Short-TR Optimization on Post-Contrast Deep Learning Synthetic MRI (DL-MAGiC) for Improved Visualization of ACTH-Secreting Pituitary Microadenomas: A Technical Feasibility Study

Dans le paysage complexe de la santé humaine, l'hypophyse est un organe minuscule mais vital, souvent appelée la glande maîtresse car elle dirige l'orchestre hormonal du corps. Lorsqu'une tumeur microscopique se développe sur cette glande et sécrète trop d'une hormone appelée ACTH, elle déclenche une affection connue sous le nom de maladie de Cushing. Cette pathologie provoque des changements physiques sévères et des risques pour la santé, ce qui rend crucial pour les médecins de localiser l'emplacement exact de la tumeur avant la chirurgie. Pendant des décennies, l'imagerie par résonance magnétique, ou IRM, a été la référence pour cette recherche. Cependant, la tâche est notoirement difficile. La tumeur est souvent plus petite qu'un grain de riz, et après l'injection d'un produit de contraste pour rendre les tissus visibles, la tumeur et la glande saine s'illuminent souvent avec une luminosité similaire. Ce manque de différence fait que la tumeur se fond dans l'arrière-plan, entraînant des diagnostics manqués dans un nombre significatif de cas. Lorsqu'un chirurgien ne parvient pas à trouver la tumeur, le patient peut faire face à des examens répétés, à un traitement retardé ou même à l'ablation inutile des deux glandes surrénales.

Les chercheurs savent depuis longtemps que les réglages utilisés pour prendre une image IRM peuvent modifier l'apparence des tissus. Plus précisément, le délai entre les impulsions radio, appelé temps de répétition, et le délai de capture du signal, appelé temps d'écho, déterminent le contraste entre les différents tissus. Dans une IRM traditionnelle, ces réglages sont verrouillés une fois que l'examen commence. Si les réglages initiaux ne montrent pas clairement la tumeur, le patient doit subir un autre examen avec des réglages différents, ce qui prend plus de temps et l'expose à plus de radiations ou de produit de contraste. Une nouvelle technologie appelée IRM synthétique tente de résoudre ce problème en capturant une vaste quantité de données brutes lors d'un seul examen. À partir de ces données, des ordinateurs peuvent générer des images avec n'importe quelle combinaison de réglages temporels après que le patient a quitté la machine. En ajoutant l'apprentissage profond (deep learning), une forme d'intelligence artificielle qui nettoie le bruit et accentue les détails, cette technologie promet de créer des images de haute qualité sans nécessole de nouveau passage dans la machine.

Une équipe de chercheurs de l'Hôpital de Médecine Traditionnelle Chinoise de Dianjiang et de l'Hôpital Union Medical College de Pékin s'est donné pour mission de tester si cette nouvelle approche pouvait enfin résoudre le problème de la détection de ces tumeurs insaisissables. Ils se sont concentrés sur un groupe spécifique de patients qui avaient déjà reçu un diagnostic de maladie de Cushing et dont les tumeurs avaient été retirées chirurgicalement et confirmées par pathologie. L'étude impliquait quarante-neuf patients ayant subi un examen IRM spécialisé utilisant la technique synthétique par apprentissage profond. Au lieu de simplement examiner les images produites par défaut par la machine, les chercheurs ont utilisé l'ordinateur pour synthétiser seize versions différentes de l'examen, chacune possédant une combinaison unique de réglages temporels. Ils ont ensuite mesuré la clarté avec laquelle la tumeur se détachait de la glande saine dans chaque version.

Les résultats ont révélé un schéma clair et surprenant. Pour la grande majorité des patients, dont les tumeurs apparaissaient plus sombres que les tissus environnants après l'injection du produit de contraste, les meilleures images n'étaient pas celles avec les réglages standards. Au contraire, les tumeurs devenaient plus visibles lorsque les chercheurs utilisaient un délai entre les impulsions très court. Dans ces images optimales, le contraste entre la tumeur et la glande s'est amélioré de près de quatre-vingt-dix pour cent par rapport aux réglages standards. Les tumeurs, auparavant diffuses et difficiles à distinguer, sont devenues nettes et distinctes. Les chercheurs ont constaté que cette amélioration était plus prononcée lorsque le délai entre les impulsions était fixé à 100 millisecondes et que la capture du signal était fixée entre 5 et 8 millisecondes. Bien que la luminosité globale de l'image ait légèrement chuté avec ces réglages, la différence de luminosité entre la tumeur et la glande a tellement augmenté que la tumeur est devenue beaucoup plus facile à voir.

L'étude a également examiné un groupe plus restreint de sept patients dont les tumeurs apparaissaient plus brillantes que les tissus environnants. Dans ces cas, le changement des réglages temporels n'a pas fait de différence significative de visibilité. Cette distinction est importante car elle suggère que la nouvelle technique est spécifiquement puissante pour le type de tumeur le plus courant et le plus difficile à trouver. Les chercheurs ont fait réviser les images par deux radiologues experts sans qu'ils sachent quels réglages étaient utilisés. Les médecins ont systématiquement jugé les images avec les réglages de temps courts comme excellentes, notant que les contours des tumeurs étaient nets et que les lésions étaient faciles à repérer. En revanche, les images avec les réglages standards ou plus longs ont été jugées moyennes ou médiocres, les tumeurs paraissant souvent floues ou indiscernables du tissu sain.

Ce travail représente une percée technique dans la manière dont les images IRM peuvent être traitées après avoir été prises. Les chercheurs ont démontré qu'en utilisant l'IRM synthétique par apprentissage profond, il est possible de trouver les réglages parfaits pour rendre une tumeur cachée visible sans jamais avoir à scanner à nouveau le patient. L'étude confirme que pour le type le plus courant de tumeur sécrétant de l'ACTH, un réglage de temps très court crée une image bien plus claire. Cependant, les auteurs précisent avec prudence qu'il s'agit d'une étude de faisabilité, ce qui signifie qu'elle prouve que la méthode fonctionne dans un cadre contrôlé, mais qu'elle ne prouve pas encore que l'utilisation de ces réglages dans un hôpital réel mènera à de meilleurs résultats chirurgicaux. La prochaine étape, que les chercheurs prévoient d'entreprendre, consiste à tester ces réglages optimisés directement sur des machines IRM standards pour voir s'ils peuvent améliorer le diagnostic dans le monde réel. D'ici là, cette étude fournit une feuille de route vitale sur la façon de régler la machine pour voir l'invisible, offrant l'espoir que moins de patients devront attendre un diagnostic qui semble juste hors de portée.