Brain US3D : Quantification des structures cérébrales par échographie 3D

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

Le risque de troubles du neurodéveloppement et de troubles neuromoteurs reste un problème d’actualité chez l’enfant prématuré malgré les progrès constants de la prise en charge des femmes enceintes et des nouveau-nés prématurés. L’imagerie du système nerveux central (SNC) pendant le séjour néonatal ou à la sortie des services de soins intensifs permet d’informer les parents de l’état de santé de leurs enfants, mais peut permettre également d’évaluer la qualité des prises en charge maternelles et néonatales, et de sélectionner les enfants les plus à risque susceptibles de bénéficier des nouvelles prises en charge de rééducation intensives précoces qui ont démontré récemment leur intérêt.
L’échographie cérébrale est utilisée en routine clinique chez l’enfant prématuré, afin de diagnostiquer la survenue de lésions cérébrales, en particulier de la substance blanche (SB), à l’origine des séquelles neurodéveloppementales. Cette technique d’imagerie a récemment progressé grâce aux évolutions technologiques dans le domaine des ultrasons (US), permettant certaines avancées comme la détection des petites lésions de la substance blanche comme les PWML (Quétin et al 2024). Mais, l’absence de lésions cérébrales significatives ne garantit pas la normalité de l’évolution. Par ailleurs, des altérations de la croissance cérébrale sont fréquentes chez ces enfants très prématurés, en particulier avant 28 SA, et difficiles à bien caractériser en IRM conventionnelle.
Des corrélations sont ainsi retrouvées entre défauts de croissance de certaines structures cérébrales appréciés par volumétrie semi-quantitative et devenir neurodéveloppemental, que ce soit en échographie pour le corps calleux ou en IRM.
Le développement d’algorithmes de segmentation automatique en IRM au cours des 20 dernières années a permis d’accéder à des données de volumétrie quantitative des structures cérébrales chez le nouveau-né et ainsi d’apprécier la qualité de la croissance cérébrale sur des IRM à terme ou lors d’études longitudinales. Cette nouvelle approche quantitative en imagerie IRM a permis ainsi d’établir des corrélations entre volumétrie de certaines structures cérébrales chez l’enfant prématuré évalué à terme et son neurodéveloppement. Parmi les structures étudiées, certaines études ont retrouvé des corrélations entre les données de volumétrie des basal ganglia ou des thalami avec le neurodéveloppement. Mais cette imagerie quantitative IRM, réservée à certains centres de recherche, n’est pas actuellement accessible en pratique courante, et pourrait voir son développement limité à l’avenir par la faible accessibilité de l’IRM.
En ce qui concerne l’échographie cérébrale, en l’absence de sonde 3D performante, une reconstruction 3D d’images 2D obtenues lors de séquences dynamiques « free-hand » a pu être réalisée récemment avec un excellent résultat. Après reconstruction 3D des images par un algorithme spécifique, l’utilisation de réseaux de neurones a permis la segmentation automatique en quelques secondes des ventricules latéraux avec une très bonne précision. Le développement des dernières générations de réseaux de neurones a également permis très récemment dans le domaine diagnostique, la détection automatique des lésions « ponctuées » de la substance blanche (PWML) chez le nouveau-né prématuré. En revanche, à notre connaissance, aucune publication concernant la segmentation d’une autre structure cérébrale que les ventricules latéraux n’a été retrouvée.
Le but de cette étude est de mettre au point un algorithme afin de pouvoir analyser les certaines structures cérébrales en échographie cérébrale de routine, dans une population d’enfants prématurés nés avant 33SA.
Dans un premier temps, nous voulons tester les capacités de l’intelligence artificielle à détecter automatiquement des structures de substance grise profonde. Pour cela, la segmentation automatique par deep learning (CNN) des thalami, sur des volumes US3D de cerveau d’enfants prématurés reconstruits après acquisition de séquences dynamiques « free-hand », sera réalisée. Après une phase d’apprentissage à partir d’annotations manuelles US3D, plusieurs méthodes de segmentation vont être comparées afin de déterminer la plus efficace.
Un autre objectif de ce travail sera la segmentation automatique d’autres structures cérébrales d’intérêt (noyau caudé, noyau lenticulaire, cervelet). En parallèle, le travail fourni au cours des différentes étapes permettra de constituer un atlas 3D annoté manuellement.
L’analyse volumétrique et le suivi longitudinal permettra ensuite d’établir des courbes de croissances des différentes structures cérébrales d’enfants prématurés nés avant 33 SA.
Dans une étude ultérieure, cette approche rendra possible la détection d’anomalies de croissance de ces structures et de les relier à d’éventuels problèmes développementaux, ce qui favorisera l’optimisation de la prise en charge de ces patients.