’IRM pulmonaire ont été rapportées à des intensités de champ magnétique de 1,5 T et de 3 T. Bien qu’il y ait l’avantage théorique de 3T en raison de l’augmentation du rapport signal/bruit (SNR), cet avantage peut être compensé par des effets de susceptibilité magnétique plus prononcés à 3T. L’influence exacte de l’intensité du champ magnétique sur la qualité d’image des cartes de ventilation 3D PREFUL est actuellement inconnue. Ici, nous présentons les résultats de faisabilité (Figure 7) obtenus pour un volontaire sain (mâle de 35 ans) à l’aide d’un scanner IRM 3 T. Notons l’aspect plus hétérogène des paramètres de ventilation à 3 T par rapport à 1,5T (Figure 5).

figure-results-7Figure 7 : IRM préful 3D d’un volontaire en bonne santé (mâle de 35 ans). Cartographies morphologiques représentatives (rangée du haut) et des paramètres de ventilation IRM 3D Preful (de la deuxième à la cinquième rangée) pour un volontaire sain (mâle de 35 ans) à 3T. La ventilation régionale statique est représentée par la ventilation régionale (RVent), tandis que la dynamique de ventilation est évaluée à l’aide de la métrique de corrélation de boucle débit-volume (FVL-CM), le temps de ventilation jusqu’au pic (VTTP) et l’écart de VTTP (VTTPDev) représentent les paramètres de ventilation évaluant la dynamique de ventilation. Veuillez cliquer ici pour voir une version agrandie de cette figure.

La comparaison/validation de PREFUL 3D dérivé avec des mesures plus directes n’est actuellement pas publiée. Plusieurs études ont rapporté une corrélation positive entre les valeurs VDP et le chevauchement spatial des défauts de ventilation entre la technique 2D PREFUL et 129Xe11,12,14 et 19F MRI35. Une comparaison récente entre la ventilation dérivée de PREFUL 3D et les mesures de ventilation directe à l’aide de l’IRM 19F chez des patients atteints de bronchopneumopathie chronique obstructive (BPCO), d’asthme et de volontaires sains a révélé une corrélation modérée à forte au niveau mondial 40. Il s’agit d’un exemple de comparaison (Figure 8) pour un patient diagnostiqué avec une maladie pulmonaire obstructive chronique (femme de 54 ans, VEMS1 = valeur prédite de 42 %), qui a été examiné à l’aide de 3D PREFUL et d’une IRM de lavage à 19F.

figure-results-8Figure 8 : IRM préliminaire 3D d’une patiente de 54 ans atteinte de BPCO. Des images morphologiques (rangée du haut), des paramètres de ventilation et des cartes des défauts de ventilation respectifs d’une patiente de 54 ans atteinte de BPCO (VEMS1 = 42 % de préd., CVF = 102 % de préd.) obtenues par IRM 3D Preful (2e et 3e rangées) et IRM 19F (4e et 5e rangées) sont présentées, ainsi qu’une comparaison des cartes de défauts de ventilation des deux méthodes (dernière rangée). Dans l’ensemble, sur l’ensemble des tranches, le coefficient de Sørensen-Dice était de 25,5 % dans les zones défectueuses et de 80,6 % dans les régions saines, ce qui a donné un chevauchement spatial total de 69,2 %. Notamment, il existe une corrélation visuelle entre les zones de ventilation appariées dans les régions saines et défectueuses (représentées en vert foncé). Veuillez cliquer ici pour voir une version agrandie de cette figure.

3D PREFUL IRM peut être utilisé pour mesurer les réponses régionales à therapy20. À titre d’exemple, > montre une comparaison de trois tranches du poumon d’un sujet atteint de mucoviscidose (une femme de 43 ans) au départ (à gauche, VEMS1 = valeur prédite à 94 %) et après un traitement par modulateur CFTR (à droite, VEMS1 = valeur prédite à 112 %). Étant donné que les deux mesures sont appariées spatialement, 3D PREFUL permet l’analyse régionale de la réponse au traitement, comme illustré au bas de Figure 9. Veuillez noter l’augmentation des valeurs de la métrique de corrélation débit-volume-boucle ainsi que la réduction des défauts de ventilation après le traitement.

figure-results-9Figure 9 : Mesures 3D PREFUL d’une patiente de 43 ans atteinte de mucoviscidose. Cartes exemplaires des marqueurs de ventilation des mesures 3D PREFUL de base (à gauche) et post-traitement (à droite) d’une patiente de 43 ans atteinte de mucoviscidose. LaVDP FVL-CM a diminué, passant de 18,0 % (référence) à 3,6 % (post-traitement). VEMS1 % préd. de référence : 94 %, VEMS1 % préd. post-traitement : 112 %. ICV de référence : 10,48, post-traitement ICV : 9,39. Les cartes de réponse au traitement correspondantes sont illustrées en bas. Veuillez noter les zones vertes indiquant la ventilation résolue après le traitement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Tableau 1 : Liste des paramètres IRM typiques utilisés pour l’acquisition d’un radiophare d’alignement de piste et d’un PREFUL 3D sur un scanner 1.5T. (A) Alignement de piste et (B) Acquisition 3D PREFUL. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Paramètres IRM proposés pour l’acquisition de PREFUL 3D sur un scanner 3T. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 3 : Rapport statistique exemplaire des paramètres 3D PREFUL pour un volontaire sain (homme de 35 ans) Veuillez cliquer ici pour télécharger ce tableau.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’un des pièges les plus critiques est l’acquisition elle-même. Il faut veiller à ce que les paramètres de séquence MR soient correctement réglés. Il est important de noter que le temps d’écho, le temps de répétition, le nombre de tranches, la taille de la matrice et la bande passante des pixels sont les paramètres cruciaux. Les écarts par rapport aux paramètres recommandés peuvent entraîner une résolution temporelle insuffisante ou des acquisitions prolongées. En outre, le transfert de données est important pour s’assurer que les données sont entièrement livrées à l’ordinateur ou au serveur sélectionné pour évaluation. L’évaluation des données se déroule de manière entièrement automatique une fois que le chemin d’accès aux données acquises est défini. Le post-traitement commence par la reconstruction de l’image, où le regroupement rétrospectif joue un rôle crucial. Il est recommandé de vérifier le signal de binning pour s’assurer d’une représentation claire du schéma respiratoire. Après avoir inspecté le signal de binning, aucune étape supplémentaire n’est nécessaire, car l’algorithme lui-même gère les mauvais schémas respiratoires en excluant les valeurs aberrantes (points de données au-dessus du 95e centile et en dessous du 10e centile). Après la reconstruction de l’image, le processus de recalage de l’image se produit. Cette étape doit être vérifiée de la manière suivante : les images enregistrées doivent être exemptes de respiration et de mouvement cardiaque. Plus précisément, les positions du diaphragme et du cœur doivent être « gelées ». La prochaine étape consiste à segmenter le parenchyme pulmonaire et les vaisseaux basée sur l’apprentissage profond. Ce processus de segmentation est très chronophage pour l’ensemble du volume pulmonaire 3D ; par conséquent, l’utilisation d’outils basés sur l’IA est bénéfique. Cependant, dans certaines situations, telles que l’apparition de consolidations périphériques, ces algorithmes peuvent ne pas donner de résultats précis. Par conséquent, le masque de segmentation doit être soigneusement vérifié et corrigé manuellement si nécessaire. Toutes ces étapes sont essentielles pour évaluer les paramètres de ventilation et peuvent entraîner des calculs inexacts.

Depuis la publication originale17, plusieurs développements ont été réalisés dans la technique 3D PREFUL. L'algorithme de tri des projections radiales acquises a été entièrement automatisé et amélioré de sorte que l'ensemble du poumon est segmenté à l'aide de la méthode de seuillage d'Otsu et utilisé comme signal de navigation pour regrouper les données en phases respiratoires. De plus, la segmentation manuelle du parenchyme pulmonaire et des vaisseaux a été remplacée par des algorithmes entièrement automatiques basés sur l’apprentissage profond afin de réduire les procédures chronophages. De plus, le temps de traitement de la partie de recalage d’image peut être réduit jusqu’à 10 minutes si la boîte à outils de recalage Forsberg est implémentée19. Avec les développements précédents, le code implémenté permet de co-enregistrer des images de points à deux temps (mesures de suivi) et d’évaluer la progression voxelwise de la maladie ou les changements de ventilation induits par le traitement20. La version actuelle du script Matlab ne nécessite aucune interaction de l’utilisateur et pourrait être implémentée dans un pipeline pour le traitement automatisé des données avec des drapeaux spécifiques à l’avenir.

Le principal inconvénient de 3D PREFUL est qu’aucune mesure locale du débit sanguin n’est réalisable car l’effet d’afflux ne peut pas être capturé lors de l’utilisation d’une impulsion RF dure non sélective pour l’excitation. Deuxièmement, actuellement, l’ensemble du post-traitement (y compris le transfert de données, la reconstruction d’images, le recalage d’images et l’analyse de la ventilation) nécessite 2 heures pour chaque sujet. Troisièmement, à l’heure actuelle, seule une comparaison préliminaire des paramètres de ventilation dérivés de PREFUL 3D avec des techniques plus validées a étédémontrée 40. Quatrièmement, l’évaluation des données acquises est effectuée sur un ordinateur haute performance ; Par conséquent, les résultats ne sont pas directement disponibles pour le médecin à la console. Cinquièmement, les études de faisabilité de 3D PREFUL sur différentes intensités de champ et divers fournisseurs de scanners font défaut.

L’IRM 3D Phase Resolved Functional Lung (PREFUL) permet de cartographier quantitativement la dynamique de ventilation régionale de l’ensemble du poumon humain en respiration libre17. Il existe plusieurs alternatives rentables à 3D PREFUL, telles que la spirométrie ou les techniques de lavage de l’haleine multiples ; Cependant, les deux manquent d’informations spatiales et nécessitent des manœuvres respiratoires, et ils ne sont donc pas réalisables pour les jeunes enfants ou les nouveau-nés. D’autres méthodes d’imagerie exposent les patients à des rayonnements ionisants, comme la médecine nucléaire, ou ne sont pas largement disponibles (imagerie des gaz hyperpolarisés 129Xe ou 19F par IRM). 3D PREFUL fournit une évaluation de la dynamique de la ventilation, peut être effectué à l’aide d’un scanner clinique standard et ne nécessite pas d’agents de contraste, ce qui le rend attrayant pour être transposé dans un cadre de recherche clinique. Le fait que 3D PREFUL ne nécessite pas l’utilisation de radiations ou d’agents de contraste et offre une acquisition conviviale et en respiration libre le rend bien adapté aux études répétées ou longitudinales qui évaluent quantitativement les réponses régionales au traitement. Deuxièmement, l’évaluation 3D PREFUL de la ventilation pulmonaire peut être particulièrement précieuse chez les jeunes enfants, où l’exposition aux rayonnements doit être évitée.

La capacité de 3D PREFUL à générer des images de ventilation fonctionnelle du poumon humain offre un potentiel de diagnostic précoce. Plus précisément, la capacité de produire des cartes de ventilation régionales reproductibles et quantitatives permet des études longitudinales, par exemple la progression de la maladie ou la surveillance des effets du traitement. De plus, les informations régionales sur la dynamique de la ventilation peuvent fournir une plus grande sensibilité aux changements précoces liés aux maladies pulmonaires qui ne sont pas détectables par les tests de la fonction pulmonaire.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Filip Klimeš, Andreas Voskrebenzev et Jens Vogel-Claussen sont actionnaires de BioVisioneers GmbH, une société qui s’intéresse aux méthodes d’imagerie par résonance magnétique pulmonaire.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail a été financé par le Centre allemand de recherche pulmonaire (DZL). Les auteurs ont profité d’un certain nombre de discussions fructueuses avec leurs collègues, en particulier avec Marcel Gutberlet, Agilo Kern, Lea Behrendt, Arnd Obert, Julian Glandorf, Till Kaireit, Tawfik Moher Alsady, Gesa Pöhler, Maximilian Zubke, Robin Müller, Marius Wernz, Cristian Crisosto, Milan Speth, Julienne Scheller et Sonja Lüdiger. Les auteurs remercient Robert Grimm (Siemens Healthineers) pour la rédaction de la séquence d’imagerie IRM, et en outre, les auteurs aimeraient également remercier Frank Schröder et Sven Thiele du département de radiologie (Faculté de médecine de Hanovre) pour leur assistance technique exceptionnelle dans la réalisation des examens IRM.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
ANTsOpen source analyse d’images médicales communauté de recherche Boîteà outils d’enregistrement
BARTImagerie open sourcehttps://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/Boîte à outils de reconstruction d’images
Bobine de corpsSiemens / Philips / GE  ;https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coilsBobine de corps d’au moins 6 canaux ; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
ForsbergBoîte à outils pour l’enregistrement d’imageshttps://github.com/fordanic/image-registrationBoîte à outils pour l’enregistrement d’images
Code de reconstruction d’imagesBioVisioneers GmbHwww.biovisioneers.comLogiciel pour la reconstruction et l’analyse par résonance magnétique
MatlabMathworksLogiciel
IRMSiemens / Philips / GE  ;https://www.siemens-healthineers.com/magnetic-resonance-imaging Philips [https://www.philips.co.in/healthcare/solutions/magnetic-resonance], GE [https://www.gehealthcare.com/products/magnetic-resonance-imaging] ; Séquence 1,5 T / 3 T
SéquenceIRM Siemens / Philips / GEséquence d’écho de gradient 3D avec trajectoire de pile d’étoiles et incrément d’angle d’or ; 1. Séquence Siemens Grasp-Vibe - https://t.ly/P31kM , 2. Philips Multi Vane XD Séquence https://t.ly/wMWZZ , 3. GE Lava-Star, Disco-Star - https://t.ly/vimm2
d’images,

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chronic respiratory diseases. World Health Organization. , Available from: https://www.who.int/health-topics/chronic-respiratory-diseases#tab=tab_1 (2021).
  2. Musch, G., et al. Topographical distribution of pulmonary perfusion and ventilation, assessed by PET in supine and prone humans. J Appl Physiol. 93 (5), 1841-1851 (2002).
  3. Petersson, J., Sánchez-Crespo, A., Larsson, S. A., Mure, M. Physiological imaging of the lung: single-photon-emission computed tomography (SPECT). J Appl Physiol. 102 (1), 468-476 (2007).
  4. Mistry, N. N., et al. Evaluation of fractional regional ventilation using 4D-CT and effects of breathing maneuvers on ventilation. Int J Radiat Oncol Biol Phys. 87 (4), 825-831 (2013).
  5. Kirby, M., et al. Hyperpolarized 3 He and 129 Xe MR imaging in healthy volunteers and patients with chronic obstructive pulmonary disease. Radiology. 265 (2), 600-610 (2012).
  6. Kuethe, D. O., Caprihan, A., Fukushima, E., Waggoner, R. A. Imaging lungs using inert fluorinated gases. Magn Reson Med. 39 (1), 85-88 (1998).
  7. Ohno, Y., et al. Dynamic oxygen-enhanced MRI versus quantitative CT: Pulmonary functional loss assessment and clinical stage classification of smoking-related COPD. Am J Roentgenol. 190 (2), W93-W99 (2008).
  8. Bauman, G., et al. Non-contrast-enhanced perfusion and ventilation assessment of the human lung by means of fourier decomposition in proton MRI. Magn Reson Med. 62 (3), 656-664 (2009).
  9. Voskrebenzev, A., et al. Feasibility of quantitative regional ventilation and perfusion mapping with phase-resolved functional lung (PREFUL) MRI in healthy volunteers and COPD, CTEPH, and CF patients. Magn Reson Med. 79 (4), 2306-2314 (2018).
  10. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2020).
  11. Kaireit, T. F., et al. Flow volume loop and regional ventilation assessment using phase-resolved functional lung (PREFUL) MRI: Comparison with 129Xenon ventilation MRI and lung function testing. J Magn Reson Imaging. 53 (4), 1092-1105 (2021).
  12. Couch, M. J., et al. Comparison of functional free-breathing pulmonary 1H and hyperpolarized 129Xe magnetic resonance imaging in pediatric cystic fibrosis. Acad Radiol. 28 (8), e209-e218 (2020).
  13. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2019).
  14. Marshall, H., et al. 129Xe and free-breathing 1H ventilation MRI in patients with cystic fibrosis: A dual-center study. J Magn Reson Imaging. 57 (6), 1908-1921 (2022).
  15. Mendes Pereira, L., et al. UTE-SENCEFUL: first results for 3D high-resolution lung ventilation imaging. Magn Reson Med. 81 (4), 2464-2473 (2018).
  16. Boucneau, T., Fernandez, B., Larson, P., Darrasse, L., Maître, X. 3D magnetic resonance spirometry. Sci Rep. 10 (1), 16012(2020).
  17. Klimeš, F., et al. 3D phase-resolved functional lung ventilation MR imaging in healthy volunteers and patients with chronic pulmonary disease. Magn Reson Med. 85 (2), 912-925 (2021).
  18. Klimeš, F., et al. Repeatability of dynamic 3D phase-resolved functional lung (PREFUL) ventilation MR Imaging in patients with chronic obstructive pulmonary disease and healthy volunteers. J Magn Reson Imaging. 54 (2), 618-629 (2021).
  19. Klimeš, F., Voskrebenzev, A., Gutberlet, M., Grimm, R., Wacker, F., Vogel-Claussen, J. Evaluation of image registration algorithms for 3D phase-resolved functional lung ventilation magnetic resonance imaging in healthy volunteers and chronic obstructive pulmonary disease patients. NMR Biomed. 36 (3), e4860(2022).
  20. Klimeš, F., et al. Effect of CFTR modulator therapy with elexacaftor/tezacaftor/ivacaftor on pulmonary ventilation derived by 3D phase-resolved functional lung MRI in cystic fibrosis patients. Eur Radiol. 34 (1), 80-89 (2024).
  21. Rosenzweig, S., Holme, H. C. M., Uecker, M. Simple auto-calibrated gradient delay estimation from few spokes using Radial Intersections (RING). Magn Reson Med. 81 (1), 1898-1906 (2019).
  22. Uecker, M., et al. Berkeley advanced reconstruction toolbox. Proc Intl Soc Mag Reson Med. 23 (1), 2486(2015).
  23. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  24. Song, H. K., Dougherty, L. k-Space weighted image contrast (KWIC) for contrast manipulation in projection reconstruction MRI. Magn Reson Med. 44 (6), 825-832 (2000).
  25. Song, H. K., Dougherty, L. Dynamic MRI with projection reconstruction and KWIC processing for simultaneous high spatial and temporal resolution. Magn Reson Med. 52 (4), 815-824 (2004).
  26. Voskrebenzev, A., Gutberlet, M., Kaireit, T. F., Wacker, F., Vogel-Claussen, J. Low-pass imaging of dynamic acquisitions (LIDA) with a group-oriented registration (GOREG) for proton MR imaging of lung ventilation. Magn Reson Med. 78 (4), 1496-1505 (2017).
  27. Avants, B. B., Tustison, N. J., Song, G., Cook, P. A., Klein, A., Gee, J. C. A reproducible evaluation of ANTs similarity metric performance in brain image registration. Neuroimage. 54 (3), 2033-2044 (2011).
  28. Forsberg, D. fordanicimage-registration. , Available from: https://github.com/fordanic/image-registration (2014).
  29. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., Maier-Hein, K. H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  30. Wernz, M., et al. Influence of lung vessel segmentation on the reproducibility of PREFUL MRI. Proc IWPFI. 10 (1), 73(2022).
  31. He, K., Sun, J., Tang, X. Guided image filtering. IEEE Trans Pattern Anal Mach Intell. 35 (6), 1397-1409 (2013).
  32. Klimeš, F., et al. Free-breathing quantification of regional ventilation derived by phase-resolved functional lung (PREFUL) MRI. NMR Biomed. 32 (6), e4088(2019).
  33. Pöhler, G. H., et al. Repeatability of phase-resolved functional lung (PREFUL)-MRI ventilation and perfusion parameters in healthy subjects and COPD patients. J Magn Reson Imaging. 53 (3), 915-927 (2020).
  34. Moher Alsady, T., et al. MRI-derived regional flow-volume loop parameters detect early-stage chronic lung allograft dysfunction. J Magn Reson Imaging. 50 (6), 1873-1882 (2019).
  35. Kaireit, T. F., et al. Comparison of quantitative regional ventilation-weighted fourier decomposition MRI with dynamic fluorinated gas washout MRI and lung function testing in COPD patients. J Magn Reson Imaging. 47 (6), 1534-1541 (2018).
  36. Munidasa, S., et al. Inter- and intravisit repeatability of free-breathing MRI in pediatric cystic fibrosis lung disease. Magn Reson Med. 89 (5), 2048-2061 (2023).
  37. Lévy, S., et al. Free-breathing low-field MRI of the lungs detects functional alterations associated with persistent symptoms after COVID-19 infection. Invest Radiol. 57 (1), 742-751 (2022).
  38. Voskrebenzev, A., et al. Detection of chronic lung allograft dysfunction using ventilation-weighted Fourier decomposition MRI. Am J Transplant. 18 (8), 2050-2060 (2018).
  39. Voskrebenzev, A., et al. PREFUL MRI depicts dual bronchodilator changes in COPD: A Retrospective analysis of a randomized controlled trial. Radiol Cardiothorac Imaging. 4 (2), e210147(2022).
  40. Klimeš, F., et al. Comparison of free-breathing 3D phase-resolved functional lung (PREFUL) MRI with dynamic 19F ventilation MRI in patients with obstructive lung disease and healthy volunteers. J Magn Reson Imaging. , (2024).

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Functional Lung MRIPhase Resolved MRIThree Dimensional PREFULRegional VentilationVentilation Defect MapsCompressed SensingDeep Learning ReconstructionLung Parenchyma SegmentationVentilation DynamicsPulmonary Function Tests

Articles connexes