Analyse multiphysiques fondée sur l'imagerie pour la compréhension du développement cérébral des prématurés – MAIA

Le projet MAIA a pour objectif de développer des solutions innovantes et robustes pour l'analyse de signaux / images du cerveau prématuré, dans le but de concevoir des outils efficaces pour améliorer notre compréhension du développement neurologique.
Le premier défi est lié à la taille et à la quantité de données. Cela implique de développer des approches automatiques qui peuvent tirer parti des ressources informatiques et s'appuyer sur des cadres algorithmiques adéquats.
En réponse à ce défi, l’approche envisagée est d'améliorer considérablement le traitement des données morphologiques de base comme l'amélioration de l'image, la super-résolution et la segmentation cérébrale, afin de fournir des outils robustes d'analyse morphométrique, menant à une amélioration des connaissances sur la croissance cérébrale in vivo précoce.
Le deuxième défi concerne le signal et les images provenant de différents phénomènes physiques (magnétiques, électriques, optiques). Des mesures fonctionnelles fiables du cerveau associées à une localisation précise sont nécessaires pour la cartographie du cerveau néonatal. Notre approche se focalise sur l'optimisation de l'acquisition et de l'analyse des données fonctionnelles spécifiques au nouveau-né. Nous nous concentrerons en particulier sur l'acquisition d'ASL, qui demeure inexplorée pour les nouveau-nés, ainsi que sur la résolution rapide et fiable de problèmes inverses pour les données EEG et NIRS. Une amélioration majeure de l'analyse de l'activité fonctionnelle du cerveau néonatal est nécessaire pour améliorer notre compréhension de l'impact des lésions cérébrales précoces sur le développement des enfants.
Enfin, les structures cérébrales sont sujettes à diverses évolutions, des échelles macroscopiques aux échelles microscopiques. L’approche suivie sera de développer des techniques d’analyse spécifique à chaque patient, afin de prendre en compte la variabilité anatomique et fonctionnelle de chacun.

Une première méthode a été proposée pour reconstruire une image haute résolution à partir d’une seule image basse résolution (« single image super resolution »). L’approche repose sur un réseau de neurones profond convolutif (« Deep Learning »). Les résultats, publiés à la conférence internationale IEEE ISBI’2017 ont montré la pertinence de l’approche proposée pour les images IRM chez l’adulte, et il est prévu de poursuivre ce travail pour les images néonatales du projet MAIA.

Concernant la segmentation des données IRM cérébrales, plusieurs approches ont été développées : 1) présegmentation par superpixels 3D à base morphologique, 2) une approche par segmentation interactive reposant des arbres binaires de partition, et 3) une approche linéaire multi-atlas par patches pour la segmentation du cortex.

Nous avons également dans le projet MAIA une approche itérative de construction d’atlas 4D et une méthode d'amélioration de la robustesse des algorithmes de recalage lors de la mise en correspondance de cerveaux de différentes tailles a été mise en place.

Les perspectives concernent les aspects de robustesse vis à vis du mouvement des prématurés lors des acquisitions, mais également la mise en commun des développements effectués pour la mise en place d’une chaîne de traitement des données IRM pour l’analyse des données fonctionnelles.

Concernant la reconstruction des images IRM, nous nous orientons vers le développement d’une technique de correction de mouvement coupe par coupe sans utiliser d’image de référence intermédiaire (qui est le principal défaut des méthodes de reconstruction actuelles). Le développement des approches étudiées pour la segmentation des données IRM sera continuer afin de proposer une boîte à outils robuste pour la communauté de recherche.

Un des points clefs du projet concerne la mise en plateforme dédiée pour faciliter l’analyse des données. Nous procéderons ainsi à l’implantation d’un pont entre Shanoir et la plateforme de données de recherche afin de permettre de garder les informations cliniques sur site et de donner l'accès pour le traitement d’image.

C.-H. Pham, A. Ducournau, R. Fablet, F. Rousseau . Brain MRI super-resolution using deep 3D convolutional networks. IEEE Int. Symposium on Biomedical Imaging. April 2017

Chaque année en France, 55 000 enfants naissent prématurément, c'est-à-dire avant 37 semaines d'aménorrhée. Dans ce contexte, l'extrême prématurité (moins de 32 semaines) concerne 10 000 nouveau-nés chaque année. Des études portant sur les effets de la prématurité ont démontré que la majorité des enfants concernés présentaient des déficits moteurs, cognitifs ou comportementaux significatifs.

Toutefois, notre compréhension de la nature des anomalies cérébrales qui sous-tendent ces difficultés neurologiques, reste limitée. L'étude française EPIPAGE montre que près d'un tiers des enfants prématurés nécessitent des soins spécifiques à l'âge de 5 ans. L'étude conclut que « la prévention des difficultés d'apprentissage associées aux déficiences cognitives […] est un but important des soins périnataux modernes, à destination des enfants nés prématurés et de leurs familles ».

Une première réponse à ce défi a été fournie par l'imagerie morphologique 3D (notamment l'IRM, imagerie par résonance magnétique). Des avancées récentes ont notamment été réalisées, établissant des corrélations potentielles entre lésions ou variations volumétriques de structures cérébrales, et des handicaps essentiellement moteurs. La compréhension des mécanismes sous-jacents demeure toutefois limitée notamment en l'absence d'un accès à une information fonctionnelle.

Dans ce contexte, l'émergence de nouvelles modalités d'IRM fonctionnelle 3D (ASL, Arterial Spin Labeling) ou optiques (NIRS, Near InfraRed Spectroscopy), ouvre de nouvelles perspectives pour l'extraction d'information cognitive, via des mesures d'activité hémodynamique avec une haute résolution spatiale. D'autres modalités classiques dédiées à la mesure de signaux cérébraux (EEG HR, Electro-EncéphaloGraphie Haute Résolution), fournissent aussi des informations cognitives au niveau cortical avec une haute résolution temporelle. Chacune de ces modalités non-invasives apporte des informations spécifiques pour la compréhension du développement cérébral des nouveaux-nés.

Toutefois, les données acquises structurelles et fonctionnelles du cerveau du prématuré sont volumineuses, entachées d’artefacts et hautement hétérogènes, en termes de nature, de dimensions, et de sémantique. En conséquence, établir des correspondances entre ces données, et les analyser de manière croisée, constituent de réels défis.

Pour les relever, ce projet vise à développer des approches innovantes pour l'analyse multi-image / multi-signal, afin d'améliorer les méthodes de compréhension du neurodéveloppement.

Pour atteindre ce but – qui sous-tend des problèmes fondamentaux, méthodologiques et technologiques – des interactions pluri- / interdisciplinaires et des collaborations académiques / industrielles, sont indispensables.

D'un point de vue fondamental, les mathématiques et l'informatique doivent être associées à la physique de l'imagerie et à la médecine, afin de traiter les problèmes ouverts d'analyse du signal et de l'image à partir de données hétérogènes, dans le cadre multiphysique lié à l'acquisition de données (magnétiques, optiques, électriques) et la modélisation biophysique des cerveaux de nouveau-nés. Une synergie soutenue entre ces différents domaines scientifiques est donc requise.

Finalement, la condition sine qua non pour atteindre une meilleure compréhension du couplage morphologie–cognition dans le contexte neurologique de la prématurité, est le développement d'outils logiciels, et leur distribution à l'ensemble de la communauté médicale. Le but principal de ce projet est la conception de tels outils pour l'analyse d'image et du signal, opérationnels en routine clinique et librement accessibles. Communautés académique et industrielle travailleront en étroite collaboration afin d'atteindre ce but ambitieux.