Prise en compte de la ligne de base

La ligne de base présente sur les spectres RMN in vivo constitue un signal de nuisance pouvant induire un biais important dans l’estimation des concentrations des métabolites. Deux approches ont été abordées pour la prise en compte de la ligne de base dans la procédure de quantification NEMESIS et sont détaillées dans les paragraphes suivants. Bien que la deuxième approche permette d’obtenir des résultats optimaux, les deux approches ont été intégrées à NEMESIS.

2.3.5.1 Première approche : troncature & pondération dans le domaine temporel

La première approche s’inspire de la méthode QUEST [Ratiney et al., 2005] et consiste à tronquer les premiers points des signaux acquis dans le domaine tempo-rel. Les macromolécules contribuent au spectre RMN in vivo sous la forme de pics larges en fréquence, qui se traduisent dans le domaine temporel par des temps de re-laxationT₂^∗ courts. Autrement dit, les signaux issus des macromolécules s’expriment principalement au début du signal FID. La méthode de la troncature des premiers points tire parti de la différence en T₂^∗ entre les macromolécules et les métabolites et consiste en pratique à tronquer un certain nombre de points dans le domaine temporel pour réduire la contribution des macromolécules dans la ligne de base.

Appliquée aux signaux RMN 2D in vivo, l’opération de troncature est réali-sée suivant les deux dimensions temporelles t₂ et t₁ formant ainsi une «fenêtre» de troncature 2D (Fig. 2.6a). La première approche intégrée dans la procédure de

quantification NEMESIS est la multiplication d’une telle fenêtre, notée F, avec le résultat des moindres carrés calculé lors de l’ajustement numérique. Cette opéra-tion, décrite à l’équation (2.3), permet de réduire l’impact de la ligne de base sur l’estimation des paramètres. Néanmoins, cette méthode induit également une forte réduction du RSB des signaux métaboliques ce qui engendre un accroissement des erreurs d’estimation. De plus, le nombre optimal de points à tronquer dans les deux dimensions est particulièrement délicat à évaluer et constitue une importante source d’erreur.

L’effet de la troncature dans le domaine temporel peut être atténué avec l’utilisa-tion de fenêtre de pondéral’utilisa-tion 2D (Fig. 2.6b). Ce type de fenêtre permet d’appliquer une contrainte plus douce que dans le cas d’une troncature du signal. La fonction de pondération peut être de type linéaire, bi-exponentionelle avec un facteur d’amor-tissement pour les deux dimensions ou encore de typequart de sinus, fonction cou-ramment employée pour l’apodisation des signaux de SRM haute-résolution.

0 10 20 30 40 50

Fig. 2.6: Représentation temporelle de deux fenêtres de pondération 2D pour la prise en compte de la ligne de base lors de la quantification de spectre RMN 2Din vivoincluant 16 incréments suivant la dimensiont1 entre 20 et 130 ms et 4096 points suivant la dimension t2. Ces deux fenêtres permettent de réduire le poids des premiers échantillons acquis suivant les dimensions t2 et t1 lors de l’optimisation numérique par une pondération binaire (ou troncature) (a) et une pondération progressive basée sur une fonctionquart de sinus (b).

Pour illustrer l’impact de cette méthode lors de l’optimisation, une opération de pondération numérique de données issues d’une acquisition de SRM 2D J-résolue in vivo a été effectué avec une fenêtre de pondération similaire à celle présentée en Fig. 2.6b. Le spectre RMN 2D traité numériquement présente une réduction de l’intensité des signaux issus des macromolécules et plus particulièrement des lipides (Fig. 2.7). Toutefois, malgré ces premiers résultats encourageants, cette approche originale n’a pas permis d’obtenir de résultats satisfaisants lors de la validation

par méthode Monte Carlo. Le gabarit 2D des fenêtres de pondération est contrôlé par plusieurs paramètres particulièrement délicats à ajuster et la perte en RSB obtenue à la suite d’un tel traitement numérique induit une augmentation des erreurs d’estimation (résultats non présentés ici).

Fig. 2.7: Représentation fréquentielle d’un spectre RMN 2D J-résoluin vivo avant (a) et après multiplication avec une fenêtre de pondération de type quart de sinus (b). L’acqui-sition a été réalisée avec la séquence 2D J-PRESS WISH sur un cerveau de souris pour un champ B0=7 T. Les paramètres suivants ont fixés :T E=20 à 150 ms, N1=16 , T R=3 s, NA=200, voxel de dimension 4 mm x 4 mm x 4 mm. Le spectre RMN 2D in vivotraité numériquement (b) illustre l’intérêt de l’utilisation d’une fenêtre de pondération pour la réduction de l’influence du signal de ligne de base lors de la quantification des données.

2.3.5.2 Seconde approche : modélisation paramétrique de la ligne de base

La seconde approche étudiée pour la prise en compte du signal de ligne de base se base sur l’acquisition in vivo du spectre des macromolécules avec la technique d’inversion-récupération, technique disponible dans la séquence 2D J-PRESS WISH (Cf. §2.2.1.1). Le signal expérimental des macromolécules est ensuite quantifié puis inclus dans la connaissance a priori de NEMESIS lors de la quantification du signal d’intérêt.

En pratique, cette approche implique une seconde acquisition de SRM 2Din vivo sur le même volume d’intérêt et dans les mêmes conditions que lors de la première acquisition. Selon l’ajustement du temps d’inversion T I intervenant dans de module d’inversion de la séquence, il est possible de réduire fortement la contribution des signaux métaboliques dans le signal acquis et donc d’obtenir un spectre RMN 2D J-résolu des macromolécules. Ces molécules contribuant largement au signal de ligne

de base, l’information contenue dans ce spectre est particulièrement précieuse pour la prise en compte de ce signal de nuisance.

NEMESIS permet d’intégrer en tant que connaissance a priori l’information contenue dans le spectre RMN 2D J-résolu in vivo des macromolécules . Pour cela, la base de signaux métaboliques inclut une série de vingt signaux permettant la modélisation du signal de ligne de base. Chacun de ces signaux correspond à une composante gaussienne du signal de ligne de base avec un déplacement chimique compris entre 0 et 5 ppm. Ainsi, lors de la quantification, NEMESIS modélise le signal de ligne de base par une combinaison linéaire de composantes gaussiennes modulées, comme pour chacun des signaux métaboliques, par des paramètres de concentrationcm, de temps de relaxationT₂m, de facteur d’amortissement αm, de décalage en fréquence ωm et de phaseφ₀. Par la suite, les paramètres décrivant la modélisation de la ligne de base sont sauvegardés et intégrés dans la connaissancea priori de NEMESIS. Un exemple de modélisation 2D d’un spectre RMN 2D J-résolu in vivodes macromolécules est présentée à la Fig. 2.8.

2 1

Fig.2.8:Représentation temps-fréquence d’un spectre RMN 2Din vivode macromolécules modélisé à partir une combinaison linéaire de fonctions gaussiennes. L’acquisition a été réalisée avec la séquence 2D J-PRESS WISH sur un cerveau de rat pour un champB0=7 T.

Les paramètres suivants ont fixés :T I=675 ms,T E=20 à 40 ms,N1=4 (puis interpolé à 7), T R=2,5 s,NA=128, voxel de dimension 4 mm x 4 mm x 4 mm. Comme les macromolécules, les lipides (présents à environ 1 ppm) ont des temps de relaxation T1 plus courts que les métabolites et peuvent contribuer largement au signal de ligne de base selon la position du volume d’intérêt dans le cerveau.

En pratique, les spectres RMN 2D J-résolus obtenus avec la technique d’inversion-récupération présentent un RSB faible résultant de la faible concentration des macro-molécules. Pour accroître le RSB des signaux acquis et permettre une modélisation précise de la ligne de base, les acquisitions de spectres RMN 2D J-résolus des macro-molécules font l’objet d’un grand nombre d’accumulations (N A) et par conséquent

d’une durée d’acquisition importante. Afin de réduire cette durée, il est peut être in-téressant de réduire le nombre d’incrémentsN₁, voire de faire l’acquisition du spectre RMN 1D des macromolécules (N₁=1). L’estimation du temps de relaxationT₂ des macromolécules étant impossible dans le cas de la SRM 1D, elle est alors réalisée lors de la quantification des signaux métaboliques.