Development of in-Vivo Histology with Quantitative Magnetic Resonance Imaging to Resolve Fine Neurodegenerative Features

La sclérose en plaques (SEP) est une maladie dévastatrice qui touche 2 à 3 millions de personnes dans le monde. La SEP se caractérise par la formation d'inflammations ou de plaques, qui endommagent la gaine de myéline, un composant clé des cellules neuronales. Ces dommages perturbent la capacité des régions du cerveau et de la moelle épinière à communiquer entre elles, ce qui entraîne des déficits fonctionnels tels que la paralysie et la douleur chronique, affectant les activités sociales et professionnelles des patients atteints de SEP. Alors que l'imagerie par résonance magnétique (IRM) a été le principal outil de diagnostic et d'étude de la progression de la SEP, l'IRM actuellement utilisé en cliniques ne peut pas mesurer le contenu en myéline ou l'intégrité des neurones. Des méthodes avancées d'IRM quantitative (IRMq) nous permettent de caractériser plus précisément les tissus microstructuraux. Par exemple, "l'IRM de diffusion" permet d'étudier la perte ou les dommages subis par les axones, tandis que "l'IRM de transfert de magnétisation" (MT) permet d'étudier la perte de myéline. Toutefois, lorsque chacune de ces techniques est utilisée séparément, elles sont souvent entravées par une faible spécificité. L'IRMq montre toute sa puissance lorsque plusieurs de ces techniques sont combinées pour examiner et caractériser le même tissu. Au cours de ma maîtrise, j'ai proposé une méthode permettant de combiner plusieurs méthodes d'IRM afin de gagner en spécificité dans l'estimation de la myéline et j'ai démontré le potentiel de cette approche chez les patients atteints de SEP. Bien que ces travaux passés fussent prometteurs, ils avaient plusieurs limites : 1) Ils ne comprenaient que des mesures quantitatives dans la matière grise corticale dont les caractéristiques neurodégénératives sont différentes de celles de la matière blanche. 2) La méthode n'était pas applicable en clinique car elle nécessitait des scanners IRM de pointe (7 teslas), de longues acquisitions (~2 h) et un post-traitement complexe. 3) Enfin, l'étude a été entravée par l'absence d'un étalon : nous n'avons pu obtenir que des mesures relatives, et non absolues, de la teneur en myéline. L'objectif de ce projet de doctorat était de s'attaquer à ces limites et, plus généralement, d'étudier le potentiel de l'IRMq pour caractériser les mécanismes neurodégénératifs du système nerveux central. Pour ce faire, j'ai mis au point des méthodes permettant de combiner et plusieurs séquences d'IRMq dans un contexte académique et dans un contexte clinique axés sur la SEP. Ensuite, j'ai validé la précision des biomarqueurs quantitatifs dans des conditions cliniques réelles. Finalement, j'ai développé un protocole basé sur la microscopie optique pour valider la précision des biomarqueurs IRMq proposés. Plus précisément, la question générale de recherche de ce projet était "Quel est le potentiel de l'IRM quantitative multimodale pour étudier les mécanismes neurodégénératifs subtils de la SEP, dans un contexte de recherche et clinique. Et quels sont les défis pour passer de l'IRM quantitative multimodale à l'histologie in-vivo ?” La première contribution de ce projet est le développement d'un cadre algorithmique permettant de combiner plusieurs techniques d'IRMq de pointe afin de détecter des caractéristiques pathologiques subtiles chez des patients récemment atteints de SEP. J'ai combiné les cartographies haute résolution (7 teslas) T1 et T2* afin d'estimer un marqueur de myélinisation corticale (CME). En plus de ces mesures de relaxométrie dans le cortex, j'ai traité, sur la même cohorte de sujets, les données d'IRM de diffusion à haute résolution angulaire d'un scanner Connectome (300 mT/m) et modélisé la tractographie de la matière blanche afin de calculer des métriques de connectivité neuronale issues de la théorie des graphs. Cette étude a permis de découvrir une nouvelle association entre la pathologie corticale et la réorganisation du réseau cérébral à un stade précoce de la SEP. Plus précisément, des co-variations significatives entre l'estimation de la myéline et les mesures de connectivité dans matière blanche ont été observées : Les coefficients de corrélation Rho de Spearman étaient de 0,52 (p=0,0003), 0,55 (p=0,0001) et 0,53 (p=0,0001) pour l'intensité de connexion, l'efficacité locale et le regroupement neuronal, respectivement. Ce travail a été publié dans la revue Human Brain Mapping (Gabriel Mangeat et al., 2018) et j'ai ensuite été invité à la conférence ARSEP 2019 à Paris (Fondation pour l'aide à la recherche sur la sclérose en plaques) pour présenter ces résultats. La deuxième contribution de ce projet est le développement d'une approche d'apprentissage machine capable de distinguer deux maladies neurodégénératives radiologiquement similaires : la SEP et la leucoencéphalopathie héréditaire. La leucoencéphalopathie héréditaire est une maladie rare par rapport à la SEP et est souvent diagnostiquée à tort comme une SEP. Cette situation est très problématique car le pronostic et le traitement de la SEP et de la HDLS diffèrent largement. Mon modèle est basé sur une nouvelle technique d'IRMq, appelée IRM synthétique (SyMRI) qui a récemment été certifiée (marquage CE) pour un usage clinique en Suède. J'ai démontré que combinaison des outils cliniques d'IRMq et de l'apprentissage machine est pertinente pour faciliter le difficile diagnostic différentiel de la HDLS par rapport à la SEP. Le modèle développé atteint une classification 100% correcte des données brutes, en validation croisée. Lorsque le bruit d'incertitude maximum a été inséré dans le modèle, le taux de vrais positifs de leucoencéphalopathie héréditaire était de 97,2%, tandis que le taux de vrais positif de SEP était de 99,6%. Ce travail a été publié dans le Journal of Neuroimaging (Gabriel Mangeat et al., 2020). La troisième contribution de ce projet est l'évaluation de la répétabilité et la reproductibilité des biomarqueurs utilisés dans l'étude précédente. Au cours d'un stage de recherche à Stockholm, en Suède, j'ai recruté 5 sujets témoins sains et effectué plus de 165 acquisitions avec le protocole SyMRI, en utilisant 9 IRM différentes provenant de 3 fournisseurs (Siemens, GE et Phillips) et 2 puissances de champ (1,5 teslas et 3 teslas). Les cartes quantitatives de densité de protons (PD), T1, T2 et d'estimation rapide de myéline (REMyDI) ont été extraites et moyennées dans la matière grise et blanche du cerveau. Nous avons constaté que le coefficient de variation intra-scanner variait de 0,10 % pour PD à 1,97 % pour T1 dans la matière blanche et de 0,10 % pour PD à 3,38 % pour la REMyDI dans la matière grise. Les coefficients de variation inter-scanner étaient plus grands, allant de 1,60% et 1,08% pour PD dans la matière blanche et grise respectivement à 4,84% et 20,2% pour REMyDI dans matière blanche et grise respectivement. Ce travail permet aux cliniciens d'évaluer la possibilité de comparer les images et les biomarqueurs provenant de différents scanners. Par exemple, il montre que les algorithmes aidant au diagnostic différentiel de la leucoencéphalopathie héréditaire par rapport à la SEP peuvent être, sous certaines mesures, utilisés à partir de données multicentriques. Ce travail a été soumis dans la revue Neuroimage. Enfin, la quatrième contribution de ce projet est le développement d'un protocole basé sur l'histologie pour calibrer des techniques d'IRMq avec un biais minimum. Pour cela, j'ai étudié trois techniques d'histologie notables, dont deux techniques sans marqueurs : la microscopie CARS (Raman Scattering Coherent Anti-Stokes) et l'auto-fluorescence hyperspectrale, et une technique utilisant des marqueurs fluorescents. En outre, j'ai proposé et testé un protocole impliquant l'imagerie IRMq in-vivo et ex-vivo de la moelle épinière d'un cochon, suivie d'une extraction de tissus et d'une étude histologique. Une partie de cette étude a été publiée dans la conférence internationale ISMRM 2019 (G. Mangeat et al., 2019). Les résultats montrent que l'histologie d'auto-fluorescence hyperspectrale corrèle avec MTR, MTsat et qT1 (r = 0,64, 0,62 et 0,51 respectivement). Mon expérience avec des protocoles d'histologie m'a amené à collaborer avec des collègues travaillant sur d'autres études de validation d'IRMq via l'histologie. Par exemple, j'ai contribué à une étude visant à valider l'estimation rapide de la myéline REMyDI, dérivée du protocole SyMRI. Cette étude a été publiée dans la revue Annals of Neurology (Ouellette et al., 2020). L'impact de ce projet de Ph.D. est triple : pour les chercheurs en SEP, l'étude de l'interaction entre les mesures de la matière grise et blanche peut conduire à l'élaboration de biomarqueurs sensibles aux altérations précoces de la SEP dans le cerveau ; pour les médecins, les outils informatiques cliniques basés sur l'IRMq peuvent être utiles pour faciliter les diagnostics différentiels difficiles (par exemple leucoencéphalopathie héréditaire vs SEP), ce qui permet d'économiser du temps et des ressources, et pour les patients, un diagnostic plus précis et plus précoce pourrait être réalisé, ce qui ouvrirait la porte à des traitements plus personnalisés et plus efficaces.

Abstract

Multiple Sclerosis (MS) is a devastating disease affecting 2-3 millions people in the world. MS is characterized by the formation of inflammations or plaques, damaging the myelin sheath, a key component of neuronal cells. This damage disrupts the ability of regions in the brain and spinal cord to communicate with each other, resulting in functional deficits such as paralysis and chronic pain, affecting the social and professional activities of MS patients. While Magnetic Resonance Imaging (MRI) has been the main tool for diagnosing and studying MS progression, MRI currently used in clinics cannot provide reliable measures of myelin content or neuronal health. Advanced quantitative MRI (qMRI) methods enable us to go deeper into the characterization of tissue microstructure. For example, “diffusion MRI” can probe axonal loss while “magnetization transfer” (MT) can probe myelin loss. However, this is not enough: when each of these techniques is used separately, they only provide minimum added information and are hampered by poor specificity. qMRI exhibits its full power when several of these techniques are combined to look at the same tissue. During my master's, I proposed a method to combine several MRI methods to gain specificity in myelin estimation and demonstrated the potential of this approach in MS patients. While this past work showed promises, it had several limitations: 1) It only included quantitative measurements in the cortical grey matter (GM) in which the neurodegenerative features are different than in the white matter (WM). 2) The method was not applicable in clinics since it required state-of-the-art MRI scanners (7 tesla), long scanning procedures (~2 h) and complex post processing. 3) Finally, the study was hampered by the absence of a gold standard: we could only get relative, not absolute, measures of myelin content. The objective of this PhD project was to tackle those limitations and more generally to investigate the potential of qMRI to characterize neurodegenerative mechanisms in the central nervous system. This was achieved by 1) developing methods to combine and analyze multimodal quantitative MRI in research and 2) clinical setups focused on MS, 3) validating the precision of the quantitative biomarkers in clinical conditions and 4) developing a microscopy-based protocol to validate the accuracy of the proposed qMRI biomarkers. More specifically, the general research question of the project was “What is the potential of multimodal quantitative MRI to decipher subtle neurodegenerative mechanisms of MS, in a research and clinical setups. And what does it take to bring multimodal quantitative MRI to in-vivo histology?”. For the first contribution, I developed a framework that combines several qMRI techniques to detect subtle pathological features in early MS patients. I combined high resolution 7 tesla T1 and T2* mapping in order to extract a marker of cortical myelination (CME). In addition to these relaxometry measures in the cortex, I processed, on the same cohort of subjects, the high angular resolution diffusion MRI data of a Connectome scanner (300 mT/m), computed the white matter tractography and extracted several brain connectivity metrics from the graph theory. This study enabled us to discover a new association between cortical pathology and brain network reorganization at an early stage of MS. More specifically, significant co-variations between myelin estimation and white matter connectivity metrics were observed: Spearman's Rho correlation coefficients were 0.52 (p=0.0003), 0.55 (p=0.0001), and 0.53 (p=0.0001) for strength, local efficiency, and clustering, respectively. This work was published in the journal Human Brain Mapping (Gabriel Mangeat et al., 2018) and I was later invited to the ARSEP 2019 conference in Paris (equivalent of French MS society) to present these findings. For the second contribution, I developed a machine learning approach capable of distinguishing two radiologically similar neurodegenerative conditions: MS and HDLS (Hereditary Diffuse Leukodystrophy with Spheroids). HDLS is a rare disorder compared to MS, which is often misdiagnosed as MS. This is highly problematic since the prognosis and treatment of MS and HDLS largely differ. My model was based on a new qMRI technique, called Synthetic MRI, which had recently been approved (CE-marked) for clinical use in Sweden. Combining clinical qMRI tools and machine learning prove to be relevant in aiding the challenging differential diagnosis of HDLS versus MS. The model gave a 100% correct classification of the raw cross-validation data. When the maximum uncertainty noise was inserted in the model, the true positive rate of HDLS was 97.2%, while the true positive rate of MS was 99.6%. This work was published in the Journal of Neuroimaging (Gabriel Mangeat et al., 2020). The third contribution was to assess the repeatability and reproducibility of the synthetic MRI biomarkers used in the HDLS vs. MS study. During a research internship in Stockholm, Sweden, I recruited 5 healthy controls and performed about 165 acquisitions with the Synthetic MRI protocol, using 9 different MRI from 3 vendors (Siemens, GE and Phillips) and 2 field strengths (1.5 tesla and 3 tesla). The quantitative proton density (PD), T1, T2 and Rapid Estimation of Myelin (REMyDI) maps were extracted and averaged across the WM and GM. Results showed that intra-scanner coefficient of variation ranged from 0.10% for PD to 1.97% for T1 in the WM and 0.10% for PD to 3.38% for REMyDI in the GM. The inter-scanner coefficients of variations were larger, from 1.60% and 1.08% for PD in the WM and GM respectively to 4.84% and 20.2% for REMyDI in the WM and GM respectively. This work enables clinicians to assess the possibility to compare quantitative images and biomarkers acquired from different scanners. For example, it shows that the algorithms aiding the differential diagnosis of HDLS versus MS can be applied to multicentric data under certain conditions. This work has been submitted in the journal Neuroimage. The fourth and last contribution focused on the development of a histology-based protocol to calibrate qMRI techniques with minimum bias. For this, I have investigated three histology techniques of interest: two stain-free techniques: Coherent Anti-Stokes Raman Scattering (CARS) microscopy and hyperspectral auto-fluorescence, and one technique using fluorescent markers. In addition, I have proposed and tested a protocol involving in-vivo and ex-vivo qMRI imaging of a pig spinal cord, followed by tissues extraction and histology. A part of this study was published in the international conference ISMRM 2019 (G. Mangeat et al., 2019). I reported that hyperspectral auto-fluorescence histology correlates with MTR, MTsat and qT1 with r = 0.64, 0.62 and 0.51 respectively. My experience with histology protocols led me to collaborate with colleagues working on other histology validation studies. For example, I have contributed to a study aiming to validate the myelin estimation REMyDI, derived from SyMRI. This study was published in the journal Annals of Neurology (Ouellette et al., 2020). The impact of this project is threefold: for researchers, investigating the interplay between WM and GM metrics can lead to sensitive and early biomarkers of MS alterations in the brain; for doctors, clinical qMRI based tools may be helpful in aiding challenging differential diagnoses, (e.g. HDLS vs MS) saving time and resources, and for patients, a more accurate and earlier diagnosis could be achieved, resulting in more personalized and effective treatments.