Imagerie par résonance magnétique pulmonaire fonctionnelle résolue en phase tridimensionnelle

L’IRM 3D Preful permet de visualiser la ventilation pulmonaire. Quelle a été notre motivation initiale pour développer PREFUL MRI ? C’était le désir de capturer l’ensemble du volume pulmonaire avec une résolution d’image isotrope plus élevée par rapport à l’IRM Preful 2D conventionnelle.

L’IRM 3D Preful permet la ventilation dynamique, la détection des maladies pulmonaires, le suivi du traitement et, espérons-le, à l’avenir, le pronostic des patients atteints de maladies pulmonaires. Chez les enfants, l’IRM PREFUL est particulièrement utile car elle est très conviviale pour le patient sans rayonnement. L’avantage le plus important de l’IRM 3D Preful est son utilisation d’une séquence de produits, qui est disponible sur des scanners IRM à la pointe de la technologie, facilitant ainsi son adoption généralisée dans d’autres centres.

De plus, par rapport à d’autres techniques d’IRM 3D en respiration libre non améliorées, l’IRM 3D Preful a récemment été validée pour la mesure directe de la ventilation à l’aide de 19 images FCA et de l’imagerie des gaz hyperisés, démontrant une forte correspondance entre ces méthodes. Nous avons montré que l’IRM 3D Preful a pu montrer l’hétérogénéité de la ventilation et les défauts de ventilation chez les patients asthmatiques et atteints de CBD. De plus, nous avons pu montrer les effets de la réponse au traitement chez les patients atteints de mucoviscidose après le traitement.

Nous pensons donc qu’à l’avenir, l’IRM 3D Preful sera un outil précieux en clinique pour les patients atteints de maladies pulmonaires. Les développements 3D les plus récents de PREFUL incluent de nouvelles conceptions de séquences telles que l’utilisation de trajectoires en spirale. Ceux-ci sont pertinents en raison de leurs exigences matérielles réduites et de leur efficacité accrue d’échantillonnage basé sur les cas.

De plus, l’approche de la tranche motrice simultanée suscite de plus en plus d’intérêt car elle réduit considérablement le temps de balayage lors de l’acquisition 2D tout en permettant une imagerie pondérée par ventilation et par perfusion. Les prochaines étapes de l’IRM 3D Preful consisteront à réduire davantage les temps d’acquisition et à utiliser des techniques basées sur l’apprentissage profond pour la reconstruction et le recalage d’images, car ces étapes sont actuellement les plus chronophages du pipeline. Ainsi, nous visons à accélérer considérablement ces processus, en améliorant l’efficacité globale des acquisitions et en permettant la reconstruction en ligne.

Pour commencer, demandez au sujet de s’allonger sur la table d’imagerie par résonance magnétique ou d’IRM en position couchée. À l’aide de la navigation par lumière laser, positionnez le patient de manière à ce que la zone imagée occupe le centre ISIS de l’alésage. Effectuez une séquence d’alignement de piste pour obtenir des images anatomiques basse résolution dans trois plans afin de planifier l’examen 3D PREFUL.

Après avoir défini les paramètres d’acquisition, réglez le nombre de projections radiales de sorte que l’acquisition dure environ huit minutes. Vérifiez si tout le thorax est inclus dans le champ de vision et commencez l’acquisition. Enregistrez les données brutes basées sur des cas 3D PREFUL à l’aide des étapes spécifiques au fournisseur sur la console MR.

Définissez le chemin d’accès aux données brutes pour évaluer les données acquises à l’aide du script de reconstruction d’image. Estimez les retards de gradient dépendants du système MR à l’aide des projections d’étalonnage avec la fonction de retard S dans le BART. Appliquez un décalage à chaque projection en fonction du retard de gradient calculé, suivi d’un filtrage des données corrigées du retard de gradient à l’aide d’une fenêtre périodique dans le plan XY et la direction Z.

Pour la reconstruction d’images basse résolution, sélectionnez un huitième des données basées sur des cas, centré autour de l’index central de la dimension de lecture, ainsi qu’un quart des données basées sur des cas centrés sur l’index central de la dimension de partition. Remodelez les matrices des données basées sur des cas et les trajectoires correspondantes pour inclure des dimensions temporelles supplémentaires, chaque point temporel comprenant 14 projections radiales. À l’aide de l’imagerie parallèle et de la détection compressée, la commande pics et BART effectuent la reconstruction de l’image.

Pour extraire le signal de déclenchement respiratoire, segmentez le parenchyme pulmonaire dans chaque image 3D basse résolution reconstruite à l’aide du seuillage d’Otsu et calculez le volume du parenchyme pulmonaire pour chaque point temporel. Appliquez un filtre passe-bas avec une fréquence de coupure de 0,7 hertz à la série chronologique de volume extraite et calculez la fréquence respiratoire. Excluez ensuite les valeurs aberrantes extrêmes de la série chronologique.

Ensuite, effectuez une transformée de Fourier rapide sur le traitement des données de filtre le long de la direction de la tranche pour permettre la reconstruction d’image tranche par tranche. Remodelez la matrice de données basée sur les cas en fonction des séries chronologiques extraites afin que chaque corbeille respiratoire contienne un minimum de 100 rayons. Refonte de la matrice des trajectoires par cas pour qu’elle corresponde à la taille des données par cas et utilisation de 20 % des projections des bacs adjacents pour améliorer le rapport signal/bruit de chaque bac respiratoire.

Exécutez la commande picks pour la reconstruction de l’image de chaque tranche. Enregistrez les variables, y compris les images reconstruites d’un cycle respiratoire complet, la fréquence respiratoire et les temps d’acquisition dans un fichier DOTMAP. Ensuite, inversez les intensités du signal des images reconstruites et enregistrez-les dans un état respiratoire sélectionné à l’aide d’un enregistrement non rigide.

Effectuez un filtrage avec la régression du noyau Nadaraya-Watson sur les images enregistrées et inversées pour interpoler 16 phases sur une grille temporelle uniformément espacée. Éliminez les variations de signal non liées à la respiration à l’aide d’un filtre passe-bas à 0,7 hertz par rapport aux données interpolées dans le domaine temporel. Définissez les paramètres de taille de fenêtre sur 5 5 5 et lambda sur 0,001.

Débruitage des images filtrées passe-bas à l’aide du filtrage guidé par l’image, l’image enregistrée moyennée dans le temps étant l’image de guidage. Calculez la ventilation régionale ou nos cartes d’évent en millilitre par millilitre pour chaque phase respiratoire N.Ensuite, segmentez le parenchyme pulmonaire de l’image 3D inspiratoire finale à l’aide d’un réseau neuronal convolutif avec architecture de réseau NNU. Excluez les vaisseaux pulmonaires à l’aide d’un algorithme de reconnaissance des vaisseaux, puis calculez la carte du défaut de ventilation ou de la carte VD de la carte de ventilation R de la huitième phase, qui représente la ventilation maximale.

Calculez l’écoulement comme la dérivée première de R vent. Établissez une boucle volumique de débit de référence ou FVL pour chaque tranche calculée à partir d’une région saine définie par nos valeurs d’évent entre le 75e et le 95e centile. Déterminez la similitude entre chaque voxels FVL du parenchyme pulmonaire et le FVL de référence en utilisant une corrélation croisée avec un décalage nul.

Calculez ensuite la carte métrique de corrélation FEL des défauts de ventilation. Calculez le temps de ventilation jusqu’au pic ou les cartes VTTP en pourcentage du cycle respiratoire, suivi de l’écart de la valeur VTTP par rapport à l’inspiration maximale à 50 %Décrivez statistiquement les paramètres sont l’évent, FELCM, VTTP et l’écart VTTP pour toutes les tranches, en fournissant des valeurs médianes, moyennes, d’écart-type et des intervalles interquartiles. Enfin, calculez les valeurs de pourcentage de défauts de ventilation dérivées des cartes VD générées et exportez tous les paramètres calculés dans un fichier de tableur.

Une ARM 3D Preful d’un volontaire en bonne santé a indiqué des valeurs de ventilation homogènes pour toutes les cartes de paramètres de ventilation. Dans les cartes VD exemplaires, la valeur du pourcentage de défauts de ventilation pour notre évent était de 3,6 % et celle de FELCM était de 3 %, ce qui se situe dans la plage normale saine. La comparaison des cartes des défauts de ventilation de l’IRM préliminaire 3D et de l’IRMf 19 d’une patiente de 54 ans atteinte de bronchopneumopathie chronique obstructive a indiqué une bonne corrélation visuelle entre les régions saines et hypoventilées.

La comparaison de l’IRM 3D Preful pour mesurer les réponses régionales après le traitement d’un poumon d’un sujet atteint de mucoviscidose a révélé une augmentation des valeurs de la métrique de corrélation FEL ainsi qu’une réduction de la VD après le traitement.