Bringing Quantitative Magnetic Resonance Imaging Under One Umbrella

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.