IRM ANATOMIQUE

1) Acquisition

Les images anatomiques du cerveau pondérées en T1 ont été obtenues à l’aide d’une séquence MPRAGE (Magnetization Prepared RApid Gradient Echo15_{) acquise en}

suivant le premier protocole du Alzheimer Disease Neuroimaging Initiative (ADNI, http://adni.loni.usc.edu/). Les paramètres d’acquisition des images anatomiques étaient similaires pour APPAL-RECCAP et les 8 centres IMAGEN.

Les paramètres séquence : 3D sagittale, Temps de répétition (des impulsions des radiofréquences) TR= 2,3s, Temps d’écho TE=2,8ms, TI = 900ms, Angle de rotation 8°, Matrice 256x256, Nombre de coupes : 160, Taille des voxels : 1,1mm x 1,1mm x 1,1mm, Durée totale=554s.

En sortie, un volume par sujet. En T1, les milieux les plus riches en protons apparaissent en noir (le liquide céphalo rachidien), et ceux qui contiennent le moins de proton en blanc (la graisse). La résolution millimétrique (1,1mm3_{) est le standard}

dans les études de morphométrie cérébrale.

2) Contrôle-qualité

L’examen visuel de chaque image native est effectué sur l’ensemble des données anatomiques dans les trois plans de l’espace (sagittal, coronal, axial) afin de séparer les images exploitables des non-exploitables. Un protocole a été mis en place avec les critères suivants évalués à différents degrés (0 à 3 en nombre entier pour intensité ou 0/1 pour absence/présence) pour évaluer de façon homogène chaque image :

- mouvements des yeux - niveau de bruit

- mouvements de la tête

- présence d’un artefact image : mauvais cadrage du cerveau lors de l’acquisition, présence d’objets métalliques (barrettes, lunettes) ou d’objets provoquant des artefacts (rajouts capillaires).

- présence d’une anomalie morphologique : larges ventricules, agénésie partielle d’un lobe, kyste.

Des exemples d’images cotées au QC sont donnés dans la Figure 16. Dans IMAGEN ce travail a été fait en double aveugle à chaque volet de l’étude (9,5% d'images éliminées en moyenne). J’ai participé à celui d’IMAGEN Follow-up 2 sur base entière, et effectué celui de APPAL-RECCAP.

Figure 16 : Exemples d’images natives cotées au contrôle-qualité. Coupe Sagittale

(S), Axiale (A) ou Coronale (C) ; blink (mouvements des yeux), noise (bruit), ringing (mouvements de tête), artefact (rajouts capillaires), et anomalie morphologique.

3) Prétraitement

Les mêmes étapes de prétraitement ont été appliquées sur les images APPAL- RECCAP et IMAGEN (de 19 et 14 ans) utilisés dans ce travail de thèse. Avec SPM12, les trois étapes clés du prétraitement informatisé étaient (i) la segmentation tissulaire avec normalisation spatiale (ii) la modulation et (iii) le filtrage.

Après chaque étape de prétraitement, des QC visuels sont réalisés.

(i) Segmentation tissulaire et normalisation spatiale

Ces deux étapes sont combinées dans SPM12. D’après la méthode d’Ashburner et Friston (2000), les images ont été segmentées et normalisées spatialement à l’aide de cartes de probabilité tissulaires16 _{de substance grise (SG), substance blanche (SB),}

liquide céphalorachidien (LCR), os, graisse ou tissu mou, et « le reste de l’image » (fond). Un ajustement est fait itérativement entre les intensités de voxel des images et celles des cartes de probabilité tissulaire (TPM, Tissue Probability Maps) (Figure 17) dans le référentiel MNI (Institut Neurologique de Montréal, http://brain- development.org/ixi-dataset/) par transformation affine (translation, rotation). A chaque itération, les opérations de normalisation, segmentation tissulaire, et correction des inhomogénéités de champ / variations d'intensité (parmi les corrections de biais) sont combinées. Les images écrites sont divisées en voxels isotropes de 1 mm³.

16 _{Le terme « tissu » est utilisé ici mais il doit être distingué du « tissu » nerveux en sens}

histologique. L'utilisation de la théorie bayésienne et de modèles a priori suppose la connaissance des différentes classes.

Figure 17 : Cartes de probabilités tissulaires adultes, fournies par SPM12. Les six

cartes de référence permettent la normalisation spatiale et la segmentation des images sont : SG, Substance grise ; SB, Substance blanche ; LCR, Liquide céphalo-

rachidien ; Os ; TG, Tissus graisseux ; Fond ou « le reste de l’image ».

(ii) Modulation

Les cartes de SG, SB et LCR ont été modulées afin de préserver le volume des structures cérébrales après normalisation spatiale, pour garder les niveaux de signal initiaux en dépit des déformations issues de la normalisation spatiale.

Les champs de déformations générés par l’étape de normalisation sont transformés en déterminants jacobiens encodant le volume relatif. Les déterminants jacobiens sont multipliés aux intensités de signal des cartes normalisées segmentées. Cette étape de modulation peut être automatisée dans SPM12 ou effectuée manuellement comme dans APPAL-RECCAP (Figure 18).

Figure 18 : Champs de déformation, déterminants Jacobiens, et images de

substance grise modulées automatiquement (SPM12) et manuellement (Matlab). Les deux images de gauche sont extraites du powerpoint de John Ashburner, Londres,

Mai 2015.

(iii) Filtrage

Le filtrage spatial des images est utilisé pour s’affranchir des décalages issus de la normalisation (Good et al, 2001) et améliorer le ratio signal sur bruit. Le filtrage consiste à appliquer un filtre de Gauss à l’image par une convolution, c’est-à-dire moyenner chaque voxel avec la somme pondérée de ses voisins. La pondération est définie par un noyau gaussien et la taille de la Gaussienne est donnée par la largeur à mi-hauteur du maximum du pic (Full Width at Half Maximum, FWHM). Ici un filtre Gaussien de largeur à mi-hauteur de 10mm a été appliqué sur les images comme illustré dans la Figure 19.

Figure 19 : Image de substance

grise modulée (à gauche) et modulée filtrée (à droite) avec un filtre gaussien d'une largeur à mi- hauteur de 10 mm dans SPM12.

4) Contrôle-qualité post-traitement

Après les étapes de prétraitement, l’extraction des volumes de SG, SB et LCR et des covariances est effectuée pour une détection des volumes aberrants, ainsi que pour le calcul du volume total intracrânien. C’est un contrôle-qualité post-traitement automatisé, effectué avec le logiciel R. La bibliothèque « mvoutlier17 _{» permet la}

détection des données aberrantes en distinguant les valeurs extrêmes d’une distribution normale des valeurs issues d’une distribution différente (Filzmoser et al, 2005) sur les volumes segmentés. Nous avons appliqué une détection sur les covariances voxel-à-voxel. Les covariances ont été calculées à l’aide de l’outil « check sample homogeneity18 _{» qui calcule l’écart-type par la somme de la distance au carré}

de chaque image à partir de la moyenne de l’échantillon, sur les volumes normalisés segmentés. Ces covariances sont ensuite testées à l’aide de la bibliothèque « extremevalues19 _{» pour détecter les valeurs aberrantes, en cherchant les}

observations dont les résidus sont sous l’intervalle de confiance (<2 déviations standards (SD)).