L’IA harmonise les images disparates des appareils d’imagerie par résonance magnétique

Le défi de l'harmonisation des images de résonance magnétique

L’harmonisation des résultats d’IRM est un enjeu central pour la recherche et pour la qualité des soins de santé. En effet, chaque hôpital, clinique ou institut de recherche a un style d’IRM particulier, selon le matériel, les protocoles d’imagerie et les paramètres utilisés. Cela entraîne des fluctuations dans les contrastes, la luminosité et d’autres caractéristiques de l’image et constitue un obstacle important en recherche clinique lorsque les données de plusieurs centres de recherche sont regroupées.  

La méthode d’harmonisation élaborée par Farzad Beizaee, doctorant à l’UdeM et premier auteur de l’étude, fait intervenir trois étapes clés: pour commencer, on crée un modèle qui «apprend» la façon dont les images du domaine source (par exemple des images de résonance magnétique d'un appareil particulier du CHU Sainte-Justine) sont organisées ou distribuées. Une fois que la distribution du domaine source est bien comprise, l'objectif est de «reformater» les processus d’IRM des autres centres pour éliminer les variations qui sont dues à des changements dans les paramètres ou à l’utilisation d’un autre appareil tout en préservant les différences inhérentes au patient. Enfin, lorsque le modèle est utilisé sur de nouvelles images (venant d'un appareil inconnu), il doit s'adapter et s'assurer que les nouvelles images respectent toujours la distribution qu'il a apprise lors de la première étape.

Des images cérébrales pour valider la méthode

Pour valider son modèle, l'équipe a testé cette approche sur des images de résonance magnétique du cerveau issues de bases de données aux États-Unis et d’un consortium d’imagerie néonatale bâti en collaboration avec des chercheurs en Australie. Ces données ont été utilisées pour effectuer deux tâches: segmenter les images du cerveau en différentes parties chez l'adulte et le nouveau-né afin de vérifier si la structure du cerveau restait cohérente avant et après l'harmonisation et estimer l'âge du cerveau chez des nouveau-nés. 

Les résultats ont mis en évidence la performance supérieure de cette technique par rapport aux méthodes d’harmonisation existantes, démontrant son adaptabilité pour diverses tâches et pour des groupes de patients variés. De façon notable, l’outil a été validé avec succès sur des images de résonance magnétique du cerveau d’un nouveau-né présentant des lésions, une tâche à laquelle tous les autres modèles disponibles échouent, puisqu’ils sont entraînés avec des images de cerveaux sains. 

«Grâce à ce modèle, nous pouvons maintenant interpréter les données relatives à plusieurs milliers de familles et d'enfants suivis dans différents centres hospitaliers et qui ont été obtenues de plusieurs appareils d’IRM. L’analyse de ces grandes cohortes chez les enfants et chez les adultes était freinée par ce problème majeur d'harmonisation, qui est résolu aujourd'hui», précise le D^r Lodygensky. Les futures collaborations et recherches pourront explorer l'application de cette approche à plus grande échelle, ce qui facilitera la comparaison et l’analyse des données de recherche, et améliorera encore davantage la précision et la fiabilité des diagnostics médicaux.