Imagerie de diffusion

L’imagerie par résonance magnétique (IRM) avec des stratégies de diffusion (IRMD) est constamment utilisée pour comprendre la connectivité neuronale dans des essais impliquant des modèles d’animaux.1 L’IRM est l’une des techniques les plus largement utilisées dans la recherche sur de petits animaux dans le développement neurologique.2,3,4 L’IRM est une méthode non-invasive pour évaluer les voies neuronales dans des maladies neurodégénératives, comme la maladie d’Alzheimer.5

L’IRMD est un outil exceptionnel pour étudier le fonctionnement du cerveau et les troubles cérébraux et permet le suivi dans la recherche longitudinale. Néanmoins, les temps d’imagerie peuvent être longs.

Les cliniques dans leur grande majorité s’appuient sur l’imagerie standard par IRM pour l’analyse des maladies neurodégénératives, utilisée pour diagnostiquer un AVC dans des cas où le temps n’est pas la priorité n°1.6,7

La recherche menée par Yepes-Calderon et al décrit une stratégie visant à l’amélioration de la qualité des jeux de données d’IRMD obtenue sur de courts délais d’acquisition, développée avec l’objectif final d’encourager un plus grand usage de l’IRMD.8

Cette nouvelle méthodologie utilise une approche de post-numérisation qui permet d’améliorer les images acquises par des temps d’imagerie courts. Le nouveau système a été développé en se basant sur l’hypothèse qu’il vaudrait mieux consacrer au tenseur la majeure partie du temps passé à l’IRMD plutôt qu’à l’imagerie de diffusion pondérée. 

Les chercheurs ont scanné deux fois leur modèle de souris avec leur stratégie développée, à l’aide de l’IRM 9.4 Tesla Bruker BioSpec. Un troisième scan a été obtenu par une méthode classique d’établissement de la moyenne de l’imagerie pondérée en diffusion (DWI). Ils ont prouvé que des imageries de diffusion détériorées pouvaient être aisément converties en imageries pertinentes comparables à celles obtenues de manière conventionnelle.

Le rapport sur la nouvelle méthodologie d’IRMD représente un outil de recherche neurologique efficace en termes de temps et de coûts qui devrait potentiellement pouvoir être utilisé en pratique en clinique.

Références :

1. Le Bihan D, Mangin JF, Poupon C, et al. Diffusion tensor imaging: concepts and applications. J Magn Reson Imaging. 2001;13(4):534-546.

2. Schaefer PW, Grant PE, Gonzalez RG. Diffusion-weighted MR imaging of the brain. Radiology. 2000;217(2):331-345.

3. Puligheddu M, Laccu I, Gioi G, et al. Diffusion tensor imaging tractography and MRI perfusion in post traumatic brain injury hypersomnia. Sleep Med. 2017;34:96-98.

4. Wu D, Zhang J. In vivo mapping of macroscopic neuronal projections in the mouse hippocampus using high-resolution diffusion MRI. Neuroimage. 2016;125:84-93.

5. Hall JM, Ehgoetz Martens KA, Walton CC, et al. Diffusion alterations associated with Parkinson's disease symptomatology: A review of the literature. Parkinsonism Relat Disord. 2016;33:12-26.

6. Kunimatsu A, Aoki S, Masutani Y, et al. Three-dimensional white matter tractography by diffusion tensor imaging in ischaemic stroke involving the corticospinal tract. Neuroradiology. 2003;45(8):532-535.

7. Yao Y, Zhang S, Tang X, et al. Intravoxel incoherent motion diffusion-weighted imaging in stroke patients: initial clinical experience. Clin Radiol. 2016;71(9):938.e11-e16.

8. Yepes-Calderon F, Medina FM. Template-like Tensor Domain Operations to Enhancing Diffusion Datasets Quality. Advances in Science, Technology and Engineering Systems Journal. 2017;2(3):987-995.