Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning

1. Problématique

L'imagerie par résonance magnétique (IRM) est cruciale pour le diagnostic rapide de l'AVC ischémique, offrant une sensibilité supérieure à la tomodensitométrie (CT). Cependant, les protocoles IRM complets sont longs, ce qui augmente la sensibilité aux mouvements du patient et retarde le traitement. Bien que l'accélération de l'acquisition (sous-échantillonnage de l'espace k) soit une solution, les méthodes d'apprentissage automatique existantes pour la reconstruction d'images accélérées souffrent d'un problème majeur : elles nécessitent de grands ensembles de données étiquetés spécifiques à l'application (par exemple, des données IRM de l'AVC avec un contraste FLAIR complet). Dans de nombreux contextes cliniques, ces données sont rares ou inexistantes, limitant l'application de modèles performants.

2. Méthodologie

Les auteurs proposent une stratégie d'entraînement inspirée du paradigme des modèles de fondation (Foundation Models), adaptée aux modèles génératifs probabilistes de diffusion (DPM) pour la reconstruction IRM accélérée.

A. Architecture et Modélisation

• Modèle : Utilisation de modèles de diffusion basés sur le score (Score-based Diffusion Models). Le réseau neuronal $G_\theta$ approxime la fonction de score $\nabla_x \log p_t(x)$ de la distribution des images IRM.
• Échantillonnage : La reconstruction est effectuée via un échantillonnage du postérieur $p(x|y)$ en résolvant une équation différentielle ordinaire (ODE). Cela permet d'intégrer à la fois la vraisemblance des données acquises (sous-échantillonnées) et la connaissance a priori apprise par le modèle.
• Adaptation aux contrastes : Le modèle est conditionné par le type de contraste (via des vecteurs one-hot et un réseau d'incorporation) pour gérer des données hétérogènes (T1, T2, FLAIR, etc.).

B. Stratégie d'Entraînement en Deux Étapes

La contribution centrale réside dans la stratégie d'entraînement proposée pour pallier le manque de données cibles :

1. Pré-entraînement à grande échelle : Un DPM est pré-entraîné sur un vaste ensemble de données publiques et diversifié (fastMRI), comprenant environ 4000 sujets avec plusieurs contrastes (T1, T2, T1 post-contraste). Cela permet au modèle d'apprendre une représentation robuste de l'anatomie cérébrale.
2. Affinage (Fine-tuning) ciblé : Le modèle pré-entraîné est ensuite affiné sur un très petit ensemble de données de l'application cible (par exemple, 20 à 25 patients avec un AVC).
   • Hyperparamètres critiques : Pour éviter le surapprentissage (overfitting) et l'oubli catastrophique, les auteurs utilisent un taux d'apprentissage réduit (d'un ordre de grandeur inférieur) et un nombre d'époques limité (environ 2 % du temps de pré-entraînement).
   • Mise à jour : Seuls les poids du modèle et du réseau d'incorporation sont mis à jour pour s'adapter au contraste spécifique cible.

C. Validation

L'approche a été validée sur deux fronts :

• Expériences contrôlées (fastMRI) : Simulation d'un régime de faible données en n'utilisant que 20 sujets FLAIR pour l'affinage, comparé à des modèles entraînés sur 344 sujets.
• Application clinique (AVC) : Utilisation de données réelles d'un hôpital local (30 patients) pour affiner le modèle sur des séquences SWI, MPRAGE, DWI et FLAIR, suivie d'une étude en aveugle avec des radiologues.

3. Résultats Clés

A. Performance Quantitative (fastMRI)

• Équivalence des performances : Le modèle pré-entraîné et affiné sur seulement 20 sujets atteint des performances de reconstruction (mesurées par l'erreur quadratique moyenne normalisée, NRMSE) comparables à celles d'un modèle entraîné sur 344 sujets cibles, sur des facteurs d'accélération allant de 3 à 8.
• Importance de l'affinage modéré : Un affinage insuffisant (0 époque) ou excessif (trop d'époques ou taux d'apprentissage trop élevé) dégrade la qualité. Un compromis optimal a été trouvé (ex: 650 époques avec un taux d'apprentissage de $10^{-5}$).
• Comparaison : La méthode proposée surpasse nettement les approches qui entraînent uniquement sur les 20 sujets ou qui effectuent un entraînement conjoint sans affinage séquentiel.

B. Validation Clinique (Étude en aveugle)

• Protocole : Deux neuroradiologues ont comparé des images reconstruites à partir de données accélérées (facteur effectif R ≈ 4, soit 2x sous-échantillonnage supplémentaire par rapport au standard) avec des images standards.
• Résultats :
  • Pour le premier lecteur (80 sujets), la reconstruction accélérée proposée a obtenu des scores non inférieurs (et parfois statistiquement supérieurs pour le rapport signal-bruit et la réduction d'artefacts) par rapport au standard de soins pour la délimitation des structures (matière grise, blanche, ventricules) et la qualité globale.
  • Pour le deuxième lecteur (21 sujets), les scores étaient similaires, bien que légèrement en faveur du standard pour le SNR, mais sans différence significative sur la plupart des autres métriques.
  • La fiabilité inter-lecteur était faible à modérée, mais les scores moyens restaient élevés (autour de 4/5, soit "bon" à "excellent") pour les deux méthodes.

C. Données Prospectives

Des tests sur des données acquises prospectivement (sous-échantillonnage réel lors de l'acquisition) sur un volontaire sain ont confirmé que la méthode réduit les artefacts de reconstruction par rapport à une base de référence L1-wavelet, avec une qualité d'image similaire entre les données rétrospectives et prospectives.

4. Contributions Principales

1. Stratégie d'entraînement efficace : Démonstration qu'un pré-entraînement massif sur des données diversifiées, suivi d'un affinage ciblé avec des hyperparamètres stricts, permet de surmonter la pénurie de données spécifiques à l'application en IRM médicale.
2. Adaptabilité aux contrastes : La méthode fonctionne efficacement sur plusieurs contrastes IRM (FLAIR, SWI, DWI, MPRAGE) avec un seul modèle pré-entraîné, nécessitant très peu de données cibles pour chaque nouveau contraste.
3. Validation clinique rigoureuse : Première démonstration d'un modèle de diffusion basé sur la fondation pour l'IRM de l'AVC, validé par une étude en aveugle avec des experts cliniques, prouvant la non-infériorité par rapport aux protocoles standards.
4. Indépendance du modèle d'acquisition : Contrairement aux méthodes end-to-end, les DPMs sont agnostiques au modèle d'acquisition (géométrie des bobines, motif d'échantillonnage), facilitant le transfert entre différents scanners et protocoles.

5. Signification et Impact

Ce travail ouvre la voie à l'adoption clinique de l'IRM accélérée dans des contextes où les données d'entraînement spécifiques sont rares (comme les pathologies rares ou les protocoles hospitaliers spécifiques). En réduisant considérablement le besoin de grands ensembles de données cibles tout en maintenant une qualité d'image cliniquement acceptable, cette approche rend viable l'utilisation de modèles génératifs complexes pour l'accélération de l'IRM. Elle suggère que le paradigme des modèles de fondation, déjà dominant en traitement du langage naturel, peut être transposé avec succès à l'imagerie médicale pour améliorer l'efficacité des diagnostics, en particulier dans les cas d'urgence comme l'AVC.

Limites et Perspectives : Les temps de reconstruction actuels restent longs par rapport aux méthodes d'imagerie parallèle conventionnelles. Les travaux futurs se concentreront sur l'optimisation de l'inférence et la validation sur de plus grandes cohortes de patients avec des acquisitions prospectives.