Automatisation et optimisation de l'analyse de données de résonance magnétique pour les cerveaux de rongeur en développement

Les lésions de la matière blanche parfois observées chez les enfants prématurés peuvent avoir des conséquences lourdes sur le développement cognitif, comportemental et social de l'enfant. Il est important de réagir tôt pour éviter des conséquences irrémédiables. Malheureusement, à l'heure actuelle, la capacité d'un traitement à protéger les habilités cognitives ou comportementales ne peut être évaluée qu'à un stade développemental avancé, et il est alors généralement trop tard pour un traitement alternatif. L'établissement de biomarqueurs qui corrèlent avec l'issue neuro¬développementale et qui permettent d'évaluer en phase aiguë l'effet du traitement serait très bénéfique. À cet effet, l'imagerie par résonance magnétique (IRM) est un outil de choix. Son caractère non-invasif permet d'étudier sans risques additionnels cette population sensible. Le présent mémoire évalue la capacité des technologies de résonance magnétique à détecter les lésions diffuses de la matière blanche dans un modèle animal. Ce modèle animal reproduit les lésions observées chez l'humain prématuré en induisant une réaction inflammatoire par l'injection de lipopolysaccharides (LPS) directement dans le cerveau au troisième jour postnatal (P3). L'objectif principal du travail présenté est le développement d'outils opérateur-indépendants et optimaux pour l'analyse des données de résonance magnétique du raton. En particulier, ces outils sont conçus pour l'analyse des données d'imagerie du tenseur de diffusion (DTI) et pour l'analyse de données de spectroscopie (MRS). Ces outils sont ensuite appliqués à la caractérisation du modèle animal via l'analyse de deux jeux de données. Le premier est constitué de données DTI acquises à P24 ex vivo sur deux groupes, un sham (témoin) et un ayant subi une injection de LPS. Le second comprend des données MRS et DTI acquises en phase aiguë de la réaction inflammatoire (P4) in vivo dans trois groupes : sham, LPS et un troisième ayant reçu l'injection de LPS et un traitement neuroprotecteur par l'injection de l'antagoniste recombinant de l'IL1-ß (IL1-Ra), une cytokine pro-inflammatoire. Il existe différentes approches à l'analyse des données DTI : par région d'intérêt, par histogrammes, par tractographie et par comparaisons voxel-par-voxel. Principalement, dans ce mémoire, deux méthodes voxel-par-voxel ont été étudiées : "Voxel-Based Analysis" ou VBA et "Tract-Based Spatial Statistics" ou TBSS. VBA compare les populations en calculant une statistique pour chaque point de l'espace. TBSS, développé pour répondre à certaines limitations de VBA, compare les deux groupes en conduisant les tests sur un sous-ensemble des voxels de la matière blanche, le squelette de matière blanche. Ces deux méthodes reposent sur une étape préliminaire majeure : la normalisation spatiale. La normalisation permet de s'assurer, jusqu'à un certain degré, que pour l'ensemble de la population les voxels comparés correspondent à une même région anatomique. Pour ce projet, trois méthodes de normalisation spatiale utilisant chacune un algorithme de recalage différent ont été implémentées : Symmetric Group-Wise Normalization avec l'algorithme Symmetric Normalization (SyN, de la suite Advanced Normalization Tools ou ANTs), la normalisation spatiale non-biaisée du module Diffusion Tensor Toolkit (DTI-TK) et une normalisation spatiale sur base du sujet le plus représentatif de la population avec l'algorithme FMRIB Non-linear Image Registration Tool (FNIRT, de la suite FMRIB Software Library ou FSL). L'analyse automatique des données de diffusion peut donc se faire via différentes combinaisons de normalisation spatiale (ANTs, DTI-TK, FSL) et d'analyse voxel-par-voxel (VBA, TBSS). Il est généralement difficile de déterminer la meilleure combinaison et il n'y a pas de principes établis pour guider ce choix. Ceci est étudié dans l'article « Near equivalence of three automated diffusion tensor analysis pipelines in a neonate rat model of periventricular leukomalacia » où chacune des normalisations spatiales implémentées est testée en combinaison avec VBA et TBSS. L'étude démontre que les résultats sont très cohérents entre les différentes approches mais met en évidence des limitations de VBA et TBSS. Les résultats suggèrent qu'appliquer la normalisation DTI-TK en combinaison avec TBSS permet une analyse plus robuste, du moins pour les ratons et dans le cadre de ce modèle animal. Des modules d'analyse par histogramme et de parcellisation automatique de la matière blanche sous-corticale ont également été implémentés et testés. L'analyse des données de spectroscopie est plus directe, dans le sens où les paramètres de l'analyse sont moins influents sur le résultat. De ce fait, un pipeline unique et opérateur¬indépendant a été implémenté, incorporant le prétraitement des données et la quantification des métabolites à l'aide du Linear Combination Model (LCModel). Ces pipelines DTI/MRS ont été appliqués à l'étude du modèle animal et ont permis de démontrer la sensibilité des technologies de résonance magnétique à ce type de lésion. En effet, l'analyse des données de diffusion ex vivo a souligné une lésion persistante et diffuse de la matière blanche sous-corticale du côté ipsilatéral. En phase aiguë de l'inflammation, les données de diffusion in vivo indiquent une forte diminution de la diffusivité radiale et axiale. La spectroscopie a également permis de mettre en évidence des changements métaboliques avec notamment une réduction de N-acetylaspartate, glutamate, phosphorylethanolamine et une augmentation de lipides et de macromolécules. Le traitement à l'IL1-Ra a permis de modérer les changements observés en DTI et en MRS. En conclusion, différents outils « état-de-l'art » relatifs à l'analyse de données DTI et MRS ont été développés et appliqués avec succès à l'étude d'un modèle animal des lésions de la matière blanche de l'enfant prématuré. Les résultats permettent de considérer la DTI et la MRS comme technologies prometteuses pour la caractérisation et le suivi de ce type de lésion, celles-ci étant sensibles à la lésion en phase aiguë de la réaction inflammatoire ainsi qu'à un stade développemental plus avancé. Cependant, afin de permettre une interprétation solide des changements observés, il est nécessaire de confronter les observations IRM à d'autres méthodes d'imagerie telles que l'immuno-histologie, la microscopie électronique ou encore l'optique par cohérence tomographique.

Abstract

White matter injuries observed in the preterm infant may have heavy consequences on the cognitive, behavioral and social development of the child and it is imperative to act early in order to avoid definitive repercussions. Unfortunately, for now, the efficacy of neuroprotective treatments can only be assessed at an advanced developmental stage when it is already too late to experiment with an alternative treatment. Finding biomarkers that correlate with the neuro¬developmental outcome and allow to assess the efficacy of the treatment at an early stage would be greatly beneficial. Magnetic resonance imaging (MRI) is a prominent technology with potential for establishing quantitative biomarkers. Moreover, its non-invasive nature allows to study this sensitive population without additional risks. This thesis assesses the use of MRI technologies for the study of diffuse white matter injury in an animal model. This animal model reproduces the lesions observed in human preterms by inducing an inflammatory reaction in the neonate rat brain by an injection of lipopolysaccharides (LPS) at postnatal day 3 (P3). The main goal of this project is to develop user-independent and optimal tools for the analysis of magnetic resonance data of the rat pup brain. Specifically, these tools are designed for the analysis of diffusion tensor imaging (DTI) and magnetic resonance spectroscopy (MRS) data. The secondary goal is to apply these tools to the study of the animal model of white matter injury. The data are made up of two different sets. The first one is constituted of DTI data only acquired ex vivo at P24 on two different groups: one sham and one that underwent an LPS injection. The second set of data comprises both DTI and MRS data. Data were acquired in vivo at the acute phase of injury (P4) on three different groups: sham, LPS and a third group that was injected with LPS and received a neuroprotective treatment by administration of the recombinant antagonist of IL1¬ß (IL1-Ra), a pro-inflammatory cytokine. There are several ways to conduct the analysis of DTI data: by region of interest, by histograms, by tractography or by conducting voxelwise comparisons. Primarily, in this thesis, two voxelwise methods were studied: “Voxel-Based Analysis” or VBA and “Tract-Based Spatial Statistics” or TBSS. VBA compares populations by computing a statistic at every voxel of the image. TBSS, which has been developed to alleviate some limitations of VBA, runs the statistical tests on a subset of voxels in the white matter, the white matter skeleton. Both these methods strongly rely on a specific image processing step: the spatial normalization. The normalization ensures, to a certain extent, that the voxels correspond to a same anatomical region across the subjects. Here, three normalization approaches, each using a different registration algorithm, were implemented: Symmetric Group-Wise Normalization using the Symmetric Normalization (SyN) algorithm of the Advanced Normalization Tools (ANTs) toolbox; the unbiased normalization of the Diffusion Tensor Toolkit (DTI-TK); and a normalization based on the population most representative subject using FMRIB Non-linear Image Registration Tool (FNIRT) algorithm of the FMRIB Software Library (FSL). Automatic diffusion data analysis can therefore be performed using combinations of a certain spatial normalization (ANTs, DTI-TK, FSL) and a voxelwise analysis (VBA, TBSS). Determining the best combination is not straight-forward and there are no principled ways to choose one combination over another. This was studied in the submitted paper “Near equivalence of three automated diffusion tensor analysis pipelines in a neonate rat model of periventricular leukomalacia” in which each of the implemented normalization methods were tested in combination with VBA and TBSS. Results demonstrate great coherence among the tested pipelines but also underlines both VBA and TBSS limitations. The study also suggests that, for the rat pup data of this animal model, combining DTI-TK normalization with TBSS might yield a more robust analysis. Other analysis modules implemented for the study of DTI data include analysis by histogram and by automatic parcelling of sub-cortical white matter. Magnetic spectroscopy data analysis does not depend as strongly to the processing pipeline as diffusion data. Therefore, a unique and user-independent pipeline was implemented. This pipeline incorporates data preprocessing operations and automatic metabolites quantification using the Linear Combination Model (LCModel). These pipelines were applied to the study of the animal model and the results demonstrated that magnetic resonance technologies are sensitive to these injuries. The ex vivo diffusion data exhibited a persistent and diffuse injury of the sub-cortical white matter on the ipsilateral side. At the acute phase, the in vivo diffusion data showed a strong decrease of axial and radial diffusivities. The spectroscopy data also underlined metabolic perturbations with essentially a decrease of N-acetylaspartate, glutamate, phosphorylethanolamine and an increase of lipids and macromolecules. The IL1-Ra neuroprotective treatment seemed effective and moderated the amplitude of these changes in both DTI and MRS. In conclusion, various state-of-the-art analysis tools for DTI and MRS data were developed and successfully applied to the study of an animal model of diffuse white matter injury of the preterm baby. Results indicate that DTI and MRS are potential tools for the characterisation and monitoring of this pathology, these being sensitive to the injury in the acute and chronic stages. However, in order to further strengthen the interpretation of these results, it is necessary that these be supported by other imaging technologies such as immuno-histology, electronic microscopy or optical coherence tomography.