2.2 Nouveau Protocole
2.2.4 Séquence destinée à mesurer le ux sanguin
La vélocimétrie IRM par contraste de phase doit établir un compromis entre la précision et la gamme dynamique de la mesure. Les mesures idéales sont obtenues quand la vitesse d'encodage (VENC) correspond exactement au maximum des vitesses à travers la coupe sélectionnée. Le contraste retrouvé dans les images quantitatives est fonction de cette VENC. Il n'est donc pas possible d'avoir à la fois une bonne précision sur des faibles et des fortes vitesses. Cherchant à obtenir un bon contraste sur les faibles vitesses, une mesure peut être faite avec une VENC faible mais inférieure à la vitesse maximale. Dans ces conditions, le phénomène d'aliasing (repliement) est retrouvé. Une technique pour corriger, ou desaliasé, les images quantitatives à été proposée par Herment et al. [56]. Ils ont proposé une approche régularisée de dépliement des phases reposant sur deux acquisitions avec un gradient faible pour VENC puis une troisième acquisition avec un gradient intense pour VENC. Les deux premières acquisitions permettent d'obtenir par contraste de phase une image de vitesse bruitée mais sans phénomènes de repliement, puis la première et la dernière, une image aliasée mais non bruitée. Le temps d'acquisition est allongé de 50% mais le désaliasing de cette seconde image permet l'obtention de cartes de vitesse de qualité.
Pour notre application, les mesures de ux doivent être eectuées aux entrées / sorties de l'aorte ou du segment d'artère étudié. Pour cela le problème d'aliasing n'est pas une di culté majeure car une VENC diérente est utilisée à chaque étage de la mesure, tenant compte des vitesses habituellement retrouvées. Cependant certaines considérations sont à retenir pour obtenir une mesure qui correspond vraiment à la réalité physiologique du patient :
Chaque coupe doit être perpendiculaire à l'axe du vaisseau. Le manipulateur/trice se sert des images sagittales et coronales pour optimiser l'orientation et le cen- trage de la séquence.
Chaque étage de mesure a une VENC diérente suivant que l'on se trouve à la racine de l'aorte, aux vaisseaux du cou, dans un anévrisme ou au niveau de l'aorte descendante. Chaque résultat est contrôlé cherchant toujours un compro- mis entre bon contraste et absence d'aliasing. Dans le cas peu fréquent ou ce type de repliement est présent dans l'image reconstruite, une nouvelle acquisition est lancée avec une VENC plus élevée.
L'entrée et toutes les sorties du segment aortique étudié doivent être mesurées car ces informations sont la base de travail pour construire les conditions de frontière (CL) des calculs numériques. Au moins une mesure doit être obtenue à un étage intermédiaire, elle est indispensable pour le contrôle des résultats numériques. Ce type de mesures intermédiaires ne fait pas partie des CL et sont utiles pour corréler les résultats numériques (voir chap.4).
La validité de ce type de mesures est souvent discuté par les cliniciens car nom- breuses mesures de ux ne correspondent pas avec la réalité. Mais il est vrai qu'une bonne pratique de ce type de séquences permet de fournir des informations très pré- cises sur le pro l des vitesses rentrant dans la grande circulation [18, 19]. Par contre, une étude précise du ux régnant dans une artère coronaire est plus discutable car le nombre de pixels compris dans la région d'intérêt (ROI) est statistiquement insu - sant. Typiquement, avec une résolution de 1.4 × 1.4mm2 sur une coronaire de 3mm
de diamètre, la précision de l'irm de ux n'est pas adaptée aujourd'hui pour cette indication. Pour les applications citées dans cette thèse, nous avons en moyenne 515 pixels pour la racine de l'aorte et l'aorte descendante, 212 pour les vaisseaux du cou (TABC, artère carotide commune et artère sous-clavière), 64 pour les carotides avant la bifurcation et 32 pour les artères carotides externes et internes. Nous avons mis en valeur le facteur "cohérence des ux" dans notre traitement des données hémo- dynamiques. Quelques corrections à ce sujet sont exposées à la section 3.5. Pour le moment, nous estimons le décalage de la vitesse par rapport au zero donné sur une région d'intérêt quelconque sur les structures immobiles environnantes.
(a) Vrai et faux chenal d'une Dissection. (b) Reconstruction MIP, Repérage
(c) Pic Systolique (d) Fin de systole (e) Diastole
Figure 2.11 Les ROI placées sur l'image morphologique, analysent le signal pour quanti er la vitesse. Les courbes représentent le ux à travers la section. La recons- truction MIP sert de repère anatomique. Les images en sagittal (codage de la vitesse dans la direction FH) permettent de voir ici un eet "accordéon", le ux à travers les portes d'entrée et de ré-entrée.
Conclusion
L'imagerie médicale est une indication nécessaire pour le diagnostique et pour le suivi des pathologies artérielles. Plusieurs séquences d'imagerie ont été étudiées dans ce chapitre. Un protocol modi é a été retenu donnant accès a des informations supplémentaires avec un double objectif : les images sont utiles non seulement au corps médical mais aussi aux applications de mécanique des uides numérique. Les trois séquences développées à cet eet fournissent les conditions de frontière néces- saires à la résolution des équations diérentielles de Navier-Stokes. D'un côté, une
séquence injectée pour l'extraction de la géométrie native avec une bonne résolu- tion spatiale. D'autre part, et encore sous l'eet du gadolinium, une séquence du type balanced-SSFP pour suivre l'évolution de la paroi vasculaire. Et nalement, un recueil de données hémodynamiques à l'entrée et aux sorties du segment d'artère étudié.
Les paramètres retenus pour ces séquences ne sont pas des valeurs optimales et une recherche approfondie serait souhaitable pour éliminer dé nitivement le problème des artéfacts dans les images dynamiques, améliorer le contraste et travailler avec des voxels isotropes. Une piste intéressante est celle de travailler sur une séquence rapide du type balanced-SSFP pondérée T1 avec produit de contraste et suppression de graisse [54].
La méthode présentée dans le chapitre suivant intègre les données images dans une chaîne de traitements qui prépare et résout un calcul réaliste basé sur un modèle mathématique non couplée à paroi mobile.