[DECRYPTAGE] Simulation numérique d’IRM de flux 4D

L’IRM de flux 4D, un outil de choix pour améliorer la prise en charge des patients

Historiquement réservée à l’étude morphologique, les progrès technologiques réalisés ces dernières décennies ont permis d’adapter l’Imagerie par Résonance Magnétique (IRM) à l’exploration des flux sanguins grâce à l’IRM à contraste de phase 3D (ou IRM de flux 4D) [1]. En donnant accès à l’évolution temporelle du champ de vitesse dans les trois directions de l’espace en plus de la morphologie du secteur artériel d’intérêt, elle constitue un outil de choix en pratique clinique pour la prise en charge et le suivi de patients atteints de pathologies en lien avec l’hémodynamique (anévrismes, sténoses, dissection, cardiopathies congénitales ou valvulaires). Outre la simplicité́ d’analyse des données, elle offre la possibilité d’estimer de nouveaux biomarqueurs dérivés du champ de vitesse et jusqu’alors inaccessible grâce aux techniques d’imagerie classiques, tels que les contraintes de cisaillement pariétales [2], la pression statique [3], ou encore le temps de séjour. 

Limitations et contraintes technologiques
Malgré l’intérêt que suscite cette modalité, certaines contraintes technologiques (temps d’acquisition, dépendance aux vitesses d’encodage) limitent encore son utilisation en routine clinique. De plus, les complexités intrinsèques au processus d’acquisition ainsi que les nombreux paramètres d’acquisitions utilisateurs-dépendants, font qu’il est en général difficile d’identifier les sources d’erreurs de mesures. Des compromis tels que la diminution de la résolution spatiotemporelle ou l’utilisation de l’imagerie parallèle permettent de réduire le temps d’acquisition, au détriment de la précision des mesures. Il semble donc primordial de quantifier et caractériser ces erreurs de mesures afin d’éviter de possibles erreurs de diagnostic et ainsi ouvrir l’accès à l’IRM de flux 4D en pratique clinique.
La simulation d’IRM pour optimiser les séquences et caractériser les erreurs de mesures

Dans ce cadre, un moyen de caractériser ces distorsions d’images consiste à simuler numériquement le processus d’acquisition en IRM. La dynamique de l’aimantation nucléaire décrite par les équations de Bloch [4] est au centre de l’acquisition en IRM et constitue le phénomène physique responsable du contraste sur une image en IRM. Avec de telles simulations, il est alors possible reconstruire une image synthétique exempte de toute erreur expérimentale propre à la mesure IRM. Ainsi, en comparant des images acquises expérimentalement aux images synthétiques compatibles obtenues par résolution des équations de Bloch, les erreurs relatives à la technique d’imagerie (séquence, reconstruction) peuvent être séparées des erreurs d’ordre expérimental (défaillance des antennes, non linéarité des champs magnétiques, bruit). Un intérêt majeur est également de pouvoir utiliser la simulation pour optimiser les paramètres d’acquisition des séquences en question.

Néanmoins, simuler des séquences de flux 4D constitue un défi de taille car cela nécessite de modéliser la dynamique des particules, augmentant considérablement le coût des calculs. Ainsi, afin de prendre en compte le déplacement du fluide dans les simulations, la résolution des équations de Bloch peut être couplé avec la Mécanique des fluides numérique (MFN). Les deux phénomènes mettant en jeu des échelles de temps physique très variées, il est néanmoins complexe de simuler efficacement une telle configuration. De plus, simuler des séquences de flux 4D durant plusieurs minutes peut induire des coûts de calculs prohibitifs.

Objectifs de travail

Ce travail présente une nouvelle approche de simulation d’IRM de flux 4D dans des conditions d’écoulement réaliste. Pour ce faire, les équations de Bloch sont avancées numériquement sur des traceurs Lagrangiens transportés par un champ d’écoulement résolu simultanément [5]. Afin de réduire le temps de calcul, une solution semi-analytique des équations de Bloch ainsi qu’une stratégie d’ensemencement périodique de particules sont introduites. Après avoir validé chaque étape élémentaire du processus de simulation, le gain associé à cette formulation est évalué. Enfin, un banc d’essai bien contrôlé délivrant un écoulement pulsé typique des écoulements aortiques au sein d’un fantôme rigide est conçu [6]. Plusieurs acquisitions d’IRM de flux 4D sont effectuées et comparées avec les simulations IRM compatibles. Comme la rhéologie du fluide et la morphologie du fantôme sont bien connues, les sources d’incertitudes classiques rencontrées in-vivo telles que les erreurs de segmentation, le mouvement des parois, ou les propriétés du sang sont supprimées. Ceci permet ainsi de s’affranchir des erreurs dues au patient et d’isoler les erreurs induites par le processus IRM.

Résultats et discussions
L’évaluation des performances montrent que la méthode de résolution semi-analytique proposée permet de réduire d’un facteur 5 le temps de calcul, pour une erreur résiduelle constante. De même, l’ensemencement périodique des particules garantit une répartition homogène des particules pendant toute la durée du calcul, avec moins de 0.05% des cellules ayant une densité de particules supérieure à 5. L’analyse des erreurs de vitesses et accélérations dans la configuration d’écoulement in-vitro suggère que les principales distorsions sont liées à la présence d’artéfacts de déplacement de vitesse [7]. Bien qu’une preuve de concept de la méthodologie soit présentée dans ce document, certains effets physiques (non linéarité des gradients, déplacement chimique ou susceptibilité magnétique) restent à prendre en compte dans la simulation afin d’établir une caractérisation plus détaillée des erreurs. De plus, la simulation de des séquences cliniques plus complexes devrait permettre d’évacuer certaines erreurs induites par la séquence idéalisée. Néanmoins, à ce stade, la versatilité de l’outil développé permet de simuler une multitude de séquences morphologiques et de flux.

Références

  1. Michael Markl, Frandics P. Chan, Marcus T. Alley, Kris L. Wedding, Mary T. Draney, Chris J. Elkins, David W. Parker, Ryan Wicker, Charles A. Taylor, Robert J. Herfkens, and Norbert J. Pelc. Time resolved three dimensional phase contrast MRI. Journal of Magnetic Resonance Imaging, 18(3):396–396, 2003.

  2. Wouter V. Potters, Pim Ooij, Henk Marquering, Ed vanBavel, and Aart J. Nederveen. Volumetric arterial wall shear stress calculation based on cine phase contrast MRI. Journal of Magnetic Resonance Imaging, 41(2):505–516, 2015. 

  3. Pablo Lamata, Alex Pitcher, Sebastian Krittian, David Nordsletten, Malenka M. Bissell, Thomas Cassar, Alex J. Barker, Michael Markl, Stefan Neubauer, and Nicolas P. Smith. Aortic relative pressure components derived from four-dimensional flow cardiovascular magnetic resonance. Magnetic Resonance in Medicine., 72(4):1162–1169, March 2014.

  4. Bloch F. Nuclear Induction. Physical Review. 1946; 70:460–474.

  5. YALES2BIO. https://imag.umontpellier.fr/~yales2bio/

  6. Puiseux T, Sewonu A, Meyrignac O, et al. Reconciling PC-MRI and CFD: an in-vitro study. NMR in Biomedicine. 2019;e4063.

  7. Steinman DA, Ethier CR, Rutt BK. Combined analysis of spatial and velocity displacement artifacts in phase contrast measurements of complex flows. J Magn Reson Imaging. 1997 Mar-Apr;7(2):339-46.

Partagez cet article

Share on Facebook
Share on Linkdin

Et si on échangeait ?

Vous êtes praticien ?

Restez informé grâce à notre programme relationnel gratuit pour les professionnels du rayonnement.

Vous voulez devenir partenaire ?

Distribution, R&D, tests cliniques…
Contactez-nous !