Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

Le cœur humain est une pompe incessante, battant environ une fois par seconde pour maintenir le flux sanguin à travers un vaste réseau d'artères. Pour les médecins, voir l'intérieur de ces vaisseaux clairement est vital pour diagnostiquer des obstructions qui pourraient mener à une crise cardiaque. L'un des outils les plus puissants pour cela est un type spécialisé de scanner CT, qui utilise des rayons X pour créer des images tridimensionnelles détaillées des artères coronaires. Cependant, obtenir une image nette est difficile lorsque le cœur est en mouvement. Si le cœur bat trop vite ou de manière irrégulière, l'image résultante peut paraître floue, comme une photographie prise d'un enfant qui court sans une vitesse d'obturation assez rapide. Ce problème devient particulièrement grave chez les patients souffrant de fibrillation atriale, une affection courante où les cavités supérieures du cœur frétillent au lieu de battre selon un rythme régulier. Le rythme irrégulier rend le mouvement du cœur imprévisible, transformant souvent un scanner diagnostique en un fouillis flou inutilisable pour prendre des décisions médicales.

Pendant des années, les scientifiques ont tenté de résoudre ce problème en développant des logiciels capables de « figer » le mouvement du cœur après la réalisation du scanner. Ces programmes analysent plusieurs moments du battement cardiaque et les assemblent pour créer une image plus nette. Plus récemment, une nouvelle technologie informatique appelée apprentissage profond (deep learning) a été introduite pour aider à nettoyer le bruit granuleux qui affecte souvent ces images. Alors que des études précédentes avaient examiné ces outils séparément, une nouvelle étude menée par des chercheurs à Hainan, en Chine, a cherché à voir ce qui se passe lorsqu'ils sont utilisés ensemble. Ils voulaient savoir si la combinaison d'un outil de gel de mouvement de deuxième génération et d'un puissant nettoyeur basé sur l'apprentissage profond pourrait produire des images claires et utilisables pour les patients atteints de fibrillation atriale, même lorsque leur fréquence cardiaque est élevée et irrégulière.

Les chercheurs se sont concentrés sur trente patients ayant reçu un diagnostic de fibrillation atriale et ayant subi un scanner d'angiographie coronaire par CT. Pour garantir un test équitable, ils n'ont pas administré de médicaments pour ralentir le cœur des patients, permettant ainsi aux scanners de refléter le défi réel d'un rythme cardiaque irrégulier. Les fréquences cardiaques pendant les scanners variaient de 60 à 160 battements par minute, avec une moyenne de 107 battements par minute, et le temps entre les battements variait considérablement d'une personne à l'autre. Une fois les scanners terminés, l'équipe a pris les données brutes de chaque patient et a reconstruit les images en utilisant trois méthodes différentes. La première méthode utilisait une technique de réduction du bruit standard associée à une correction de mouvement de première génération plus ancienne. La deuxième méthode utilisait la même réduction de bruit mais associée à une correction de mouvement de deuxième génération plus récente qui prend en compte le mouvement de l'ensemble du cœur, et pas seulement des artères. La troisième méthode combinaait cette nouvelle correction de mouvement avec la technologie avancée d'apprentissage profond conçue pour éliminer le bruit tout en gardant les détails fins nets.

L'équipe a ensuite comparé les résultats de ces trois approches, en examinant à la fois les moments calmes du battement cardiaque (diastole) et les moments de contraction active (systole). Ils ont mesuré la clarté des images en vérifiant la quantité de « statique » ou de grain présente et la façon dont le contraste entre les vaisseaux sanguins et les tissus environnants se détachait. Ils ont également fait appel à deux radiologues expérimentés, qui ne savaient pas quelle méthode avait créé quelle image, pour évaluer la qualité globale des scanners sur une échelle de un à cinq. Les résultats étaient frappants. Les images créées avec la technologie d'apprentissage profond et la correction de mouvement la plus récente présentaient systématiquement le moins de grain et les limites de vaisseaux les plus nettes. Lors de la phase calme du battement cardiaque, le niveau de bruit dans le meilleur groupe était nettement inférieur à celui des autres groupes, passant d'une moyenne d'environ 25 unités pour le groupe standard à un peu plus de 11 unités pour le groupe d'apprentissage profond. Cette réduction du bruit s'est traduite directement par une image beaucoup plus claire, le rapport signal sur bruit doublant dans certains cas par rapport aux anciennes méthodes.

L'amélioration n'était pas seulement une question de chiffres ; les observateurs humains l'ont aussi remarqué. Les radiologues ont attribué les scores les plus élevés aux images reconstruites avec l'apprentissage profond et la correction de mouvement de deuxième génération, particulièrement durant la phase active du battement cardiaque, là où les artefacts de mouvement sont habituellement les plus importants. Lors de la phase systolique, le score médian pour ce groupe de tête était un quatre parfait, tandis que les autres méthodes stagnaient autour de trois. L'accord entre les deux médecins était également le plus fort pour ces images, suggérant que l'amélioration était réelle et constante, et non simplement le résultat de l'opinion d'un seul médecin. L'étude a révélé que si l'ancienne correction de mouvement était meilleure que l'absence de correction, elle ne pouvait égaler la clarté obtenue lorsqu'elle était couplée à l'outil d'apprentissage profond. L'approche par apprentissage profond ne se contentait pas de lisser l'image ; elle préservait les bords nets des artères, les rendant plus faciles à tracer et à mesurer.

Cette recherche suggère que pour les patients souffrant de rythmes cardiaques irréguliers, la combinaison d'une correction de mouvement avancée et de la reconstruction d'image par apprentissage profond offre un avantage significatif par rapport aux pratiques standards actuelles. L'étude indique que cette approche peut réduire le grain de l'image et atténuer le flou causé par le mouvement erratique du cœur, transformant potentiellement des scanners qui seraient devenus illisibles en images de qualité diagnostique. Bien que l'étude ait été limitée à un petit groupe de trente patients et qu'elle ait été menée dans un seul centre médical, les résultats ouvrent une voie prometteuse. En utilisant ces technologies combinées, les médecins pourraient dépendre moins des médicaments pour ralentir le cœur avant un scanner et davantage de logiciels sophistiqués pour nettoyer l'image après coup, offrant ainsi une vue plus claire de la santé cardiaque pour une population difficile à examiner.