La Fondation physique de l'imagerie par résonance magnétique

L'imagerie par résonance magnétique (IRM) est depuis longtemps la pierre angulaire du diagnostic médical, offrant des images à haute résolution et non invasives des tissus mous. À son cœur, l'IRM exploite la propriété mécanique quantique du spin possédé par les noyaux d'hydrogène (protons) dans l'eau et les graisses. Lorsqu'ils sont placés dans un champ magnétique statique fort, ces spins s'alignent et précèdent à la fréquence de Larmor, proportionnelle à la résistance du champ. Une impulsion radiofréquence (RF) adaptée à cette fréquence permet d'orienter la magnétisation du spin vers le plan transversal.

Malgré sa puissance, l'IRM conventionnelle est largement qualitative.Le contraste d'image dépend des paramètres de balayage (temps de répétition TR, temps d'écho TE, angle de bascule), qui sont choisis pour mettre en évidence les différences de densité de T1, T2 ou de proton (PD).Les images résultantes contiennent des intensités de signal relatives qui ne sont pas reproductibles à travers les scanners, les sites ou le temps. Un faible signal T1 dans un scan peut apparaître élevé dans un autre en raison de différences dans la charge de bobine, les paramètres de gain ou les paramètres de séquence.

Limites de l'IRM qualitative

Les radiologistes se fient à la reconnaissance des patrons et à l'interprétation subjective des différences de contraste.Les changements subtils de la maladie – tels que l'œdème, l'inflammation ou la fibrose précoce – peuvent être omis si le contraste n'est pas optimisé. De plus, la variabilité inter-observeurs est un problème connu. Des approches quantitatives ont été développées (carte T1, cartographie T2, imagerie par tensorisation de diffusion), mais la plupart nécessitent plusieurs acquisitions distinctes, prolongeant le temps de balayage et introduisant des artefacts de mouvement.

Qu'est-ce que l'empreinte digitale de résonance magnétique?

La résonance magnétique est l'empreinte digitale, décrite par Ma et al. en 2013 (Nature, 2013), réimagine l'IRM comme un problème de reconnaissance de motifs plutôt qu'un problème de formation d'images. Au lieu de produire des images avec un contraste fixe, MRF génère une évolution temporelle unique — une empreinte digitale — pour chaque voxel en appliquant une séquence variable d'impulsions RF, d'angles de retournement et de moments de gradient. Cette acquisition de pseudorandom fait suivre une trajectoire complexe et dépendante des tissus qui code simultanément plusieurs propriétés intrinsèques (T1, T2, PD, hors résonance, et parfois autres). L'évolution mesurée du signal est ensuite comparée à un grand dictionnaire précomputé de signaux généré par un modèle d'équation physique Bloch. L'entrée de dictionnaire la mieux adaptée donne les valeurs quantitatives de propriété pour ce voxel. Le résultat est un ensemble de cartes paramétriques qui sont intrinsèquement co-enregistrées, intrinsèquement quantitatives, et acquises dans une fraction du temps nécessaire pour la cartographie multiparamétrique conventionnelle.

Le nom « impression » reflète l'idée que l'évolution du signal est aussi unique qu'une empreinte digitale humaine : les différents tissus (p. ex., matière grise, matière blanche, fluide céphalo-rachidien) produisent des motifs temporels distincts qui peuvent être reconnus et classifiés.

Conception de séquence d'impulsions à entraînement physique

Le cœur du MRF réside dans la physique de la dynamique de spin. L'acquisition utilise une séquence de pulsations RF variables (angles de glissement de près de zéro à 180 degrés) avec des temps de répétition variables (TR) et des ordres de codage de gradient. Cette irrégularité délibérée assure que l'aimantisation n'atteint jamais l'état stable, ce qui fait que l'évolution du signal dépend de façon non linéaire des paramètres du tissu sous-jacent. Par exemple, dans l'implémentation initiale du MRF, une trajectoire en spiral de l'espace k a été utilisée avec un motif de 500 points de temps ou plus, chacun avec un angle de retournement différent et TR. La séquence spécifique est conçue pour maximiser la sensibilité du signal aux variations de T1, T2 et de la résonance hors tension, tout en étant robuste aux imperfections du système comme les inhomogènes B0 et B1.

Les équations Bloch – les équations différentielles fondamentales décrivant l'aimantation nucléaire dans un champ magnétique – sont utilisées pour simuler l'évolution du signal pour chaque combinaison possible de paramètres. Ce dictionnaire peut contenir des millions d'entrées. Le modèle physique intègre des effets tels que les formes de pulsations RF, la relaxation, la diffusion et même le flux sanguin si la perfusion est souhaitée. En s'assurant que l'acquisition et la simulation partagent les mêmes étapes de temps, le dictionnaire peut prédire le signal exact qui serait observé pour un voxel donné dans des conditions idéales. Le processus de couplage peut être effectué en utilisant des combinaisons de modèles (croix-corrélation) ou des méthodes plus avancées comme la décomposition de valeurs singulières (SVD) pour réduire la taille du dictionnaire.

Encodage simultané multiparamètres

Comme l'empreinte digitale intègre T1, T2 et PD dans une seule évolution, MRF peut produire les trois cartes d'une seule acquisition. C'est un avantage majeur par rapport à la cartographie quantitative conventionnelle, qui nécessite généralement des séquences distinctes pour chaque paramètre (p. ex., récupération d'inversion pour T1, écho de spin multi-écho pour T2). Des paramètres supplémentaires tels que la carte de champ B0, le champ de transmission B1+ et même la perfusion ou la diffusion peuvent être incorporés en étendant la dimension de séquence d'impulsions et de dictionnaire.

Comment le MRF quantifie les propriétés tissulaires

Après l'acquisition, les données brutes de l'espace k sont reconstruites en une série temporelle d'images utilisant une fenêtre coulissante ou une reconstruction de détection comprimée (due à des données sous-échantillonnées). Chaque voxel a maintenant une série chronologique de valeurs de signal, généralement de 100 à 1000 points de temps. Ce signal mesuré est normalisé et comparé à chaque entrée dans le dictionnaire. La correspondance est habituellement évaluée par le produit à points ou le coefficient de corrélation. L'entrée du dictionnaire avec la corrélation la plus élevée fournit les valeurs quantitatives T1, T2 et PD pour ce voxel.

Comme le dictionnaire est généré à partir de simulations de physique, les valeurs sont absolues et reproductibles. Par exemple, T1 de matière blanche saine à 3T est d'environ 1000–1100 ms, T2 d'environ 60–70 ms. Une tumeur avec T1 et T2 prolongée déplacera l'empreinte digitale en conséquence. Les cartes paramétriques sont ensuite affichées comme images de couleur ou d'échelle de gris, permettant aux cliniciens de voir la distribution spatiale de chaque propriété.

Les études ont montré que le MRF peut différencier entre le tissu cérébral normal et les lésions en sclérose en plaques, entre les grades tumoraux en gliomas, et entre le myocarde sain et fibrotique en imagerie cardiaque. Parce que les valeurs sont absolues, elles peuvent être comparées entre les patients et le temps, facilitant la surveillance de la maladie et l'évaluation de la réponse au traitement.

Exemple de correspondance d'empreinte digitale

Considérez un voxel contenant un liquide cérébrospinal pur (CSF). Le LCR a une très longue T1 (~3000-4000 ms à 3T) et une longue T2 (~2000 ms). L'évolution du signal sous la séquence MRF montrera une lente récupération après chaque impulsion d'inversion, et le patron des pics et des creux sera distinct de celui de la matière grise (T1, T2 plus courte). Le dictionnaire contient une entrée simulée pour les valeurs exactes T1/T2. L'algorithme correspondant trouve la correspondance la plus proche, et les cartes paramétriques résultantes montrent des valeurs quantitatives appropriées. Ce processus est répété pour chaque voxel dans le volume d'imagerie, générant des cartes complètes en minutes.

Applications et avantages cliniques

Imagerie cérébrale

La MRF a été étudiée en neuroimagerie. Elle peut générer des cartes T1, T2 et PD de tout le cerveau en moins d'une minute, avec une résolution de sous-millimètres.

  • Sclérose en plaques:[ Les lésions montrent des valeurs T1 et T2 élevées par rapport à la matière blanche normale.
  • Tumeurs de drainage: Le glioblastome multiforme montre souvent des T1 et T2 prolongés, tandis que les gliomes de faible qualité peuvent avoir des signatures différentes.
  • Maladies neurodégénératives: Les changements dans les noyaux de T1 et T2 de la matière grise profonde peuvent être en corrélation avec le déclin cognitif de la maladie d'Alzheimer.

Imagerie cardiaque

Dans le coeur, les MRF sont des marqueurs de fibrose, d'œdème et de surcharge en fer. L'IRM cardiaque classique nécessite de longues prises de respiration et de multiples acquisitions. Le MRF peut cartographier le myocarde en une seule prise de respiration (environ 15 à 20 battements de coeur), fournissant simultanément des cartes T1 et T2. Ceci est particulièrement utile pour détecter la myocardite aiguë (T1 et T2) et l'infarctus chronique (T1, T2 normal).

Imagerie abdominale et pelvienne

La détection du cancer de la prostate peut bénéficier de cartes de texture du MRF qui distinguent la tumeur du tissu bénin. Le MRF a été appliqué à 3T et 1,5T, et des efforts sont en cours pour normaliser les protocoles entre les fournisseurs.

Le principal avantage de la MRF dans toutes les applications est la reproductibilité. Comme la sortie de séquence est indépendante des paramètres de l'opérateur et de la variation quotidienne du scanner, la MRF permet de véritables essais cliniques multicentriques et la surveillance longitudinale des patients.

Défis et limites

Malgré sa promesse, le MRF fait face à plusieurs obstacles : le dictionnaire peut devenir énorme en incluant plusieurs paramètres (par exemple, T1, T2, PD, B0, B1). Un dictionnaire 5D naïf avec 100 valeurs chacune contiendrait 10^10 entrées, ce qui est calculable inextricable. Des implémentations pratiques réduisent la dimensionnalité en utilisant la sparsité (par exemple, un seul sous-ensemble de combinaisons est physiologiquement plausible) ou en utilisant des approximations bas rang comme le SVD. La reconstruction de la détection comprimée et l'imagerie parallèle accélèrent encore plus l'acquisition.

Si le dictionnaire ne tient pas compte des non-idéalités du système (par exemple, courants de riddy, non-linéarités de gradient, imperfections de l'impulsion RF), l'appariement peut donner des estimations biaisées. Des calibrations spécifiques aux fournisseurs et une optimisation des séquences sont nécessaires. De plus, l'algorithme correspondant est sensible au bruit; à un très faible rapport signal-bruit (SNR), les empreintes digitales deviennent ambiguës.

Bien que la normalisation demeure un domaine actif, les valeurs exactes obtenues peuvent varier selon la conception des séquences (p. ex. nombre de points de temps, modèles d'angle de retournement). Il existe des différences entre les vendors, mais les initiatives consensuelles comme l'Alliance des biomarqueurs d'imagerie quantitative (AQBA) s'efforcent de normaliser les protocoles de la FRM.

Orientations futures

L'apprentissage profond a commencé à remplacer l'étape de correspondance du dictionnaire par un réseau neuronal qui prédit directement les propriétés des tissus à partir de l'évolution du signal, ce qui réduit le temps de calcul de minutes à millisecondes et peut intégrer des connaissances antérieures. Une autre direction est « la détection compressée de MRF », où des facteurs d'échantillonnage inférieurs de 20 à 50 sont obtenus à l'aide de précédents de sparcité.

On étudie des extensions multiparamétriques : le MRF avec codage de diffusion (D-MRF) peut simultanément cartographier T1, T2 et le coefficient de diffusion apparent (ADC). Le transfert de saturation d'échange chimique (CEST) peut être intégré pour mesurer les concentrations de pH ou de métabolite. Le MRF pour la cartographie quantitative de sensibilité (QSM) est également à l'étude.

Au niveau matériel, l'IRM 7T ultra-haute offre une résolution et un SNR plus élevés, mais aussi une inhomogénéité B1 plus sévère. La robustesse inhérente à l'inhomogénéité B1 (par l'estimation des paramètres) en fait un candidat idéal pour les applications 7T. Le MRF corps entier (Feiweier et al., 2020) démontre la faisabilité du dépistage multi-organes en une seule session.

Conclusion

En tirant parti des principes de la physique de la résonance magnétique pour créer des empreintes digitales uniques, le MRF propose simultanément des cartes T1, T2 et PD en une seule acquisition. La technique réduit la subjectivité, améliore la reproductibilité et permet de nouvelles perspectives cliniques en neurologie, cardiologie, oncologie et au-delà. Bien que des défis subsistent dans la taille, le mouvement et la normalisation des dictionnaires, les progrès en cours dans les algorithmes de reconstruction, l'apprentissage machine et la conception de séquences de pulsations promettent de faire du MRF un outil standard dans l'arsenal du radiologue. Pour ceux qui s'intéressent aux détails techniques, l'article original de Ma et al. (2013) et les revues subséquentes fournissent une connaissance approfondie de la physique et de l'ingénierie du MRF (Panda et al., Radiologie 2021].