Démêler les images du cerveau : où est la maladie, où est la distorsion ? express
Deux images du même cerveau, prises à des moments différents, ressemblent à des photos d'une même maison avant et après rénovation. Pour comprendre ce qui a changé, on les superpose et on observe les différences. Mais l'IRM n'est pas une caméra parfaite : elle ajoute elle-même des distorsions, comme si la photo était prise à travers une vitre légèrement ondulée. Auparavant, les programmes ne distinguaient pas les changements réels de ceux dus à l'appareil.
Le réseau de neurones DisMorph apprend sur des exemples entièrement synthétiques, où l'on sait à l'avance quelle partie de la distorsion est technique et laquelle est anatomique. Ensuite, il décompose les différences entre deux images en deux flux : l'un pour les artefacts de l'IRM, l'autre pour les modifications réelles des tissus. Cette approche rappelle le travail d'un restaurateur qui sépare les fissures de la vieille peinture pour comprendre ce qui était représenté à l'origine sur le tableau.
Sur des paires d'images de patients atteints de la maladie d'Alzheimer, la méthode a mis en évidence des modifications dans les structures cérébrales associées à la maladie, tout en signalant les distorsions résiduelles après correction standard. C'est comme si le médecin obtenait non pas une image floue, mais deux images nettes : l'une montrant le cerveau lui-même, l'autre les défauts de prise de vue.
Cette approche ouvre la voie à des mesures plus précises des changements cérébraux dans les cliniques, où les appareils et les réglages ne sont pas toujours identiques. Au lieu de se demander si ce que l'on voit sur l'image est une maladie ou un artefact, le médecin pourra les voir séparément.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2608.08173v1
Longitudinal MRI enables sensitive measurement of structural brain change for studying aging and neurodegenerative disease. Deformable image registration is a key tool for estimating such change by computing a dense deformation that captures geometric differences between longitudinal scans. However, MRI scanners introduce geometric distortions that vary across acquisition systems and protocols, such as gradient non-linearity (GNL) distortion. Existing registration methods estimate a single field that conflates biological and technical effects, potentially biasing downstream morphometric measurements if distortions remain (partially) uncorrected. We propose $$\texttt{DisMorph}$$, a registration framework trained entirely on synthetic data that explicitly decomposes longitudinal deformation into technical and anatomical transforms. It predicts two dense deformations, each encoding one effect. During training, a novel generative model synthesizes both effects separately to provide disentanglement supervision, while domain randomization promotes generalization across imaging protocols. We evaluate our method in three complementary settings. On simulated data with known ground truth, our method detects anatomical change more accurately and consistently than conventional registration. On real image pairs that differ only by GNL distortion, our method assigns most geometric change to the distortion field, demonstrating specificity in the absence of anatomical change. On longitudinal Alzheimer's disease (AD) pairs, our method detects anatomical change in AD-related brain structures while identifying residual distortion left after standard correction. By disentangling MRI-induced distortion from biological change in the longitudinal deformation, our method paves the way for more accurate longitudinal morphometry in clinical settings where maintaining acquisition consistency is challenging.
La non-linéarité de gradient est une distorsion qui fait apparaître les lignes droites courbées sur l'image, comme un reflet dans un miroir déformant. Elle est due à l'imperfection du champ magnétique de l'IRM.
Dans la série « Black Mirror », il y a un épisode où les souvenirs sont enregistrés et revus, mais la technologie en déforme les détails. DisMorph résout un problème similaire : séparer les artefacts techniques des changements réels, mais pour les images du cerveau.