L’IRM améliorée par l’IA montre un potentiel pour détecter des anomalies cérébrales

résumé: Les chercheurs ont développé un modèle d’apprentissage automatique qui met à l’échelle les images IRM 3T pour imiter l’IRM 7T haute résolution, fournissant ainsi des détails améliorés pour détecter les anomalies cérébrales. Les images synthétiques 7T révèlent des caractéristiques plus subtiles, telles que des lésions de la substance blanche et des microsaignements sous-corticaux, qui sont souvent difficiles à observer à l’aide des systèmes IRM standards.

Cette approche basée sur l’IA pourrait améliorer la précision du diagnostic pour des affections telles que les traumatismes crâniens (TCC) et la sclérose en plaques (SEP), bien qu’une validation clinique soit nécessaire avant une utilisation plus large. Le nouveau paradigme pourrait à terme élargir l’accès à des informations d’imagerie de haute qualité sans nécessiter d’équipement spécialisé. Cette avancée représente une intersection prometteuse entre l’intelligence artificielle et la technologie de l’imagerie médicale.

Faits de base

• Le modèle AI améliore l’IRM 3T pour se rapprocher des détails de l’IRM 7T.
• Les images synthétiques 7T ont montré des limites plus claires de la lésion cérébrale, ce qui a facilité le diagnostic.
• Le modèle pourrait bénéficier aux patients atteints de TBI et de SEP en améliorant la visualisation des anomalies cérébrales.

source: UCSF

À l’intersection de l’intelligence artificielle et de la science médicale, l’utilisation de l’apprentissage automatique pour améliorer les données d’imagerie capturées par la technologie d’imagerie par résonance magnétique (IRM) suscite un intérêt croissant.

Des études récentes montrent que l’IRM à champ élevé à 7 Tesla (7 T) peut avoir une résolution et des avantages cliniques nettement supérieurs par rapport à l’IRM à champ élevé à 3 T pour identifier les structures anatomiques importantes pour l’identification et la surveillance des tissus pathologiques, en particulier dans le cerveau.

Aux États-Unis, la plupart des examens cliniques d’IRM sont réalisés à l’aide de systèmes d’IRM 1,5T ou 3T. En 2022, les National Institutes of Health n’avaient documenté qu’environ 100 appareils IRM 7T utilisés pour l’imagerie diagnostique dans le monde.

Des chercheurs de l’Université de Californie à San Francisco ont développé un algorithme d’apprentissage automatique pour améliorer les IRM 3T en assemblant des images de type 7T qui se rapprochent d’une véritable IRM 7T.

Leur modèle a amélioré l’histopathologie avec une plus grande résolution pour les informations cliniques et représente une nouvelle étape vers l’évaluation des applications cliniques des modèles synthétiques d’IRM 7T.

L’étude a été présentée le 7 octobre lors de la 27e Conférence internationale sur le calcul d’images médicales et l’intervention assistée par ordinateur (MICCAI).

« Notre article présente un modèle d’apprentissage automatique pour synthétiser des images IRM de haute qualité à partir d’images de faible qualité. Nous avons démontré comment ce système d’IA améliore la visualisation et l’identification des anomalies cérébrales capturées par l’IRM lors d’un traumatisme crânien.

« Nos résultats mettent en valeur la promesse de l’intelligence artificielle et de l’apprentissage automatique pour améliorer la qualité des images médicales capturées par des systèmes d’imagerie moins avancés. »

Les traumatismes crâniens et la sclérose en plaques sont mieux vus

Les chercheurs de l’UCSF ont collecté des données d’imagerie auprès de patients diagnostiqués avec un traumatisme crânien léger (TCC) à l’UCSF. Ils ont conçu et formé trois modèles de réseaux neuronaux pour effectuer une amélioration d’image et une segmentation d’image 3D à l’aide d’une IRM 7T artificielle générée à partir d’une IRM 3T standard.

Les images générées à l’aide des nouveaux modèles ont permis d’améliorer l’histopathologie des patients présentant un traumatisme crânien léger. Ils ont choisi une zone typique contenant des lésions de la substance blanche et des micro-saignements dans les zones sous-corticales à utiliser à des fins de comparaison.

Ils ont constaté que les tissus pathologiques étaient plus faciles à voir dans les images composites 7T. Cela était évident dans la séparation des lésions adjacentes et dans les caractéristiques plus prononcées d’une hémorragie sous-corticale.

De plus, les images composites 7T ont mieux capturé les diverses caractéristiques des lésions de la substance blanche. Ces observations mettent également en valeur la promesse d’utiliser cette technologie pour améliorer la précision du diagnostic des troubles neurologiques tels que la sclérose en plaques.

Même si les techniques de synthèse basées sur des frameworks d’apprentissage automatique affichent des performances impressionnantes, leur application en milieu clinique nécessitera une validation approfondie.

Les chercheurs estiment que les travaux futurs devraient inclure une évaluation clinique complète des résultats du modèle, une évaluation clinique des images générées par le modèle et une quantification des incertitudes du modèle.

À propos de l’actualité de la recherche en intelligence artificielle et en neuroimagerie

auteur: Reza Abbasi-Original
source: UCSF
communication: Reza Abbasi-Origine – UCSF
image: Image créditée à Neuroscience News