<  Retour au portail Polytechnique Montréal

Bringing Quantitative Magnetic Resonance Imaging Under One Umbrella

Agah Karakuzu

Thèse de doctorat (2022)

Document en libre accès dans PolyPublie
[img]
Affichage préliminaire
Libre accès au plein texte de ce document
Conditions d'utilisation: Tous droits réservés
Télécharger (28MB)
Afficher le résumé
Cacher le résumé

Résumé

Les systèmes conventionnels d'imagerie par résonance magnétique (IRM) ne sont pas des appareils de mesure. L'IRM clinique repose sur l'évaluation visuelle des images représentées sur des niveaux de gris arbitraires. Redéfinir les scanners de RM en tant qu'appareils de mesure est un objectif ambitieux qui a motivé un certain nombre de méthodes d'IRM quantitative (IRMq). Ces méthodes visent à compléter les images obtenues par RM avec des unités significatives qui sont informatives de la microstructure fondamentale de tissu. Cependant, la mise à niveau des mesures dans les scanners RM commerciaux nécessite des efforts coordonnés de développement et de normalisation. Un obstacle majeur est la variabilité de l'IRMq en raison des implémentations de la boîte noire des séquences d'impulsions d'IRM. Un autre défi provient du manque de flux de travail de traitement IRMq interopérables et reproductibles. Le grand objectif de cette thèse de doctorat était de résoudre les deux problèmes décrits ci-dessus en réunissant l'IRMq sous un même parapluie. Cela a été réalisé grâce au développement d'un flux de travail neutre pour le fournisseur qui peut normaliser les séquences d'impulsions, les données et les méthodes de traitement pour rationaliser de manière transparente les protocoles d'IRM quantitative. Bien que la thèse ait porté sur l'imagerie de la myéline, la solution de bout en bout offerte par ce travail peut profiter à la plupart des applications d'IRMq. La première partie de la thèse consiste à développer un progiciel open source pour traiter, simuler et analyser les données IRMq: qMRLab (https://qmrlab.org). La base de code de qMRLab a été développée sur la base de principes de conception collaborative et modulaire pour favoriser une intégration facile de toute méthode IRMq. En plus de la documentation complète des utilisateurs et des développeurs, un exemple de jeu de données a été fourni pour chaque méthode. Équipé d'un pipeline complet d'intégration et de déploiement continus, chaque version du logiciel a été assurée de fonctionner de manière cohérente sur des environnements logiciels portables pour des tutoriels et des publications interactifs. À ce jour, qMRLab comprend 24 implémentations ajoutées par plus de 10 contributeurs et est utilisé par des dizaines de laboratoires de recherche à travers le monde. La deuxième contribution de cette thèse a été de diriger l'élaboration d'une norme mondiale de données d'IRMq. Une collaboration communautaire entre les concepteurs de la méthode de RM et les chercheurs en neuroimagerie a été établie pour étendre la structure de données d'imagerie cérébrale (BIDS) pour les données et les métadonnées de l'IRMq : qMRI-BIDS. Des réunions mensuelles ont eu lieu avec la participation de plus de 30 chercheurs sur une période de quatre ans. La version finale de la proposition d'extension a normalisé 18 cartes quantitatives ainsi que leurs unités, a ajouté de nouveaux champs de métadonnées pour améliorer l'enregistrement de la provenance, a défini un nouveau principe commun de collectes de fichiers pour organiser les données d'entrée et les métadonnées pour 15 méthodes d'IRMq, et a établi un ensemble de règles pour étendre la spécification pour les futurs cas d'utilisation de l'IRMq. Enfin, un exemple de jeu de données a été créé et l'extension a été fusionnée dans la version principale de BIDS v1.5.0 (https://bids-specification.readthedocs.io/). Les contributions ci-dessus ont permis le développement de qMRFlow, une collection de pipelines portables et compatibles qMRI-BIDS qui peuvent rationaliser qMRLab avec d'autres logiciels de pré- et post-traitement via des conteneurs. En tant que dernière pièce du puzzle de flux de travail de bout en bout, une séquence neutre pour le fournisseur (VENUS) a été développée sur une plateforme d'IRM en temps réel approuvée par la FDA et rendue publique (https://github.com/qmrlab/venus) pour l'acquisition de cartes sensibles à la myéline de T1, du rapport de transfert d'aimantation et de la saturation (MTR et MTsat). Pour communiquer avec qMRFlow, VENUS a été conçu pour reconstruire et exporter des données au format qMRI-BIDS. Pour activer un contrôle de balayage qMRI convivial, nous avons équipé VENUS d'une interface utilisateur unifiée. Le pipeline de bout en bout développé (qMRFlow + VENUS) a été déployé sur un scanner GE et deux scanners Siemens (3T) pour tester l'hypothèse selon laquelle les séquences neutres pour les fournisseurs réduisent la variabilité inter-fournisseur des cartes T1, MTR et MTsat. Trois participants en bonne santé et un fantôme T1 de référence ont été scannés à l'aide de VENUS et de ses homologues natifs du fournisseur sur les trois scanners. Les résultats in vivo ont montré que la variabilité entre les fournisseurs était considérablement réduite pour toutes les cartes (p = 0,015). Dans le fantôme, non seulement les différences entre les fournisseurs ont été réduites (8 - 19,4% à 0,2 - écart de 5%)), mais aussi une amélioration globale a été obtenue dans la précision T1 (7 - 11% à 0,2 - 4% d'erreur). Cette thèse démontre une intégration puissante entre les séquences neutres pour les fournisseurs, les normes de données communautaires et les logiciels open source pour améliorer la fiabilité de l'IRM quantitative. Les flux de travail développés réduisent la variabilité à plusieurs niveaux, en commençant par la mise en oeuvre de la séquence d'impulsions d'IRM et en continuant avec la reconstruction, le pré- et le post-traitement. En outre, ces flux de travail sont construits sur une plateforme approuvée par la FDA qui peut héberger des méthodes d'IRMq avec une voie rapide vers l'application clinique. L'IRM quantitative doit contourner les boîtes noires du fournisseur pour fournir ce qu'elle a à offrir, et ce travail montre la voie à suivre.

Abstract

Conventional magnetic resonance imaging (MRI) systems are not measurement devices. Clinical MRI relies on visual assessment of images represented on an arbitrary grayscale. Redefining MR scanners as measurement devices is an ambitious goal that has motivated a number of quantitative MRI (qMRI) methods. These methods aim at supplementing MR images with meaningful units that are informative of the underlying tissue microstructure. However, retrofitting measurement into commercial MR scanners requires coordinated development and standardization efforts. A major stumbling-block is the variability of qMRI due to the black-box vendor implementations of MRI pulse sequences. Another challenge originates from the lack of interoperable and reproducible qMRI processing workflows. The grand objective of this PhD work was to address both problems described above by bringing qMRI under one umbrella. This was achieved through the development of a vendorneutral workflow that can standardize pulse sequences, data and processing methods to seamlessly streamline quantitative MRI protocols. While the focus of the thesis was on myelin imaging, the end-to-end solution offered by this work can benefit most qMRI applications. The first part of the thesis consists of developing an open-source software package to process, simulate and analyze qMRI data: qMRLab (https://qmrlab.org). The codebase of qMRLab was developed based on collaborative and modular design principles to foster easy integration of any qMRI method. In addition to extensive user and developer documentation, an example dataset was provided for each method. Equipped with a thorough continuous integration and deployment pipeline, each release of the software was ensured to run consistently on portable software environments for interactive tutorials and publications. As of today, qMRLab includes 24 implementations added by more than 10 contributors and is being used by tens of research labs around the globe. The second contribution of this thesis was leading the development of a global qMRI data standard. A joint-community collaboration between the MR method developers and neuroimaging researchers was established to extend the brain imaging data structure (BIDS) for qMRI data and metadata: qMRI-BIDS. Monthly meetings were held with the participation of more than 30 researchers over the course of four years. The final version of the extension proposal standardized 18 quantitative maps along with their units, added new metadata fields to enhance provenance recording, defined a new common principle of file collections to organize input data and metadata for 15 qMRI methods, and established a set of rules to extend the specification for future qMRI use cases. Finally, an example dataset was created and the extension was merged into the main BIDS release v1.5.0 (https://bids-specification.readthedocs.io). The above contributions enabled the development of qMRFlow, a collection of portable and qMRI-BIDS compatible pipelines that can streamline qMRLab with other pre- and post processing software via containers. As the final piece of the end-to-end workflow puzzle, a vendor-neutral sequence (VENUS) was developed on an FDA-approved real-time MRI platform and made publicly available at https://github.com/qmrlab/venus for acquiring myelin sensitive maps of T1, magnetization transfer ratio and saturation (MTR and MTsat). To communicate with qMRFlow, VENUS was designed to reconstruct and export data in the qMRI-BIDS format. To enable a user-friendly qMRI scan control, we equipped VENUS with a unified user interface. The developed end-to-end pipeline (qMRFlow + VENUS) was deployed on one GE and two Siemens scanners (3T) to test the hypothesis that vendor-neutral sequences reduce inter-vendor variability of T1, MTR and MTsat maps. Three healthy participants and a reference T1 phantom were scanned using VENUS and its vendor-native counterparts on all three scanners. In vivo results showed that the variability between vendors was significantly reduced for all maps (p=0.015). In the phantom, not only were inter-vendor differences reduced (8 - 19.4% to 0.2 - 5% deviation), but also an overall improvement was achieved in T1 accuracy (7 - 11% to 0.2 - 4% error). This thesis demonstrates a powerful integration between vendor-neutral sequences, community data standards and open-source software to improve the reliability of quantitative MRI. The developed workflows reduce the variability at multiple levels, starting with the MRI pulse sequence implementations and continuing with reconstruction, pre- and post-processing. In addition, these workflows are built on an FDA-approved platform that can host qMRI methods with a fast track to clinical translation. Quantitative MRI needs to bypass the vendor black boxes to deliver what it has to offer, and this work shows the way forward.

Département: Institut de génie biomédical
Programme: Génie biomédical
Directeurs ou directrices: Nikola Stikov
URL de PolyPublie: https://publications.polymtl.ca/10224/
Université/École: Polytechnique Montréal
Date du dépôt: 19 sept. 2022 11:27
Dernière modification: 22 sept. 2023 05:05
Citer en APA 7: Karakuzu, A. (2022). Bringing Quantitative Magnetic Resonance Imaging Under One Umbrella [Thèse de doctorat, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/10224/

Statistiques

Total des téléchargements à partir de PolyPublie

Téléchargements par année

Provenance des téléchargements

Actions réservées au personnel

Afficher document Afficher document