N02: L’imagerie par résonance magnétique (IRM) structurelle

L’analyse de l’IRM en R : un guide pédagogique

Introduction à l’imagerie par résonance magnétique (IRM)

L’imagerie par résonance magnétique (IRM) est une technique d’imagerie médicale essentielle qui utilise la résonance magnétique nucléaire pour produire des structures internes détaillées du corps, particulièrement efficaces pour visualiser les tissus mous avec une clarté supérieure à celle des rayons X ou des tomodensitogrammes. Cette modalité est largement utilisée pour diagnostiquer un large éventail d’affections, notamment l’imagerie cérébrale pour détecter les tumeurs, les accidents vasculaires cérébraux et d’autres affections neurologiques.

L’IRM implique que le patient soit allongé à l’intérieur d’un grand aimant, où des ondes radio ciblent le corps. Les capteurs de l’IRM détectent l’énergie émise par le corps et convertissent ces données en images. Contrairement aux méthodes faisant appel aux rayonnements ionisants, le profil de sécurité de l’IRM permet une utilisation répétée. Toutefois, son champ magnétique puissant peut être contre-indiqué chez les patients porteurs d’implants métalliques spécifiques, et certains peuvent trouver la procédure longue et immobile difficile.

Dans le domaine des neurosciences, les capacités d’imagerie non invasives et détaillées de l’IRM sont indispensables pour distinguer avec précision les tissus cérébraux et détecter les anomalies, jouant ainsi un rôle essentiel dans le diagnostic et le suivi de maladies neurologiques telles que la sclérose en plaques et la maladie d’Alzheimer.

Analyse des données d’IRM à l’aide de la programmation R

Dans cette section, nous nous concentrons sur la visualisation et l’analyse des données d’IRM à l’aide de la programmation R.

Format des données :
Les images IRM sont généralement disponibles au format NIFTI, avec des extensions de fichier telles que .nii ou .nii.gz (compressé). Les fichiers NIFTI sont compatibles avec divers logiciels d’analyse en neuroimagerie.

Progiciels R clés :

• oro.nifti : Indispensable pour charger et manipuler les objets NIFTI.
• neurobase : Étend les capacités de oro.nifti, en offrant des fonctions d’imagerie supplémentaires.

Chargement de données IRM dans R :

# Loading the oro.nifti and neurobase packages
library(oro.nifti)
library(neurobase)

# Reading a NIFTI file
mri_img = readnii("training01_01_mri_img.nii.gz")

Visualiser les données de l’IRM

• Les trois plans orthogonaux :

  ortho2(mri_img)

  cette fonction de neurobase montre un objet nifti en 3 plans.

• Vue en boîte à lumière :

  image(mri_img, useRaster= TRUE)

  Cette fonction de oro.nifti offre une vue en boîte lumineuse montrant toutes les planches de l’IRM.

• L’observation des planches spécifiques :

  oro.nifti::slice(mri_img, z = c(60, 80))

  Est nécessaire pour l’examen détaillé de certaines structures neuroanatomiques

Analyse des distributions des valeurs des voxels :

En IRM, les voxels (abréviation de “pixels volumétriques”) fonctionnent de la même manière que les pixels des images 2D, mais ils représentent les plus petites unités tridimensionnelles distinguables du volume scanné.

Les valeurs des voxels dans les données d’IRM peuvent être analysées pour comprendre la distribution des différents types de tissus

• Visualisation de la densité :

  plot(density(mri_img))

  •  ce graphique aide à comprendre la distribution des intensités des voxels
• L’histogramme :

  hist(mri_img)

  •  Les histogrammes sont pratiques pour visualiser la fréquence des différentes valeurs d’intensité des voxels.

La segmentation des régions du cerveau : 
Un aspect essentiel de l’analyse IRM en neurosciences c’ est la segmentation du cerveau en régions d’intérêt biologiquement significatives (ROI). Cela comprend la segmentation des tissus, l’identification des structures de la matière grise profonde et la segmentation des pathologies telles que les lésions de sclérose en plaques ou les tumeurs.

Références et lectures complémentaires : 

Pour des informations plus détaillées et des techniques avancées d’analyse d’IRM à l’aide de R, les ressources suivantes sont recommandées :

1. Les bases de l’interprétation de l’IRM  – Cet article fournit une approche systématique de l’interprétation de l’IRM, qui est cruciale pour comprendre les images IRM.
2. Cours interactif gratuit sur l’imagerie par résonance magnétiquere – Ce cours en ligne complet est conçu pour expliquer de manière simple le fonctionnement de l’imagerie par résonance magnétique. Il couvre un large éventail de sujets, notamment le spin nucléaire, l’instrumentation et la sécurité de l’IRM, le signal RMN et le contraste de l’IRM, le codage spatial dans l’IRM, la formation de l’image IRM, les séquences, l’amélioration du contraste de l’IRM, la qualité de l’image et les artefacts.
3. Analyse de la neuroimagerie avec R –  Il s’agit d’un excellent tutoriel sur l’utilisation de R pour l’analyse de l’IRM.

Traitement d’images IRM et analyses statistiques avec R

Prétraiter les images IRM

Le prétraitement est une étape critique de l’analyse des images IRM, essentielle pour garantir la précision et la fiabilité des résultats. Ce processus comprend plusieurs étapes clés :

1. Correction des artefacts et réduction du bruit : La correction des artefacts dus aux mouvements du patient et aux erreurs de l’équipement, ainsi que la réduction du bruit, sont essentielles pour obtenir des images claires.
2. Normalisation des images : La normalisation des images compense les facteurs physiologiques et les différences dans les protocoles de balayage, ce qui permet une comparaison cohérente entre les différents balayages et les différents sujets.
3. Normalisation spatiale et segmentation du cerveau : Ces processus alignent les images sur un espace commun et séparent les tissus cérébraux, respectivement, ce qui est essentiel pour une analyse précise.
4. Ajustement des facteurs de confusion : La correction des différents facteurs de confusion garantit que les résultats de l’analyse ne sont pas faussés par des facteurs externes.

Le prétraitement améliore la qualité de l’image, l’interprétabilité et la puissance statistique des analyses. Il prépare le terrain pour des analyses avancées, y compris des études d’IRM fonctionnelle et des approches d’apprentissage automatique.

Bien que le prétraitement soit essentiel, il n’est pas l’objet de ce tutoriel. Pour obtenir des méthodes détaillées de prétraitement des images IRM dans R, nous vous recommandons vivement de consulter ce tutoriel tutorial de John Muschelli et Kristin Linn.

Pour les besoins de ce tutoriel, nous supposerons que le prétraitement est déjà terminé.

L’analyse statistique des images IRM

L’analyse statistique des données d’IRM comprend une variété de techniques, chacune offrant un aperçu unique de la structure et de la fonction du cerveau :

1. Analyse basée sur les voxels : Elle consiste à comparer les voxels individuels entre les sujets ou les conditions à l’aide de tests statistiques (par exemple, tests t, ANOVA) afin d’identifier les différences dans la structure ou la fonction du cerveau.
2. Analyse des régions d’intérêt (ROI) : Utilise des méthodes statistiques pour comparer les caractéristiques de régions cérébrales prédéfinies, ce qui facilite l’étude de maladies ou de fonctions spécifiques.
3. Repérage des formes et apprentissage automatique : Ces méthodes avancées, y compris les algorithmes d’apprentissage automatique, permettent d’identifier des schémas dans les données d’IRM indiquant des maladies ou des conditions spécifiques.
4. Analyse longitudinale : Des modèles statistiques sont utilisés pour les études qui suivent l’évolution du cerveau dans le temps, ce qui est essentiel pour comprendre la progression ou le développement d’une maladie.
5. Analyse des réseaux : Elle se concentre sur l’analyse de la connectivité cérébrale, en utilisant des méthodes statistiques pour comprendre les réseaux cérébraux complexes et leur perturbation dans les troubles neurologiques.

Morphométrie basée sur les voxels

La morphométrie basée sur les voxels est une technique populaire dans l’analyse IRM. Ce processus consiste à se concentrer sur des régions d’intérêt spécifiques (ROI) dans le cerveau et à analyser le volume de ces régions. Le volume d’une région peut être calculé en multipliant le nombre de voxels dans la région par le volume de chaque voxel.

Volume des régions d’intérêt

Bien que notre objectif principal ne soit pas de calculer le volume d’une zone d’intérêt, les personnes intéressées peuvent suivre les étapes suivantes pour masquer une zone d’intérêt et calculer son volume. Notez que ces étapes nécessitent des logiciels et des bibliothèques spécifiques.

Conditions préalables

Assurez-vous que les progiciels nécessaires sont installés. L’installation d’ANTsR est plus complexe que celle des paquets R habituels. Vous trouverez des instructions d’installation détaillées ici.

Guide Pratique (par étape):

1. Chargement des progiciels :

   library(ANTsR)
   library(oro.nifti)

2. Lire l’image IRM (dans le format NifTI) :

   mri_image <- niftiImageRead(&quot;path_to_your_mri_image.nii&quot;, reorient = FALSE)

3. Prétraiter l’image :
   Ceci comprend la normalisation, la réduction du bruit, et dépend fortement sur vos données et les exigences des analyses en fonction de la question à l’étude.
4. Segmentation de l’image :
   Ces techniques dépendent de la qualité de vos images, les exigences spécifiques ( ANTsR fournit de nombreux outils pour ces fins). Par exemple, utilisant Atropos ( une méthode de segmentation a plusieurs classes)

   segmentation_results <- atropos(a = mri_image, m = '[3,1x1x1]', c = '[2,0]', i = 'kmeans[3]', x = 1)

5. Extraire et sauvegarder les images segmentées :
   Ceci dépend de comment on définit les étiquettes de segmentation Par exemple

   csf <- segmentation_results$segmentation == 1
   gm <- segmentation_results$segmentation == 2
   wm <- segmentation_results$segmentation == 3
   
   niftiImageWrite(csf, "csf_segmented.nii")
   niftiImageWrite(gm, "gm_segmented.nii")
   niftiImageWrite(wm, "wm_segmented.nii")

6. Calculer le volume de chaque voxel :

   vres = voxres(t1, units = "cm")
   vol_csf = csf * vres

Un exemple d’une étude statistique: la morphométrie basée sur les voxels et la maladie d’Alzheimer.

Prenons l’exemple d’une étude portant sur 30 adultes de plus de 55 ans atteints de la maladie d’Alzheimer et 30 témoins. L’étude s’étend sur 2 ans et suit les changements de volume de l’hippocampe.

• Chargez le fichier alzheimer_hippo_vol.csv à l’aide de la fonction read.csv() dans R.
• Dans l’ensemble de données, la condition est un facteur à deux niveaux : contrôle et alzheimer.
• Au début de l’étude, les images IRM sont recodées et les volumes de l’hippocampe sont calculés. Le volume est indiqué dans la colonne initial_vol.
• Après 2 ans, les IRM sont refaites et la différence de volume est listée dans la colonne “loss”.

Analyses statistiques en R :

Effectuez les analyses suivantes sur les données que vous avez chargées à votre environnement d’analyse:

1. Représentation graphique des moyennes marginales de diagnostic: visualiser la perte moyenne du volume de l’hippocampe chez les patients atteints de la maladie d’Alzheimer par rapport au groupe de  contrôle.

2. Analyse de la variance (ANOVA) : Effectuez une ANOVA pour évaluer l’effet de la maladie d’Alzheimer sur la perte de volume. Cette analyse permettra de déterminer si la perte de volume est significativement différente entre les patients atteints de la maladie d’Alzheimer et le groupe de contrôle.

3. Defi – l’analyse de la covariance (ANCOVA) : En tant que défi avancé, utilisez l’ANCOVA pour évaluer l’effet de la maladie d’Alzheimer sur la perte de volume tout en contrôlant l’association linéaire entre la perte de volume et le volume initial. Cette analyse tient compte du volume initial de l’hippocampe, ce qui permet de mieux comprendre l’impact de la maladie.

Cette étude de cas fournit une application pratique du traitement d’images IRM et de l’analyse statistique en R, démontrant la puissance de ces techniques dans la compréhension de conditions neurologiques complexes telles que la maladie d’Alzheimer.

Fichiers à télécharger :

1. alzheimer_hippo_vol.csv