Andjela Dimitrijevic
Candidate au doctorat en génie biomédical
Polytechnique Montréal
NeuroPoly
Publication primée : Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches
Publiée dans : MELBA Journal
Résumé
Cet article compare deux méthodes pour recaler des paires d’images du cerveau prises à différents moments chez un même enfant à l’aide de l’imagerie par résonance magnétique (IRM). Le recalage consiste à aligner deux images pour pouvoir les comparer, un outil indispensable pour les chercheurs qui souhaitent, par exemple, surveiller la croissance du cerveau au fil du temps. D’un côté, il y a SyN ANTs, une méthode conventionnelle qui utilise un algorithme d’optimisation itérative appliqué à chaque paire d’images. De l’autre, une méthode plus récente basée sur l’intelligence artificielle (IA) via un réseau U-Net, qui apprend en s’entraînant à partir d’un ensemble de paires d’images. Nous avons testé ces méthodes sur 431 paires d’images IRM de 63 enfants âgés de 2 à 7 ans, en évaluant leur précision et leur rapidité sur 18 régions du cerveau, ainsi que leur capacité à s’adapter à des intervalles d’âge variés et aux différences entre les sexes.
Les résultats montrent que la méthode basée sur l’IA est légèrement plus précise et environ 1,5 fois plus rapide que SyN ANTs, surtout lorsqu’elle est utilisée avec un recalage linéaire au préalable. Cependant, SyN ANTs reste une option fiable et robuste, particulièrement utile lorsque l’IA ne fonctionne pas bien pour certaines paires d’images ou lorsqu’il y a peu d’images à traiter. L’IA offre de meilleurs résultats globaux en terme de qualité du recalage, pour les grandes comme les petites régions, tandis que SyN ANTs nécessiterait un ajustement manuel des paramètres pour chaque paire d’images afin d’atteindre le niveau de performance de l’IA pour une population donnée.
Une stratégie efficace serait d’utiliser d’abord l’approche basée sur l’IA pour toutes les paires d’images, puis à recourir à SyN ANTs pour les cas où le recalage échoue, ce qui permettrait de réduire le temps de traitement global tout en assurant des résultats satisfaisants. Il est important de noter que l’IA nécessite un entraînement préalable, alors que la méthode classique SyN ANTs peut être utilisée immédiatement, bien qu’elle puisse nécessiter des ajustements manuels de paramètres pour des résultats optimaux en fonction de la région spécifique à recaler.
Cependant, les deux approches rencontrent des difficultés à recaler les images lorsque les écarts d’âge entre les paires sont importants, ce qui suggère que des paires d’images prises à des intervalles de temps plus rapprochés pourraient être utilisées pour mieux caractériser la croissance dans le cadre des futures recherches sur le neurodéveloppement pédiatrique. De plus, il est important de noter que le sexe n’a pas d’incidence significative sur la qualité du recalage.