Méthode de post-traitement des données IRM multi-paramétriques des gliomes : premières applications en imagerie peropératoire

Grâce aux nouveaux imageurs haut champ, il est maintenant possible de proposer un bilan préopératoire résonance magnétique ncléaire (RMN) des tumeurs gliales très complet [1]. Le bilan IRM initial est composé de différentes séquences, chacune apportant un nouveau paramètre important pour le diagnostic. Ce dernier regroupe : – des séquences anatomiques (volume T1 GADO, T2 FLAIR) ; – l’imagerie de perfusion (rCBV, rCBF, MTT, TTP) ; – l’imagerie en tenseur de diffusion (CDA, FA) ; – l’imagerie fonctionnelle de repos (resting state) ; – la spectroscopie multinoyaux (1H, 31P, 23Na). Une des principales avancées est l’utilisation de noyaux alternatifs (31P, 23Na) permettant ici, grâce à une séquence de spectroscopie 3D, de dresser un bilan métabolique et énergétique de la zone lésionnelle. Grâce à la nouvelle plateforme peropératoire du centre hospitalier universitaire de Poitiers, nous pouvons proposer une continuité entre les acquisitions pré- et peropératoires. En effet, ces bilans sont effectués sur une même machine (Skyra 3T, Siemens Healthineers, Erlangen, Germany). La fiabilité des données (reproductibilité, suivi transversal) doit, à terme, être automatisée au maximum pour éviter les interventions manuelles parfois sources d’approximations. Les solutions existantes de traitement des données pré- et peropératoire qui permettent de fusionner tous ces flux de données RMN sont très partielles, voire inexistantes, pour les données multinoyaux. Une fois les données acquises et traitées, ces dernières vont tout d’abord être utilisées pour la prise en charge du patient, mais aussi pour la recherche en imagerie médicale et l’alimentation de modèles biomathématiques réalistes [2]. Nous proposons une méthode de post-traitement des images dans le but de standardiser les données multi-paramétriques post-traitées pour qu’elles puissent être utilisées plus facilement. La méthode utilise les acquisitions 3D haute résolution comme support de l’information. Les autres acquisitions sont ensuite recalées sur ce support dans le but de pouvoir fusionner leurs informations. En développant un flux de traitement en langage python et en utilisant différentes bibliothèques logicielles dédiées (Simple ITK [3], Numpy [4] et Dipy [5], par exemple), nous automatisons la chaîne de traitements. Les informations préopératoires ainsi recalées sur les images peropératoires seront ainsi réinjectées sur le navigateur du bloc dans le but de permettre au neurochirurgien d’optimiser son geste e