Ce travail fait figure d'isolé : ses plus proches voisins s'occupent d'IRM de la prostate, de segmentation d'images médicales et de lentillage faible, et il n'existe pas d'équivalent direct pour le lissage des cartes cérébrales quantitatives. Beaucoup a déjà été fait autour : on a montré que l'IRM quantitative détecte des changements des semaines avant une récidive de gliome, que l'âge modifie la myéline, le fer et l'eau dans le cerveau, et que le lissage pondéré par les tissus améliore la reproductibilité. Mais il manquait une comparaison systématique de différentes méthodes de lissage sur les mêmes données.
Les chercheurs ont utilisé un jeu de données ouvert de 138 personnes en bonne santé âgées de 19 à 75 ans : quatre cartes quantitatives (MTsat, PD, R1, R2*) dans un espace standard. Chaque carte a été lissée de trois façons : pondérée par les tissus (TWS), tissu-spécifique généralisée (gTSPOON) et préservant les contours SUSAN. Ensuite, pour chaque variante, ils ont construit des modèles linéaires voxel par voxel avec l'âge comme facteur, en tenant compte du sexe, du volume cérébral et du type de scanner. Ils ont vérifié l'inférence statistique paramétrique et non paramétrique, et comparé les cartes par le logarithme de vraisemblance, la méthode de Bland-Altman et des métriques de similarité.
TWS et gTSPOON ont donné des seuils de significativité et des motifs spatiaux presque identiques, mais TWS a trouvé plus de voxels significatifs en raison d'un lissage effectif légèrement plus fort. SUSAN a montré des seuils plus élevés, moins de voxels significatifs, mais plus de clusters : son lissage effectif s'est révélé environ deux fois plus faible. Le logarithme de vraisemblance a montré que TWS fonctionne le mieux en profondeur dans la matière grise et blanche, gTSPOON en périphérie, et SUSAN aux frontières entre tissus. La similarité entre TWS et gTSPOON était élevée, surtout dans la matière blanche, tandis que SUSAN différait nettement, le plus fortement dans la matière grise.
Ce travail se distingue de ses voisins par le fait qu'il compare pour la première fois systématiquement trois stratégies de lissage sur les mêmes données IRM quantitatives, avec une évaluation de la qualité locale du modèle. Les travaux voisins proposent soit une seule méthode, soit appliquent le lissage comme une étape de routine sans une telle comparaison. Ici, il est démontré que le choix du lissage modifie la topologie statistique plus fortement que le choix entre inférence paramétrique et non paramétrique.
On peut développer des méthodes adaptatives ou hybrides qui choisissent le lissage optimal voxel par voxel en fonction du logarithme de vraisemblance. Cela permettrait de combiner les atouts de l'approche pondérée par les tissus et de celle préservant les contours, et d'améliorer la sensibilité aux changements subtils dans le cortex.
Les résultats sont importants pour les études longitudinales et multicentriques sur le vieillissement, la sclérose en plaques et d'autres conditions où l'IRM quantitative est utilisée pour détecter des changements microstructuraux.
Tester l'approche proposée sur des données indépendantes et d'autres paramètres quantitatifs, et implémenter la sélection adaptative du lissage voxel par voxel dans un logiciel open source.
Pour l'IRM quantitative, la question de savoir comment séparer les vrais changements biologiques des artefacts de volume partiel et du bruit reste non résolue. Ce travail montre que le choix du lissage peut masquer ou, au contraire, révéler des effets subtils liés à l'âge, et propose un outil pour évaluer localement ce choix.
Sur les cartes MTsat dans la matière blanche, le lissage pondéré par les tissus a trouvé jusqu'à 93 060 voxels significatifs, alors que SUSAN n'en a trouvé que 63 340, bien que les deux méthodes soient considérées comme « tissu-spécifiques ».
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.