3D FLAIR ET DLR: AVANTAGES ET LIMITES EN PRATIQUE CLINIQUE

Abstract

Le 3D FLAIR représente une séquence clef dans l'exploration des pathologies du système nerveux central, d'utilisation de plus en plus fréquente en dépit d'un temps d'acquisition parfois élevé. L'application en IRM de l'intelligence artificielle via les réseaux neuronaux par apprentissage profond (Deep Learning Reconstruction, DLR) permet d'envisager une accélération significative de la séquence. Les algorithmes de débruitage permettent à la fois d'améliorer le SNR de séquences acquises avec des facteurs d'accélération élevés et de diminuer les artéfacts de repliement liés à l'acquisition parallèle. Ainsi, les techniques de DLR permettent d'acquérir significativement plus rapidement des séquences 3D FLAIR pour une résolution et des paramètres techniques standards, accélérant la prise en charge de sujets agités ou autorisant l'ajout de séquences complémentaires dans un temps d'examen global identique pour une pathologie donnée. Elles permettent également d'envisager une exploration de résolution spatiale supérieure pour un temps d'acquisition identique aux séquences de référence, optimisant la recherche de lésions de petite taille. Bien que plusieurs études antérieures aient pu valider la qualité d'image de séquences acquises avec DLR, le 3D FLAIR a été peu évalué, en particulier en terme de performance diagnostique [1, 2]. Nous avons testé sur plusieurs témoins et patients un algorithme de DLR basé sur un réseau de neurone de type variationnel [3]. Ce dernier a été entraîné de manière supervisée avec des données k-space provenant de 500 ensembles d'acquisitions 3D entièrement échantillonnés obtenus auprès de volontaires sains sur des IRMs 1,5T et 3T (scanners MAGNETOM, Siemens Healthineers, Erlangen Allemagne). L'objectif est de présenter les avantages du DLR appliqué à l'acquisition du 3D FLAIR en IRM 3T, tout en soulignant les limites de son champ d'application en termes d'accélération et/ou d'optimisation de la résolution spatiale (fig. 1).