Reconstruction à super résolution par apprentissage en profondeur pour une IRM de la prostate pondérée en T2 rapide et robuste

Le cancer de la prostate fait partie des types de cancer les plus répandus chez les hommes depuis des années, étant responsable de 7,8 % de tous les nouveaux cas diagnostiqués en 2020, occupant la 2e place juste après le cancer du poumon. Les diagnostics précoces et non invasifs ont été considérablement améliorés par l'IRM multiparamétrique (mpMRI) de la prostate, détectant un cancer de la prostate cliniquement significatif et formant la ligne de base pour la biopsie guidée de la prostate, alors qu'il peut empêcher des biopsies inutiles chez les patients présentant un antigène prostatique spécifique élevé, mais pas de lésions visibles. Avec une population vieillissante, des examens IRM rapides, efficaces et hautement qualitatifs sont nécessaires pour satisfaire cette demande croissante. La reconstruction d'images par apprentissage en profondeur est devenue de plus en plus importante pour résoudre ces tâches afin de produire des images de haute qualité tout en réduisant considérablement le temps d'acquisition.

Les protocoles d'acquisition standard de l'IRMp de la prostate incluent des séquences pondérées en T2, pondérées en diffusion et à contraste dynamique pour permettre la classification des lésions prostatiques selon le Prostate Imaging Reporting & Data System (PI-RADS). Alors que l'attribution du score PI-RADS dans la zone périphérique de la prostate est principalement déterminée par l'imagerie pondérée en diffusion, les séquences pondérées en T2 sont principalement responsables de l'évaluation de la zone transitionnelle. De plus, une évaluation approfondie de la prostate nécessite l'acquisition de séquences pondérées en T2 dans les plans axial et sagittal, prolongeant ainsi le temps d'acquisition des protocoles d'IRM. Différentes approches ont été proposées pour accélérer et améliorer l'acquisition d'images, allant de la mise en œuvre de protocoles raccourcis à l'amélioration des séquences pondérées en diffusion ou en utilisant la détection compressée pour la reconstruction de séquences pondérées en T2 non cartésiennes. Outre ces méthodes qui reposent sur des méthodes d'acquisition et de reconstruction traditionnelles, la reconstruction d'images par apprentissage en profondeur (DL) est devenue de plus en plus importante pour résoudre ces tâches afin de produire des images hautement qualitatives tout en réduisant considérablement le temps d'acquisition.

Malgré cela, les méthodes DL fiables pour le processus d'acquisition d'images et de reconstruction de l'IRMp de la prostate elle-même sont rares. Alors que les premières approches pour le débruitage DL ont été établies, remplaçant efficacement la fonction d'ondelettes conventionnelle, le reste du cycle de reconstruction itérative n'est pas affecté et l'impact sur les performances diagnostiques du score PI-RADS reste incertain. Les réseaux d'apprentissage en profondeur à super résolution récemment développés promettent de surmonter cette limitation. Premiers résultats pour le débruitage DL dans différentes applications, par ex. en IRM musculo-squelettique montrent déjà de bons résultats, conduisant à une accélération significative du temps d'acquisition tout en maintenant une qualité d'image élevée. Cependant, l'application de ces réseaux DL de débruitage en combinaison avec des réseaux de super résolution plus avancés dans l'IRMp de la prostate n'a pas encore été évaluée.

Dans cette étude prospective, entre août et novembre 2022, les participants suspects de cancer de la prostate ont subi une IRM de la prostate avec des séquences standard cartésiennes T2 (T2C) et non cartésiennes (T2NC) à haute résolution. De plus, un TSE cartésien T2 basse résolution (T2SR) avec débruitage DL et reconstruction en super résolution a été acquis. Les artefacts, la netteté de l'image, la visibilité des lésions, la délimitation de la capsule, la qualité globale de l'image et la confiance diagnostique ont été évalués sur une échelle de Likert à 5 points, étant non diagnostiques et 5 étant excellent. Le rapport signal sur bruit apparent (aSNR), le rapport contraste sur bruit (aCNR) et la distance de montée des bords (ERD) ont été calculés. Le test de Friedman et l'ANOVA à une voie ont été utilisés pour les comparaisons de groupe. Concernant la concordance des scores PI-RADS ont été comparés avec le Kappa de Cohen.