Article de méthode

Imagerie par résonance magnétique pulmonaire fonctionnelle résolue en phase tridimensionnelle

2.1K vues

⸱

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

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

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

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

Cette étude a reçu l'approbation du comité d'éthique de l'École de médecine de Hanovre, garantissant qu'elle respectait des normes éthiques rigoureuses tout au long du processus de recherche. L'investigation a suivi strictement les lignes directrices énoncées dans la Déclaration d'Helsinki, soulignant la conduite éthique de la recherche médicale. En outre, un consentement éclairé a été soigneusement obtenu de tous les participants à l'étude (ou de leurs parents ou tuteurs légaux) avant leur participation à l'examen par IRM.

REMARQUE : Les critères d'inclusion et d'exclusion pour les études impliquant une IRM PREFUL 3D varient et dépendent de la conception de l'étude. En général, les critères d'inclusion pour des volontaires sains dans un examen par IRM PREFUL 3D concernent des individus qui (a) sont exempts de toute affection médicale importante susceptible d'affecter les résultats de l'étude, (b) ne prennent aucun médicament pouvant interférer avec les résultats de l'IRM, (c) n'ont ni claustrophobie ni anxiété, ni implants ou dispositifs métalliques, (d) répondent à des critères d'âge et de sexe spécifiques liés aux objectifs de l'étude, (e) n'ont aucun antécédent de tabagisme, (f) présentent des résultats normaux à la spirométrie (VEMS1CVF > 0,7 et le VEMS1 et CVF > 80 % de valeur prédictive). Les critères d'exclusion pour tous les participants à l'étude devant subir un examen IRM 3D PREFUL peuvent inclure : (a) la grossesse, (b) la présence d'une affection pouvant compromettre la sécurité ou la validité de l'examen IRM 3D PREFUL, (c) l'intolérance aux agents de contraste à base de gadolinium lorsque l'IRM dynamique avec produit de contraste est incluse dans le protocole de l'étude.

1. Entretien préalable à l'IRM

  1. Faire recueillir par un médecin des informations importantes concernant les antécédents médicaux du sujet.
  2. Expliquer les contre-indications potentielles, les risques et la procédure d'IRM.
  3. Obtenir du sujet un consentement éclairé par écrit.
    NOTE : En l'absence de résultats d'épreuves fonctionnelles respiratoires, demander au sujet de passer une épreuve fonctionnelle respiratoire avant l'examen par IRM et vérifier que les résultats obtenus répondent aux critères d'inclusion.

2. Préparation du manipulateur en électroradiologie médicale pour l'examen IRM

  1. Inscrivez le sujet sur la console d'IRM et sélectionnez le protocole d'IRM de l'étude avec l'acquisition 3D PREFUL.
  2. Vérifiez que le sujet, ses poches et ses vêtements sont dépourvus d'éléments contenant du métal.
  3. Placez les draps sur la table du scanner de manière à garantir un environnement stérile.
  4. Entrez dans la salle d'IRM avec le sujet.

3. Préparer le sujet pour l'examen IRM

  1. Faire allonger le sujet sur la table d'IRM en position décubitus dorsal (toutefois, une position décubitus ventral est possible).
  2. S'assurer que la bobine du tronc couvre adéquatement le thorax, en plaçant l'élément supérieur de la bobine du tronc près du menton du sujet.
  3. Fournir au sujet des écouteurs (ou des bouchons d'oreille, ou les deux) afin de protéger l'audition contre le bruit intense généré par l'IRM.
  4. Fournir au sujet un bouton de sécurité (ou un mécanisme de sécurité alternatif) de manière à ce qu'il puisse être facilement atteint et pressé.
  5. Placer un coussin sous la tête et les jambes du sujet afin d'améliorer le confort pendant l'examen IRM.
  6. Introduire le sujet dans le scanner IRM, en utilisant le système de navigation par laser pour s'assurer que la zone à imager occupe l'isocentre du tunnel.

4. Examen par IRM

  1. Localisateur
    1. Effectuer une séquence de localisation (avec des paramètres similaires à ceux indiqués dans Tableau 1A) afin d'obtenir des images anatomiques de faible résolution dans trois plans (avec un grand champ de vision) qui seront utilisées pour planifier l'examen 3D PREFUL.
  2. Imagerie 3D PREFUL
    1. Régler les paramètres d'acquisition conformément au Tableau 1B pour l'acquisition des images.
    2. Ajuster le nombre de projections radiales de manière appropriée afin que l'acquisition dure environ 8 min.
    3. Demander au sujet de respirer normalement (respiration libre) pendant toute la durée de l'acquisition.
    4. Vérifier que tout le thorax est inclus dans le champ de vision, puis démarrer l'acquisition.
  3. Une fois l'acquisition terminée, sortir le sujet du scanner.

5. Transfert des données brutes

  1. Ordinairement, les données brutes acquises ne sont pas enregistrées sur la plateforme du fabricant de l'IRM. Enregistrez les données d'espace-k 3D PREFUL brutes en utilisant les étapes spécifiques au fabricant sur la console de l'IRM.

6. Analyse des données et post-traitement

  1. Commencer l'évaluation des données acquises à l'aide du script de reconstruction d'image (Tableau du matériel) sur la station de travail désignée, par exemple dans MATLAB, en définissant le chemin vers les données brutes.
    NOTA : La station de travail désignée doit déjà avoir les paquets suivants installés :
    (a) La boîte à outils de reconstruction avancée de Berkeley (BART)
    ​(b) Advanced Normalization Tools (ANTs)
  2. Reconstruction d'image
    1. Estimer les retards de gradient dépendants du système IRM à l'aide des projections de calibration avec la fonction estdelay implémentée dans la boîte à outils de reconstruction avancée de Berkeley (BART)21,22.
    2. Appliquer un décalage à chaque projection selon le retard de gradient calculé.
    3. Appliquer un filtrage de Hanning (à l'aide de la fonction hann dans MATLAB) aux données corrigées du retard de gradient, en utilisant une fenêtre périodique dans le plan x-y et dans la direction z.
    4. Reconstruction d'image à faible résolution pour le regroupement respiratoire
      1. Sélectionner un huitième ou un quart des données de l'espace-k centrées autour de l'indice médian de la dimension de lecture/partition.
        NOTA : Selon la taille du sujet, cette étape donne une taille de matrice de 32 x 32 x (12-20).
      2. Remodeler les matrices de données de l'espace-k et des trajectoires correspondantes pour inclure une dimension temporelle supplémentaire, chaque point temporel comprenant 14 projections radiales.
        NOTA : Chaque point temporel suivant inclut 13 projections radiales du point temporel précédent plus une nouvelle projection radiale successive.
      3. Utiliser la commande d'imagerie parallèle et d'échantillonnage compressé (pics) implémentée dans BART pour la reconstruction d'image.
        NOTA : Appliquer une régularisation en norme L2 (λ = 0,1) et en variation totale (λ = 0,0001) dans le domaine spatial, et une régularisation en variation totale (λ = 0,01) dans le domaine temporel.
    5. Extraction du signal de synchronisation respiratoire
      1. Segmenter le parenchyme pulmonaire dans chaque image 3D reconstruite à faible résolution à l'aide du seuillage d'Otsu23, et calculer le volume du parenchyme pulmonaire pour chaque point temporel.
      2. Appliquer un filtre passe-bas avec une fréquence de coupure de 0,7 Hz à la série temporelle de volume extraite et calculer la fréquence respiratoire.
      3. Exclure les valeurs aberrantes extrêmes de la série temporelle (points temporels au-dessus du 95e percentile et en dessous du 10e percentile).
        NOTA : Ordonner la série temporelle selon leur amplitude et leur phase permet de reconstruire un cycle respiratoire unique.
    6. Effectuer une transformation de Fourier rapide (FFT, fonction fft dans MATLAB) sur les données filtrées par Hanning le long de la direction de coupe pour permettre une reconstruction d'image coupe par coupe.
    7. Remodeler la matrice de données de l'espace-k en fonction de la série temporelle extraite afin que chaque compartiment respiratoire contienne au minimum 100 rayons.
    8. Utiliser 20 % des projections des compartiments adjacents pour améliorer le rapport signal/bruit24,25 de chaque compartiment respiratoire.
    9. Remodeler la matrice des trajectoires de l'espace-k pour qu'elle corresponde à la taille des données de l'espace-k.
    10. Exécuter la commande pics pour la reconstruction d'image pour chaque coupe.
      NOTA : Appliquer une régularisation en norme L2 (λ = 0,1) et en variation totale (λ = 0,0001) dans le domaine spatial, et une régularisation en variation totale (λ = 0,01) dans le domaine temporel.
    11. Enregistrer 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. Inscription d'image
    1. Inverser les intensités de signal des images reconstruites.
    2. Inscrire les images à un état respiratoire sélectionné, tel que l'inspiration, à l'aide d'une inscription non rigide.
      NOTA : Pour améliorer la précision de l'inscription, une approche orientée groupe26 peut être utilisée. Le processus d'inscription peut être exécuté sur processeur (CPU) ou processeur graphique (GPU) à l'aide d'outils tels que Advanced Normalization Tools (ANTs)27 ou le paquet d'inscription Forsberg28.
  4. Segmentation du parenchyme pulmonaire
    1. Segmenter le parenchyme pulmonaire de l'image 3D en fin d'inspiration à l'aide d'un réseau neuronal convolutif, par exemple avec une architecture nnUnet29.
    2. Exclure les vaisseaux pulmonaires à l'aide d'un algorithme de reconnaissance des vaisseaux, tel que celui décrit par Wernz et al.30.
      NOTA : 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. Appliquer une régression par noyau de Nadaraya-Watson (avec σ = 0,3) aux images inscrites et réinversées pour interpoler 16 phases sur une grille temporelle uniformément espacée.
    2. Éliminer 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. Débruiter les images filtrées passe-bas à l'aide d'un filtrage guidé par image31, l'image inscrite moyennée dans le temps servant d'image de référence. Régler les paramètres suivants : Taille de la fenêtre = [5, 5, 5], lambda = 0,001.
  6. Analyse de la ventilation
    1. Calculer les cartes de ventilation régionale (RVent) en millilitre par millilitre (mL/mL) pour chaque phase respiratoire N à l'aide de la formule suivante32 :
      figure-protocol-1     [1]
      NOTA : SInsp représente l'image cible pour l'inscription d'image, correspondant au niveau en fin d'inspiration. SExp fait référence à l'image en fin d'expiration, tandis que SN représente le N-ième état respiratoire.
    2. Calculer la carte de défaut de ventilation (VDRVent) de la carte RVent de la 8e phase, qui représente la ventilation maximale.
      ​NOTA : Pour calculer VD, les voxels situés en dessous du seuil de la valeur du 90e percentile, multiplié par un facteur de 0,4, sont considérés comme des défauts33.
    3. Calculer la carte du critère de corrélation du diagramme débit-volume (FVL-CM).
      1. Calculer le débit comme la dérivée première de RVent.
        NOTA : Le volume est directement mesuré par RVent.
      2. Établir un diagramme débit-volume (FVL) de référence pour chaque coupe, calculé à partir d'une région saine définie par des valeurs RVent comprises entre le 75e et le 95e percentile.
      3. Déterminer la similarité entre le FVL de chaque voxel du parenchyme pulmonaire et le FVL de référence à l'aide de la corrélation croisée sans décalage.
    4. Calculer la carte VDFVL-CM, où les voxels dont les valeurs FVL-CM sont inférieures à 0,9 sont identifiés comme des voxels présentant un défaut de ventilation34.
    5. Calculer les cartes du temps d'atteinte du pic de ventilation (VTTP) en pourcentage (%) du cycle respiratoire.
      NOTA : Théoriquement, le cycle respiratoire interpolé commence/termine au pic d'expiration et est symétrique par rapport au pic d'inspiration à 50 % du cycle de ventilation pour un voxel sain. Pour les voxels subissant des dynamiques de ventilation avancées ou retardées, la carte VTTP affichera une valeur inférieure/supérieure à 50 %.
    6. Calculer l'écart de la valeur VTTP (VTTPDev) par rapport au pic d'inspiration à 50 % comme suit :
      figure-protocol-2    [2]
      NOTA : Pour une région saine, le VTTPDev devrait être proche de 0 %.
    7. Statistiques
      1. Décrire statistiquement les paramètres RVent, FVL-CM, VTTP et VTTPDev pour toutes les coupes, en fournissant les valeurs médiane, moyenne, écart type et étendue interquartile.
      2. Calculer les valeurs en pourcentage de défaut de ventilation dérivées des cartes VD générées.
      3. Exporter tous les paramètres calculés vers un fichier tableur (voir l'exemple fourni dans le Tableau 3).

Résultats

Le protocole d'imagerie 3D PREFUL le plus simple comprend deux séquences. Une localisation anatomique + une mesure effectuée en respiration libre en utilisant une acquisition 3D en « stack-of-stars » selon l'angle d'or. La trajectoire en « stack-of-stars » est illustrée dans la Figure 1. Cette trajectoire combine un échantillonnage radial (dans le plan) avec un échantillonnage cartésien linéaire (dans la direction z). Initialement, des échantillons sont acquis dans la direction de partition kz, suivis par une rotation selon l'angle d'or pour échantillonner le plan kx-ky. Le schéma d'acquisition selon l'angle d'or permet une autogating avec une couverture uniforme de l'espace-k, facilitant la reconstruction d'images à partir de données fortement sous-échantillonnées. L'examen complet ne dépasse pas 10 minutes. D'autres détails concernant l'acquisition 3D PREFUL sont indiqués dans le Tableau des Matériaux.

figure-results-1
Figure 1 : Trajectoire en empilement d'étoiles tournées selon le rapport doré. Remarquez l'échantillonnage radial appliqué selon la dimension dans le plan (kx-ky) et l'échantillonnage cartésien appliqué selon la direction de coupe (kz). Ce schéma permet une couverture cylindrique de l'espace-k acquis. Dans cet exemple, trois partitions, comprenant chacune 32 projections radiales, sont représentées. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

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

Une fois l'acquisition des données et le transfert des données terminés, la phase de reconstruction d'image commence. Cette étape est effectuée à l'aide d'un code MATLAB appartenant au propriété intellectuelle (PI) d'une entreprise (BioVisioneers GmbH) et ne peut pas être partagée publiquement. Le script est entièrement automatisé dès que le chemin vers les données brutes est fourni. Une vue schématique de la procédure de reconstruction est présentée dans Figure 2.

figure-results-2
Figure 2 : Aperçu schématique de la méthode d'IRM pulmonaire fonctionnelle en 3D par résonance de phase (PREFUL). Dans un premier temps, les données sont acquises à l’aide d’une acquisition IRM sans apnée d’une durée de 8 minutes, utilisant une trajectoire en « empilement d’étoiles ». Après transfert des données du scanner IRM vers une unité de calcul, des images 3D de faible 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. Ces informations de volume pulmonaire sont ensuite utilisées comme signal de synchronisation. En fonction de l’amplitude et de la phase de ce signal, les projections radiales sont triées dans des intervalles respiratoires couvrant un cycle respiratoire complet. Cette étape de tri est suivie par la reconstruction dynamique d’images à pleine résolution, qui sont ensuite recalées au niveau de l’inspiration terminale. Après plusieurs étapes de post-traitement, le cycle de ventilation régionale (RVent) est calculé, puis l’analyse d’image, incluant l’extraction des paramètres, est réalisée. Le cycle RVent est évalué en calculant la boucle débit-volume (FVL) pour chaque voxel. Les cartes de ventilation FVL-CM sont extraites en comparant la boucle FVL de chaque voxel à une boucle FVL de référence saine, la similarité étant évaluée à l’aide d’une métrique de corrélation croisée. Pour les deux paramètres RVent et FVL-CM, les valeurs globales du pourcentage total de défauts ventilatoires (VDP) sont quantifiées. En outre, la dynamique du cycle RVent est analysée par une analyse du temps pour atteindre le pic, conduisant à une carte paramétrique du temps de pic de ventilation (VTTP). De plus, l’écart par rapport au pic de ventilation attendu à 50 % du cycle RVent est quantifié dans la carte VTTPDev. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Après la procédure de reconstruction d'image, toutes les images sont alignées spatialement sur un état fixe unique. L'enregistrement lui-même est effectué sur le processeur à l'aide des outils de normalisation avancée (Advanced Normalization Tools, ANTs27) ou du package d'enregistrement Forsberg28. Bien que le package ANTs reste la référence en matière d'enregistrement d'images en imagerie par résonance magnétique (IRM) et en tomodensitométrie (TDM), l'enregistrement selon Forsberg permet d'accélérer le processus jusqu'à un facteur 10, le ramenant à 9 minutes, avec des résultats comparables19. Le choix du package d'enregistrement peut dépendre des priorités de l'utilisateur et des unités de calcul disponibles. Une fois l'enregistrement terminé, les images morphologiques enregistrées sont de nouveau réinversées afin que le poumon apparaisse en noir sur l'image en niveaux de gris.

La Figure 3 illustre l'étape suivante du pipeline, qui consiste en la segmentation du parenchyme pulmonaire. Tout d'abord, le parenchyme pulmonaire est segmenté à partir de l'image en fin d'inspiration à l'aide d'un réseau neuronal convolutif de type nnUnet29. Cette segmentation du parenchyme pulmonaire est suivie d'une reconnaissance des vaisseaux30, qui sont exclus du masque de segmentation final.

figure-results-3
Figure 3 : Résultats exemplaires de la segmentation basée sur l'apprentissage profond pour un sujet masculin de 32 ans. La première ligne présente des images morphologiques de huit coupes coronales représentatives. Les deuxième et troisième lignes montrent respectivement le masque correspondant du parenchyme pulmonaire et le masque final avec l'exclusion des vaisseaux. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

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

figure-results-4
Figure 4 : Résultats exemplaires d'une segmentation basée sur l'apprentissage profond incorrecte pour un sujet masculin de 57 ans. La première ligne présente des images morphologiques de huit coupes coronales représentatives. Les deuxième et troisième lignes montrent respectivement le masque correspondant du parenchyme pulmonaire et le masque final après exclusion des vaisseaux. Comme on peut le constater, plusieurs régions fibrotiques sont erronément identifiées comme des vaisseaux ou des structures non pulmonaires. Ces inexactitudes ont été corrigées manuellement, comme illustré dans la quatrième ligne. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Après plusieurs étapes de filtrage décrites dans le protocole, les paramètres de ventilation sont calculés. L'IRM 3D PREFUL génère des cartes quantitatives de la ventilation régionale statique (RVent), des métriques dynamiques de corrélation débit-volume (FVL-CM), et deux paramètres basés sur l'analyse du temps d'atteinte du pic de ventilation (VTTP), comme illustré dans la Figure 5. Cette figure présente huit coupes coronales d'un homme sain de 32 ans. Remarquez la distribution homogène attendue de tous les paramètres de ventilation.

figure-results-5
Figure 5 : IRM 3D PREFUL d'un volontaire sain (homme de 32 ans). Cartes représentatives des paramètres morphologiques (première ligne) et de ventilation IRM 3D PREFUL (deuxième à cinquième ligne) pour un volontaire sain (homme de 32 ans). La ventilation régionale statique est représentée par la ventilation régionale (RVent), tandis que la dynamique de la ventilation est évaluée à l'aide du paramètre de corrélation du boucle débit-volume (FVL-CM), du temps pour atteindre le pic de ventilation (VTTP) et de l'écart du VTTP (VTTPDev), qui sont des paramètres évaluant la dynamique de la ventilation. Comme attendu, des valeurs de ventilation homogènes sont observées sur toutes les cartes de paramètres de ventilation. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Pour simplifier les cartes de ventilation, des cartes de défauts ventilatoires (VD) sont dérivées pour RVent et FVL-CM, ce qui permet une interprétation plus rapide des résultats. Les cartes VD exemplaires sont présentées dans la Figure 6. Pour VDRVent et VDFVL-CM, les valeurs de VDP étaient respectivement de 3,6 % et 3,0 %, se situant dans la plage normale saine. Idéalement, et selon l'âge des volontaires sains, la valeur de 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 à la détection des maladies ainsi qu'aux effets induits par le traitement20,34,37,38,39.

figure-results-6
Figure 6 : Cartes représentatives de RVent et de FVL-CM, incluant leurs cartes de défauts de ventilation. Les cartes de RVent (première ligne) et de FVL-CM (deuxième ligne), ainsi que leurs cartes de défauts de ventilation (troisième et quatrième lignes) obtenues par IRM 3D PREFUL chez un volontaire sain (homme de 32 ans), sont présentées. Sur les cartes de défauts de ventilation, les régions saines apparaissent en vert, tandis que les zones présentant un défaut de ventilation sont marquées en rouge. Veuillez cliquer ici pour visualiser 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 3 T. Bien qu'il existe un avantage théorique du 3 T dû à un rapport signal-sur-bruit (SNR) accru, cet avantage peut être contrebalancé par des effets de susceptibilité magnétique plus prononcés à 3 T. L'influence exacte des intensités de 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 chez un volontaire sain (homme de 35 ans) à l'aide d'un appareil d'IRM à 3 T. Remarquez l'aspect plus hétérogène des paramètres de ventilation à 3 T par rapport à 1,5 T (Figure 5).

figure-results-7
Figure 7 : IRM 3D PREFUL d’un volontaire sain (homme de 35 ans). Cartes représentatives des paramètres morphologiques (première ligne) et de ventilation IRM 3D PREFUL (deuxième à cinquième ligne) pour un volontaire sain (homme de 35 ans) à 3T. La ventilation régionale statique est représentée par la ventilation régionale (RVent), tandis que la dynamique de la ventilation est évaluée à l’aide du paramètre de corrélation du boucle débit-volume (FVL-CM), du temps d’atteinte du pic de ventilation (VTTP) et de l’écart du VTTP (VTTPDev), qui sont des paramètres évaluant la dynamique de la ventilation. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

La comparaison ou la validation de la PERF 3D dérivée avec des mesures plus directes n'est actuellement pas publiée. Plusieurs études rapportent une corrélation positive entre les valeurs de VDP et la superposition spatiale des défauts de ventilation entre la technique PERF 2D et 129Xe11,12,14 et 19IRMf35. Une comparaison récente entre la ventilation dérivée de la PREFUL 3D et les mesures directes de ventilation utilisant 19L'IRMf chez des patients atteints de maladie pulmonaire obstructive chronique (MPOC), d'asthme et chez des volontaires sains a révélé une corrélation modérée à forte au niveau global40. Voici un exemple de comparaison (Figure 8) pour une patiente diagnostiquée avec une maladie pulmonaire obstructive chronique (femme de 54 ans, VEMS1 = 42 % de la valeur prédite), qui a été examiné à l'aide de la PREFUL 3D et 19IRM de perfusion F

figure-results-8
Figure 8IRM 3D PREFUL d'une patiente de 54 ans atteinte de BPCO. Images morphologiques (ligne supérieure), paramètres de ventilation et cartes respectives des défauts de ventilation d'une patiente de 54 ans atteinte de BPCO (VEMS1 = 42 % préd., CVF = 102 % préd.) obtenus par IRM PREFUL 3D (2e et 3e lignes) et 19IRMf (4e et 5e lignes) sont présentées, ainsi qu'une comparaison des cartes de défauts de ventilation provenant des deux méthodes (dernière ligne). Dans l'ensemble, sur toutes les coupes, le SøLe coefficient de Dice était de 25,5 % dans les zones déficientes et de 80,6 % dans les régions saines, ce qui correspond à un recouvrement spatial total de 69,2 %. On observe notamment une corrélation visuelle entre les zones de ventilation appariées dans les régions saines et déficientes (représentées en vert foncé). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

L'IRM 3D PREFUL peut être utilisée pour mesurer les réponses régionales au traitement20À titre d'exemple, Figure 9 montre une comparaison de trois coupes du poumon d'une personne atteinte de mucoviscidose (femme de 43 ans) au moment du départ (à gauche, VEMS1 = 94 % de la valeur prédite) et après un traitement par modulateur de CFTR (à droite, VEMS)1 = 112 % de la valeur prédite). Étant donné que les deux mesures sont spatialement appariées, la technique 3D PREFUL permet une analyse régionale de la réponse au traitement, comme illustré en bas de Figure 9Veuillez noter les valeurs accrues de la métrique de corrélation du boucle débit-volume ainsi que la réduction des défauts de ventilation après le traitement.

figure-results-9
Figure 9 : Mesures 3D PREFUL d'une patiente de 43 ans atteinte de mucoviscidose (CF). Exemples de cartes de marqueurs de ventilation issues des mesures 3D PREFUL avant traitement (à gauche) et après traitement (à droite) chez une patiente de 43 ans atteinte de mucoviscidose (CF). Le VDPFVL-CM est passé de 18,0 % (avant traitement) à 3,6 % (après traitement). VEMS1 % préd. avant traitement : 94 %, VEMS1 % préd. après traitement : 112 %. LCI avant traitement : 10,48, LCI après traitement : 9,39. Les cartes correspondantes de réponse au traitement sont représentées en bas. Veuillez noter les zones vertes indiquant la résolution de la ventilation après la thérapie. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 1 : Liste des paramètres typiques d'IRM utilisés pour le localisateur et l'acquisition 3D PREFUL sur un appareil de 1,5 T. (A) Localisateur et (B) acquisition 3D PREFUL. Veuillez cliquer ici pour télécharger ce tableau.

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

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

Discussion

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

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

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

  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

Mots-clés

IRM pulmonaire fonctionnelleIRM r solution de phasePREFUL tridimensionnelventilation r gionalecartes des d fauts de ventilationacquisition compress e Compressed Sensingreconstruction par apprentissage profondsegmentation du parenchyme pulmonairedynamique de la ventilationpreuves fonctionnelles respiratoires
Imagerie par résonance magnétique pulmonaire fonctionnelle résolue en phase tridimensionnelle
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.