AVERTISSEMENT

Ce document est le fruit d'un long travail approuvé par le jury de

soutenance et mis à disposition de l'ensemble de la
communauté universitaire élargie.

Il est soumis à la propriété intellectuelle de l'auteur. Ceci

implique une obligation de citation et de référencement lors de
l’utilisation de ce document.

D'autre part, toute contrefaçon, plagiat, reproduction illicite

encourt une poursuite pénale.

Contact : [email protected]

LIENS

Code de la Propriété Intellectuelle. articles L 122. 4

Code de la Propriété Intellectuelle. articles L 335.2- L 335.10
http://www.cfcopies.com/V2/leg/leg_droi.php
http://www.culture.gouv.fr/culture/infos-pratiques/droits/protection.htm
FACULTE DES SCIENCES ET TECHNOLOGIES
Ecole Doctorale : IAEM Lorraine
Departement : Automatique
Spécialité : Automatique et Traitement du Signal

Thèse
présentée pour l’obtention du titre de
Docteur en Sciences de l’Université Henri Poincaré, Nancy 1

par Brice FERNANDEZ

Techniques Adaptatives pour l’Imagerie

par Résonance Magnétique des Organes
en Mouvement
Soutenue le 12 Novembre 2010

Membres du jury :

Rapporteurs :
Frédérique Frouin Chargée de Recherche, INSERM U678, Paris
Sebastian Kozerke Professeur, Université et ETH de Zurich

Examinateurs :
Jean-Nicolas Dacher PU/PH, Université de Rouen, LITIS EA 4108, Président du Jury
Jacques Felblinger Professeur, UHP Nancy, Directeur de Thèse
Pierre-Yves Marie PU/PH, UHP Nancy
Timo Schirmer Directeur Scientifique - Manager, GE Healthcare, Munich
Pierre-André Vuissoz Ingénieur de Recherche, UHP Nancy, Co-directeur de Thèse

Laboratoire IADI - Imagerie Adaptative Diagnostique et Interventionnelle

INSERM U947, Nancy-Université U.H.P., CHU de Nancy - 54511 Vandoeuvre-Lès-Nancy
FACULTE DES SCIENCES ET TECHNOLOGIES
Ecole Doctorale : IAEM Lorraine
Departement : Automatique
Spécialité : Automatique et Traitement du Signal

Thèse
présentée pour l’obtention du titre de
Docteur en Sciences de l’Université Henri Poincaré, Nancy 1

par Brice FERNANDEZ

Techniques Adaptatives pour l’Imagerie

par Résonance Magnétique des Organes
en Mouvement
Soutenue le 12 Novembre 2010

Membres du jury :

Rapporteurs :
Frédérique Frouin Chargée de Recherche, INSERM U678, Paris
Sebastian Kozerke Professeur, Université et ETH de Zurich

Examinateurs :
Jean-Nicolas Dacher PU/PH, Université de Rouen, LITIS EA 4108, Président du Jury
Jacques Felblinger Professeur, UHP Nancy, Directeur de Thèse
Pierre-Yves Marie PU/PH, UHP Nancy
Timo Schirmer Directeur Scientifique - Manager, GE Healthcare, Munich
Pierre-André Vuissoz Ingénieur de Recherche, UHP Nancy, Co-directeur de Thèse

Laboratoire IADI - Imagerie Adaptative Diagnostique et Interventionnelle

INSERM U947, Nancy-Université U.H.P., CHU de Nancy - 54511 Vandoeuvre-Lès-Nancy
À mes parents...

7
But that’s what the best inventions are. After you see them, they are obvious.

Robert G. Gallager
Professeur Émérite du MIT
IEEE Spectrum, May 2010.

9
Remerciements

Ces travaux de recherche n’auraient pu être menés à bien sans un environnement propice.
N’oublions pas que la recherche est un travail d’équipe. Je tiens donc à remercier tous ceux
qui ont participé de près ou de loin à rendre ces travaux possibles aux niveaux scientifique,
humain, matériel et financier. Je m’efforcerai de n’oublier personne.

Mes premiers remerciements iront à mon directeur de thèse, le Professeur Jacques Felblin-
ger, et à mon codirecteur de thèse, Pierre-André Vuissoz. Merci à Jacques Felblinger de m’avoir
proposé ce sujet de thèse qui a d’ores et déjà changé ma vie et d’avoir mis en place et dirigé
une structure avec un excellent environnement de travail que nous appelons communément le
laboratoire IADI. Ceci est valable au niveau scientifique, matériel et humain. Je remercie vive-
ment Pierre-André Vuissoz, avec qui j’ai travaillé en étroite collaboration, pour ses remarques
pertinentes, aussi bien lors de discussions scientifiques que lors de discussions d’ordre géné-
rale autour d’un café, pour l’étendue de son savoir en IRM et pour le temps précieux qu’il m’a
accordé tout au long de cette thèse. Pierre-André, je n’oublierai jamais ce cours de RMN impro-
visé entre deux cafés dans les trois minutes qui ont suivi mon arrivée lors de mon premier jour
au laboratoire. Je n’oublierai pas non plus cette explosion de crème dessert à la cantine durant
mon deuxième ou troisième jour au laboratoire. Un grand merci à vous deux.

Je remercie ensuite les Professeurs Frédérique Frouin et Sebastian Kozerke d’avoir accepté
le rôle de rapporteur, de l’intérêt qu’ils ont porté à mes travaux et de tout le travail supplé-
mentaire qu’ils ont accompli pour l’évaluation de ces travaux. Je tiens ensuite à remercier le
Professeur Jean-Nicolas Dacher pour avoir accepté le rôle de président du jury et pour les
éclaircissements sur le fonctionnement du cœur humain qu’il a apportés lors de la soutenance.
Je remercie également les autres examinateurs, le Professeur Pierre-Yves Marie ainsi que Timo
Schirmer, d’avoir pris part au jury et de toutes les choses que j’ai pu apprendre à leurs cotés.
Un grand merci à vous tous.

L’aspect financier est un aspect important pour pouvoir réaliser des travaux de recherche
dans de bonnes conditions. Je tiens donc à remercier General Electric pour avoir financer l’inté-
gralité de mes travaux ainsi que l’ensemble des personnes ayant rendu ce financement possible.
Cette thèse a été faite sous convention CIFRE avec la zone France de General Electric (GE Me-
dical Systems SCS) et plus particulièrement le "MR Marketing France". Je remercie vivement
Guillaume Calmon d’avoir mis en place la convention CIFRE et Muriel Perrin qui a ensuite
assuré la gestion administrative et le suivi scientifique de mes travaux durant toutes ces an-
nées. Je remercie également Sébastien Savard et Gilles Aucoin qui ont toujours fait en sorte de
me donner les moyens financiers pour que je puisse me rendre aux différentes conférences et
réunions auxquelles je souhaitais participer malgré un contexte économique parfois difficile.
La liste n’est pas exhaustive mais elle serait trop longue à écrire. Je suis sûr que les personnes
concernées se reconnaîtront.

Je souhaite aussi remercier l’ensemble de l’équipe ASL Europe (Applied Science Labora-
tory). En particulier, je remercie chaleureusement Timo Schirmer d’avoir créer le statut de "as-
sociate scientist" ce qui m’a permis d’être associé à cette équipe de recherche européenne et de
toute l’aide qu’il a pu m’apporter. Je remercie vivement Patrick Le Roux pour toute l’aide et

11
Remerciements

tous les éclaircissements qu’il m’a apporté au niveau RNM, "design" de séquence et de RF. J’ai
appris une quantité de choses incroyables à ces cotés lors de ses visites à Nancy même si je n’ai
pas forcément tout compris. Je tiens également à remercier Derek Shaw d’avoir relu et corrigé
mon article. Je remercie Race Yeung, Ralph Noeske et Gavin Houston pour leur précieuse aide
pour résoudre un certain nombre de problèmes techniques. Je remercie également les autres
"associate scientists" à savoir Torben Frund, John Evans et Roberto Garcia.

Coté laboratoire IADI, je commencerai par remercier Julien Oster, Maélène Lohézic et Da-
mien Mandry avec qui nous avons travaillé en étroite collaboration ce qui a permis à l’article
MRM et au chapitre 3 du présent document de voir le jour, chacun ayant sa spécialité. Pour
ceux qui l’ignore Julien et Maélène sont des amis de longue date, je n’oublierai pas ces bons
repas (Maélène bien sûr), ces voyages aux quatre coins du monde (Nice, Berlin, Toronto, Mont-
réal, Honolulu, San Fransico, Stockholm...) et plein d’autres choses que je dois taire ici. Je ne
m’inquiète pas je sais déjà que l’on se reverra régulièrement.

Je remercie également Olivier Pietquin qui a joué un rôle majeur dans ma décision de faire
une thèse et qui m’a orienté vers le laboratoire IADI. Je ne le remercierai peut-être jamais assez
de m’avoir encouragé avant et pendant cette thèse. En revanche, je ne te remercie pas du tout
d’avoir fait découvrir Alan Jackson à Julien qui, depuis ce jour, nous casse les oreilles avec. Tu
aurais dû lui faire écouter Pink Floyd mais encore eut-il fallu que Julien fût sensible à la bonne
musique.

Je remercie aussi, dans le désordre, Damien Husson, Freddy Odille, Cédric Pasquier, Ad-
nane Benhadid, Laure Rousselet autrefois Godignon, Zhor Ramdan-Chérif et Yannick Pon-
vianne pour, toujours dans le désordre, la mise en place, le développement, la maintenance
des constituants et surtout l’administration du SAEC et d’ArchiMed. Je crois que ces différents
outils vont me manquer, surtout ArchiMed. Je crois aussi que je ne retrouverai pas d’adminis-
trateur système tel que Damien Husson qui gère efficacement absolument tout ce qui touche à
l’informatique.

Coté CIC-IT, je tiens à remercier Gabriela Hossu et Marine Beaumont pour leur aide, leurs
bons conseils dans bien des domaines (statistiques par exemple) et leur bonne humeur au la-
boratoire comme à l’extérieur. Je remercie Emmanuelle André pour la gestion et le recrutement
des volontaires sains sans qui un certain nombre d’études n’aurait pas été fait dans les règles
de l’art. Je remercie aussi Emilien Micard pour ces bons conseils en informatique. D’ailleurs
Emilien, je ne te ferai pas l’affront de te rappeler cette histoire de filtrage, deux fois dans deux
thèses différentes, ça ferait beaucoup.

Je remercie aussi Marina Filipovic, ma collègue de bureau, pour sa bonne humeur, sa joie de
vivre quotidienne, pour tous les bruits étranges qu’elle fait et qui nous font bien rire (n’est-ce
pas Damien) et surtout de ne plus manger de Kebab dans le bureau.

Je n’oublie pas les autres membres du laboratoire IADI et du CIC-IT avec qui je n’ai que peu
travaillé puisqu’ils sont arrivés beaucoup plus récemment ou partis. Je parle bien sûr de, dans
l’ordre alphabétique : Anna, Anne, Anou, Céline, Christophe, Hélène, Jérôme, Lucas, Marion,
Mélanie, Romain2 , Slavisa et tous ceux que j’oublie au moment où j’écris ces lignes. Je remercie
également Jean-Marie Escanyé avec qui j’ai passé beaucoup de temps à tailler le bout de RMN
et à faire des ROI sur des cœurs pas toujours sains.

Je remercie les manipulateurs IRM du service de radiologie de Brabois-adulte sans qui les
études sur volontaires sains n’auraient pu se faire dans de bonnes conditions : Isabelle Krebs,
Isabelle Billot, Agnés Basile, Charlotte Saive, Valérie Parmentier, Michel Lapp, Marlène Pansiot
et celle qui est partie : Christine Kieffer.

12
 Mes derniers remerciements iront à ma famille et à mes amis. Je remercie tout naturellement
mes parents, sans qui, je ne serais pas là, pour m’avoir toujours laissé faire ce dont j’avais envie.
Je remercie également mes oncles et tantes, ma soeur et le tout reste de la famille.

Pour finir, je tiens à remercier tous mes amis pour leur soutien et tout le reste, je ne ferai pas
de liste exhaustive mais vous vous reconnaîtrez dans ce qui suit. Merci à ceux de Nancy qui
ont contribué à un certain nombre de mes arrivées un peu tardives au laboratoire, de Luynes,
de Tours, de Supélec et surtout du C300, de Poitiers et de Paris. Merci à tous.

13
Résumé

L’imagerie par résonance magnétique (IRM) est un outil remarquable pour le diagnostic
clinique, aussi bien pour l’imagerie cérébrale que pour l’imagerie cardiaque et abdominale. En
IRM cardiaque, deux problèmes sont récurrents : la non reproductibilité des cycles cardiaques
et le mouvement respiratoire. L’IRM cardiaque morphologique est généralement faite avec une
séquence composée d’une préparation longue, visant à annuler le signal du sang pour accen-
tuer le contraste au niveau du myocarde, et de l’acquisition à proprement parler. Ces acqui-
sitions sont généralement faites en mésodiastole (phase de relaxation passive du cœur) ce qui
permet de satisfaire les contraintes liées à l’annulation du sang et d’éviter les problèmes liés aux
non reproductibilités des cycles cardiaques car la mésodiastole est longue. Il est donc difficile
de satisfaire les contraintes liées à l’annulation du sang pour faire les acquisitions en télésystole
(phase où le cœur est contracté) à cause des non reproductibilités cardiaques car la télésystole
est courte. Afin de passer outre ces limitations et de pouvoir acquérir ces mêmes images mor-
phologiques en télésystole, nous proposons une nouvelle méthode adaptative qui permet à la
fois de placer la fenêtre d’acquisition de manière optimale et de satisfaire les contraintes liées
à l’annulation du sang. Une application de cette méthode a également été mise en place pour
estimer et comparer les temps de relaxation transversale (T2 ) entre télésystole et mésodiastole.
Pour la gestion prospective du mouvement respiratoire, le point crucial est d’estimer les mou-
vements en temps réel en perturbant au minimum les signaux de résonance magnétique. Pour
ce faire nous proposons une méthode basée sur l’estimation paramétrique des mouvements
en temps réel à partir des signaux physiologiques disponibles (ceintures respiratoires et ECG).
Cette méthode a été testée et les résultats montrent son intérêt et sa fiabilité par rapport aux
erreurs faites au niveau du mouvement. Une méthode de reconstruction incluant les mouve-
ments a également été utilisée pendant ces travaux afin de faire de l’imagerie en télésystole en
respiration libre et d’utiliser d’autres types de capteurs respiratoires comme certains signaux
de résonance magnétique. Ainsi pendant ces travaux, des méthodes adaptatives ont été mises
en place afin de mieux gérer le mouvement et de prendre en compte les spécificités de chaque
patient. Ces travaux ouvrent la voie de l’imagerie par résonance magnétique adaptative plei-
nement fonctionnelle dans un contexte clinique.

Mots clés : Imagerie par Résonance Magnétique, Mouvement, Cœur, Ventricule Droit, Rythme
Cardiaque, Télésystole, Relaxation spin-spin (T2 ), Filtrage de Kalman.

15
Abstract

Magnetic resonance imaging (MRI) is a valuable tool for the clinical diagnosis for brain
imaging as well as cardiac and abdominal imaging. In cardiac MRI, there are two challenging
issues: the non reproducibility of cardiac cycles and respiratory motion. Morphological cardiac
MRI is generally performed with a pulse sequence composed of a long preparation, to cancel
the blood signal and thus enhance the contrast of the myocardium, and the acquisition itself.
These acquisitions are performed during the mid-diastolic rest (relaxation period of the heart)
to satisfy constraints to cancel the blood signal and to avoid problems linked to the cardiac
non reproducibility because the mid-diastolic rest is long. Consequently, to acquire images in
end-systolic rest (when the heart is fully contracted) while taking into account constraints to
cancel the blood signal is not straight forward due to cardiac non reproducibility because the
end-systolic rest is short. To overcome these limitations and to acquire images in end-systolic
rest, a new adaptive method is introduced that allows to optimally placing acquisition win-
dows while taking constraint for the cancellation of the blood signal into account. This method
was applied to measure and compare transverse relaxation time (T2 ) between end-systolic and
mid-diastolic rests. For prospective respiratory motion correction, the crucial point is to esti-
mate motion in real-time without perturbing MR signal used for imaging. In order to solve this
issue, a new method is introduced aiming at estimating motion parameters in real-time based
on physiological signals such as respiratory bellows and ECG. This method is evaluated and
results show its interest and its reliability regarding motion estimation errors. A reconstruc-
tions algorithm is also used in order to perform cardiac imaging during the end-systolic rest
in free breathing and to use different kind of respiratory motion sensors such as MR signals.
Hence, during this research work, several adaptive method were developed to get a better ma-
nagement of motion and to take into account specificity of each patient. These works open the
way of fully functional adaptive magnetic resonance imaging in a clinical situation.

Keywords : Magnetic Resonance Imaging, Motion, Heart, Right Ventricle, Heat Rate, End-
systolic Rest, Spin-spin Relaxation (T2 ), Kalman Filtering.

17
Liste des Abréviations

ACRM Angiographie des coronaires par résonance magnétique

AP direction Antéro-postérieure par rapport au patient
~0
B champ magnétique statique
~1
B champ magnétique radio-fréquence tournant
DAS Débit d’absorption spécifique
dB Décibel
DG direction Droite-Gauche par rapport au patient
ECG Électrocardiogramme
FIESTA "Fast Imaging Employing Steady sTate Acquisition" (séquence)
FSE "Fast Spin Echo" (séquence)
Gi Gradient de champ magnétique dans la direction i ∈ (x, y, z)
IADI Imagerie Adaptative Diagnostique et Interventionnelle
ISMRM "International Society for Magnetic Resonance in Medicine"
Gradient Gradient de champ magnétique
GRAMM Groupement de Recherche sur les Applications du Magnetisme en Médecine
IRM Imagerie par résonance magnétique
MHD Magnetohydrodynamique
QRS Complexe caractéristique du signal ECG
R Onde caractéristique du signal ECG
RF Radio-Fréquence
RL direction "Right-Left" par rapport au patient
RMN Résonance Magnétique Nucléaire
RR Intervalle entre deux ondes R
S Onde caractéristique du signal ECG
SAEC "Signal Analyzer and Event Controller" plateforme d’acquisition et de traite-
ment temps réel des données physiologiques développée par le laboratoire
IADI
SAR "Specific Absorption Rate"
SE "Spin Echo" (Séquence)
SI direction Supérieur-Inférieure (Tête-pieds)
T Tesla
T Onde caractéristique du signal ECG
T1 Temps de relaxation longitudinale
T2 Temps de relaxation transversale
VCG Vectocardiogramme

19
Table des matières

Remerciements 11

Résumé 15

Abstract 17

Liste des Abréviations 19

Table des matières 21

Table des figures 25

Liste des tableaux 29

Introduction 31

I IRM : Généralités et état de l’art 35

1 Imagerie par résonance magnétique 37

1.1 La résonance magnétique nucléaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.1.1 Bref historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.1.2 Origine du signal de RMN : moments cinétique et magnétique nucléaire . 37
1.1.3 Application d’un champ magnétique statique . . . . . . . . . . . . . . . . 38
1.1.4 Aimantation résultante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.1.5 Onde radio-fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.1.6 Équation de Bloch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.1.7 Repère tournant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.1.8 Excitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.1.9 Relaxation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.2 Formation de l’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.2.1 Constitution de la machine . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.2.2 Sélection de coupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.2.3 Encodages de phase et de fréquence . . . . . . . . . . . . . . . . . . . . . . 49
1.2.4 Espace k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.2.5 Trajectoires dans l’espace k . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.3 Séquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.3.1 Echos de spin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.3.2 Echo de gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.3.3 Fast Spin Echo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.3.4 Balanced Steady State Free Precession . . . . . . . . . . . . . . . . . . . . . 60

21
TABLE DES MATIÈRES

2 Mouvements et non reproductibilité en IRM 63

2.1 Origines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.1.1 Mouvement cardiaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.1.1.1 Description et fonctionnement du cœur . . . . . . . . . . . . . . 63
2.1.1.2 L’électrocardiogramme (ECG) . . . . . . . . . . . . . . . . . . . . 64
2.1.1.3 L’ECG en IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.1.2 Mouvement respiratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.1.2.1 Description et organes concernés . . . . . . . . . . . . . . . . . . 68
2.1.2.2 Mesure du mouvement respiratoire . . . . . . . . . . . . . . . . . 69
2.1.3 Plateforme de traitement des signaux physiologiques . . . . . . . . . . . . 70
2.1.3.1 Intérêt et constitution . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.1.3.2 Logiciel et interface . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.2 Conséquences sur les images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.2.1 Mouvements inter-acquisitions . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.2.1.1 Mouvement sinusoïdal dans la direction de fréquence . . . . . . 73
2.2.1.2 Mouvement sinusoïdal dans la direction de phase . . . . . . . . 75
2.2.1.3 Exemple sur fantômes . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.2.2 Mouvements intra-acquisition . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.2.3 Sortie de plan de coupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.2.4 Conclusion sur les effets du mouvement en IRM . . . . . . . . . . . . . . . 80
2.3 Les solutions en clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.3.1 Synchronisation et apnée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.3.1.1 Apnée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.3.1.2 Synchronisation cardiaque . . . . . . . . . . . . . . . . . . . . . . 83
2.3.1.3 Synchronisation respiratoire . . . . . . . . . . . . . . . . . . . . . 84
2.3.1.4 Double Synchronisation . . . . . . . . . . . . . . . . . . . . . . . 85
2.3.2 Limites des hypothèses de reproductibilité . . . . . . . . . . . . . . . . . . 85
2.3.2.1 Reproductibilité cardiaque . . . . . . . . . . . . . . . . . . . . . . 85
2.3.2.2 Reproductibilité respiratoire . . . . . . . . . . . . . . . . . . . . . 86
2.4 Les solutions : état de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
2.4.1 Correction prospective de mouvement . . . . . . . . . . . . . . . . . . . . 86
2.4.1.1 Estimation de mouvement . . . . . . . . . . . . . . . . . . . . . . 86
2.4.1.2 Correction de mouvement . . . . . . . . . . . . . . . . . . . . . . 90
2.4.2 Correction de mouvement rétrospective . . . . . . . . . . . . . . . . . . . . 92
2.4.3 Autres approches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
2.4.4 Limites de ces méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

II L’IRM adaptative 97

3 Adaptations temporelles 99
3.1 Imagerie en sang noir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.1.1 Suppression du signal du sang . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.1.2 Utilisation en clinique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.1.3 Limites de cette séquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.2 Sang noir en télésystole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.2.1 Théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.2.1.1 La méthode du délai fixe . . . . . . . . . . . . . . . . . . . . . . . 104
3.2.1.2 La méthode adaptative . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2.2 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.2.3 Résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.2.4 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.2.4.1 Protocole IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

22
 TABLE DES MATIÈRES

3.2.4.2 Analyse des données . . . . . . . . . . . . . . . . . . . . . . . . . 112

3.2.5 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.2.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.3 Applications : mesure du T2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.3.1 Rappels sur la mesure de T2 et interface graphique . . . . . . . . . . . . . 124
3.3.2 T2 du ventricule gauche en systole et diastole . . . . . . . . . . . . . . . . . 126
3.3.2.1 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.3.2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
3.3.2.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.3.3 T2 du ventricule droit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.3.3.1 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.3.3.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.3.3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
3.3.4 Limites de cette étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3.3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.4 En respiration libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.4.1 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.4.1.1 Protocole IRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.4.1.2 Reconstruction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.4.1.3 Analyse des données . . . . . . . . . . . . . . . . . . . . . . . . . 140
3.4.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
3.4.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3.5 Conclusion globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

4 Adaptations spatiales 149

4.1 Estimation de mouvement temps réel . . . . . . . . . . . . . . . . . . . . . . . . . 149
4.1.1 Estimation de mouvement en traitement d’images . . . . . . . . . . . . . . 149
4.1.2 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.1.3 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.1.3.1 Acquisition IRM et signaux physiologiques . . . . . . . . . . . . 152
4.1.3.2 Calibration du modèle . . . . . . . . . . . . . . . . . . . . . . . . 153
4.1.3.3 Utilisation et validation du modèle . . . . . . . . . . . . . . . . . 155
4.1.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.1.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.2 DIR-FSE avec navigateurs embarqués pour GRICS . . . . . . . . . . . . . . . . . . 163
4.2.1 Principes et théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
4.2.1.1 Séquence DIR-FSE-NAV . . . . . . . . . . . . . . . . . . . . . . . 163
4.2.1.2 Traitement des navigateurs . . . . . . . . . . . . . . . . . . . . . . 164
4.2.2 Matériels et méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
4.2.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

Conclusions et perspectives 171

III Annexes 175

A Filtrage de Kalman 177

23
TABLE DES MATIÈRES

B Détails des séquences 179

B.1 fgrext . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
B.2 fgrekt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
B.3 fsegrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
B.4 fsenav . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
B.5 fsekft . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
B.6 ssfsekft . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
B.7 fgremotion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

C Contributions et publications 185

C.1 Journaux Internationaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
C.2 Conférences Internationales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
C.3 Conférences Nationales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

Bibliographie 189

Index 205

24
Table des figures

1.1 Moments magnétique nucléaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

1.2 Mouvement de précession d’un spin isolé . . . . . . . . . . . . . . . . . . . . . . . 40
1.3 Représentation simplifiée d’un ensemble de spins et de la magnétisation résultante 41
1.4 Deux exemples d’impulsions RF très répandues (rectangle et sinus cardinal) . . . 42
1.5 Illustration du phénomène d’excitation pendant l’application d’une impulsion RF. 44
1.6 Relaxation et précession libre représentait dans les repères fixe et tournant. . . . 45
1.7 Courbes de relaxation après une impulsion (π/2)x0 . . . . . . . . . . . . . . . . . . 46
1.8 Principe de la démodulation en quadrature et numérisation. . . . . . . . . . . . . 47
1.9 Représentation d’un gradient linéaire appliqué selon z. . . . . . . . . . . . . . . . 48
1.10 Sélection de coupe par application d’un gradient de champ magnétique linéaire
et d’une impulsion RF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.11 Espace image et espace k. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
1.12 Différentes trajectoires couramment utilisées en IRM pour couvrir l’espace k. . . 52
1.13 Description d’une expérience d’écho de spin. . . . . . . . . . . . . . . . . . . . . . 53
1.14 Séquence d’imagerie d’écho de spin. . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1.15 Exemple d’images faites avec une séquence d’écho de spin sur fantôme. . . . . . 56
1.16 Echo de gradient spoilé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1.17 Description d’une séquence d’écho de spin rapide. . . . . . . . . . . . . . . . . . . 58
1.18 Exemple d’images acquises avec une séquence Fast Spin Echo. . . . . . . . . . . . 59
1.19 Exemples d’images en Single Shot Fast Spin Echo. . . . . . . . . . . . . . . . . . . 60
1.20 Description d’une séquence de type bSSFP. . . . . . . . . . . . . . . . . . . . . . . 61
1.21 Exemples d’images acquises avec une séquence bSSFP. . . . . . . . . . . . . . . . 62

2.1 Description des différentes parties du coeur. . . . . . . . . . . . . . . . . . . . . . 64

2.2 Dépolarisation des cellules cardiaques et création du signal ECG (Netter, 1992). . 65
2.3 La révolution cardiaque et les différentes déflections de l’ECG (Netter, 1992). . . 66
2.4 Influence du champ magnétique statique sur un tracé ECG d’un homme (Cha-
keres et al., 2003). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.5 Influence du champ statique (1.5 T) et des gradients sur l’ECG dans l’environne-
ment de l’IRM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6 Mouvement des organes pendant l’inspiration (Segars et Tsui, 2009). . . . . . . . 68
2.7 Influence de la respiration sur un signal ECG acquis en IRM. . . . . . . . . . . . . 69
2.8 Placement d’échos-navigateurs sur le l’hémidiaphragme droit et sur le coeur. . . 70
2.9 Les différents constituants de la partie temps réel du SAEC. . . . . . . . . . . . . 71
2.10 Interface graphique du SAEC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.11 Vue d’ensemble du SAEC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.12 Photographie du respirateur et de la plateforme mobile utilisés pour simuler des
mouvements périodiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.13 Mouvement périodique réel mesuré par la ceinture respiratoire et sa fréquence
fondamentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.14 Application d’un mouvement sinusoïdal dans les direction de fréquence et de
phase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

25
TABLE DES FIGURES

2.15 Gradient de lecture bipolaire utilisé pour le calcul du déphasage des isochro-
mates lors d’un déplacement linéaire à vitesse constante. . . . . . . . . . . . . . . 79
2.16 Expérience sur fantôme d’un mouvement sinusoïdal perpendiculaire au plan de
coupe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.17 Effet d’un mouvement du champ de vue sur l’image reconstruite lorsque l’objet
est statique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.18 Histogramme de la durée des apnées sur 141 patients. Extrait de (Jahnke et al.,
2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.19 Principe schématisé de la synchronisation prospective. . . . . . . . . . . . . . . . 83
2.20 Synchronisation cardiaque rétrospective utilisée pour faire une "ciné" cardiaque. 84
2.21 Différents types de navigateurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.22 Acquisition de type PROPELLER avec 4 pales chacune représentée en couleur
(noir, jaune, rouge et bleu). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.23 Principe de l’utilisation d’un navigateur en IRM cardiaque. . . . . . . . . . . . . . 89

3.1 Repousse de la magnétisation longitudinale après un inversion (180◦ ) en consi-

dérant un TR infini. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.2 Principe de la DIR-FSE ou Sang Noir utilisée en clinique. . . . . . . . . . . . . . . 101
3.3 La séquence DIR-FSE en utilisation normale. . . . . . . . . . . . . . . . . . . . . . 102
3.4 Exemple d’image en sang noir et en mésodiastole acquise avec une DIR-FSE à
1.5 T. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.5 Description de la méthode standard pour une DIR-FSE et de la méthode du délai
fixe pour des acquisitions en sang noir et en télésystole. . . . . . . . . . . . . . . . 105
3.6 Les différentes séquences sang noir appliquées de différentes manières en pré-
sence de variations d’intervalles RR significatives. . . . . . . . . . . . . . . . . . . 107
3.7 Représentation graphique de l’erreur faite sur le trigger delay que nous évaluons
pour comparer les différentes méthodes. . . . . . . . . . . . . . . . . . . . . . . . . 110
3.8 Résultats obtenus sur le volontaire 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.9 Résultats obtenus sur le volontaire 4. . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.10 Histogramme normalisé de la valeur absolue de l’erreur faite sur le trigger delay
par la méthode adaptative et par la méthode du délai fixe. . . . . . . . . . . . . . 114
3.11 Erreur quadratique moyenne faite sur le trigger delay par volontaire pour la
méthode adaptative (noir) et le méthode du délai fixe (gris). . . . . . . . . . . . . 115
3.12 Résultats sur la qualité diagnostique des images acquises avec les trois méthodes. 116
3.13 Résultats de la comparaison de la qualité image des ventricules droit et gauche . 116
3.14 Résultats de la comparaison de la qualité image des parois inférieure et libre du
ventricule droit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.15 Images en télésystole du volontaire 12. . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.16 Images du volontaire 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.17 Images du volontaire 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.18 Images des volontaire 8 et 9 avec des annotations sur l’épaisseur du ventricule
droit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
3.19 Différents modèles cardiaques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.20 Exemple de mesure de T2 sur des données faites en simulation. . . . . . . . . . . 125
3.21 Interface graphique guiT2 permettant la mesure du T2 . . . . . . . . . . . . . . . . 126
3.22 Définition standardisée des différents segments du coeur. Extrait de Cerqueira
et al. (2002). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.23 Moyenne et écart-type des mesures de T2 pour chaque segment. . . . . . . . . . . 130
3.24 Moyenne et écart-type des T2 sur les 6 segments pour chaque patient. . . . . . . . 131
3.25 Moyenne et écart-type des coefficients de détermination R2 pour chaque seg-
ment du coeur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.26 Moyenne et écart-type des coefficients de détermination R2 pour chaque patient. 132
3.27 Diagramme de Bland et Altmann des mesures de T2 faites en télésystole et en
mésodiastole. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

26
 TABLE DES FIGURES

3.28 Exemples de cartes de T2 (ms) et de R2 du volontaire 10 en télésystole et en

mésodiastole. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.29 Exemple de ROI sur la paroi inférieure du ventricule droit du volontaire 8. . . . . 134
3.30 Cartes de T2 (ms) et de R2 du volontaire 8. . . . . . . . . . . . . . . . . . . . . . . 135
3.31 Exemple d’ajustement T2 sur le ventricule droit du volontaire 10. . . . . . . . . . 136
3.32 Exemple d’acquisition faite en télésystole avec la méthode adaptative. . . . . . . 137
3.33 Illustration du signal composite cardiaque utilisé dans les reconstructions GRICS. 140
3.34 Histogramme de l’erreur absolue normalisée faite sur le trigger delay en apnée
et en respiration libre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3.35 Erreur quadratique moyenne en en apnée (noir) et en respiration libre (gris) faite
sur le trigger delay par patient. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.36 Exemple d’images avec les différentes méthode d’acquisition et de reconstruc-
tion (volontaire 4). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.37 Exemple d’images avec les différentes méthode d’acquisition et de reconstruc-
tion (volontaire 7). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.38 Exemple d’images avec les différentes méthode d’acquisition et de reconstruc-
tion (volontaire 8). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

4.1 Transformations spatiales élémentaires formant une transformation affine. . . . . 150

4.2 Schéma de principe de la méthode proposée composée de deux étapes. . . . . . . 152
4.3 Exemple de signaux acquis avec la séquence de SE-EPI et les différents signaux
physiologiques considérés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.4 Erreur quadratique moyenne relative sur les paramètres estimés des transfor-
mations affines. Cette mesure a été faite sur l’ensemble des séries de test pour le
sujet numéro 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.5 Erreur quadratique moyenne relative sur les paramètres estimés des transfor-
mations affines. Cette mesure a été faite sur l’ensemble des séries de test pour le
sujet numéro 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.6 Information mutuelle normalisée pour les 4 séries de test du volontaire 1. . . . . 160
4.7 Information mutuelle normalisée pour les 9 séries de test du volontaire 2. . . . . 161
4.8 Représentation du placement des différents échos d’une FSE dans l’espace k avec
un train de 4 échos. Les 4 TE effectifs disponibles sont représentés. . . . . . . . . 164
4.9 Séquence d’écho de spin rapide avec navigateur intégré (FSE-NAV) . . . . . . . . 165
4.10 Images reconstruites sur le fantôme mobile. . . . . . . . . . . . . . . . . . . . . . . 168
4.11 Images reconstruites sur le volontaire avec les différentes méthodes utilisées et
un train d’échos de 16. La ceinture respiratoire est utilisée avec sa dérivée. . . . . 168
4.12 Images reconstruites sur le volontaire avec les différentes méthodes utilisées et
un train d’échos de 8. La ceinture respiratoire est utilisée avec sa dérivée. . . . . . 169

B.1 Influence sur les courbes de débit aortique du système de synchronisation. . . . . 181
B.2 Les deux types d’acquisition possibles avec la séquence fgrekt. . . . . . . . . . . . 182

27
Liste des tableaux

1.1 Rapport gyromagnétique − γ pour quelques noyaux souvent considérés. . . . . . . 38

1.2 Fréquence de Larmor ω0 pour différentes valeurs de champ magnétique statique
B0 pour les noyaux 1 H et 31 P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.3 Valeurs de T1 et T2 en ms utiles en imagerie cardiaque. . . . . . . . . . . . . . . . 46

3.1 Temps d’inversion optimal TI,opt pour annuler le sang à 1.5T. Nous avons consi-
déré que TE,last était négligeable devant TR . . . . . . . . . . . . . . . . . . . . . . . 104
3.2 Définition des constantes A etB du modèle de cycle cardiaque. . . . . . . . . . . . 104
3.3 Paramètres des séquences FIESTA Cine . . . . . . . . . . . . . . . . . . . . . . . . 109
3.4 Paramètres des séquences DIR-FSE en télésystole . . . . . . . . . . . . . . . . . . . 109
3.5 Définition des scores utilisés par le radiologue pour l’évaluation de la qualité-
image. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.6 Résultats obtenus pour les quatre volontaires. . . . . . . . . . . . . . . . . . . . . . 110
3.7 Paramètres de la séquence DIR-FSE pour la mesure de T2 en télésystole et en
mésodiastole. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.8 Mesures de T2 sur les 13 volontaires en télésystole et en mésodiastole. . . . . . . 128
3.9 Résultats des tests de Kolmogorov-Smirnov (noté P dans la table) et les mesures
de T2 provenant des 6 segments du ventricule gauche en télésystole et en méso-
diastole. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.10 Résultats des tests de Student apparié (noté P dans la table) entre les données
des 6 segments du ventricule gauche en télésystole et en mésodiastole. . . . . . . 129
3.11 Mesures de T2 sur le paroi inférieure du ventricule droit en télésystole. . . . . . . 135
3.12 Paramètres des séquences FIESTA ciné. . . . . . . . . . . . . . . . . . . . . . . . . 139
3.13 Paramètres des séquences DIR-FSE en apnée et en respiration libre. . . . . . . . . 139
3.14 Mesure "objective" de la qualité des images acquises en respiration libre avec
différentes méthodes de reconstruction. . . . . . . . . . . . . . . . . . . . . . . . . 144

4.1 Paramètres d’acquisition des Spin-Echo-EPI . . . . . . . . . . . . . . . . . . . . . . 153

4.2 Coefficients de corrélation entre paramètres de mouvement et signaux physiolo-
giques pour le volontaire numéro 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.3 Coefficients de corrélation entre paramètres de mouvement et signaux physiolo-
giques pour le volontaire numéro 2. . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.4 Erreur quadratique moyenne (MSE) en mm faite par la méthode proposée pour
le volontaire 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.5 Erreur quadratique moyenne (MSE) en mm faite par la méthode proposée pour
le volontaire 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.6 Paramètres de la séquence utilisés pour l’évaluation de la séquence DIR-FSE-NAV.167
4.7 Coefficients de corrélation linéaire entre les déplacements extraits des naviga-
teurs pour les différentes acquisitions en respiration libre sur fantôme et sur vo-
lontaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

29
Introduction

L’Imagerie par Résonance Magnétique (IRM) est une modalité d’imagerie radiologique non
invasive relativement récente par rapport à beaucoup d’autres modalités utilisées en radiolo-
gie. L’IRM est basée sur le phénomène, bien connu des physiciens, de la Résonance Magné-
tique Nucléaire (RMN). L’acquisition d’images en IRM du corps humain in vivo consiste en une
succession d’expériences élémentaires de RMN, que l’on peut décomposer en une série d’évé-
nements : excitation, encodage spatial, relaxation et acquisition. Ces différentes expériences
permettent de recueillir une partie de l’information de l’image encodée, non pas spatialement,
mais de manière fréquentielle dans l’espace de Fourier. Par conséquent, ce processus d’acqui-
sition séquentiel est par nature relativement lent.

Dans la pratique clinique, lorsque l’on souhaite établir un protocole d’IRM pour le diag-
nostic clinique d’une pathologie donnée, le choix des différentes séquences d’acquisition et de
leurs paramètres doit se faire en fonction de plusieurs contraintes. Il y a dans un premier temps
les contraintes d’ordre physique, puisque les tissus pathologiques se différencient souvent des
tissus sains par différents temps de relaxation (T1 , T2 , T2? ) liés au phénomène de RMN. Ces
grandeurs doivent êtres prises en compte pour le choix de la séquence d’acquisition ainsi que
le réglage de ses paramètres. Il y a également des contraintes technologiques, car en IRM il faut
être capable de générer des champs magnétiques qui varient dans l’espace et dans le temps en
un laps de temps très court. Pour ce faire il faut apporter beaucoup d’énergie et ces variations
rapides de champ magnétique engendrent beaucoup d’autres problèmes d’ordre physique et
technologique. Lorsque l’on travaille sur l’humain, il y a également des limites physiologiques
à ne pas dépasser. Effectivement, ces limites sont liées à l’échauffement des tissus par des im-
pulsions d’ondes radiofréquences (RF) hautement énergiques et aux courants induits dans le
corps humain par des variations de champ magnétique qui peuvent engendrer des stimula-
tions des nerfs périphériques. Une règle générale concernant l’IRM qu’il faut garder à l’esprit
est que l’on doit toujours faire un compromis entre le temps d’acquisition, la résolution spatiale
et la résolution temporelle.

Dans le contexte de l’imagerie in vivo du corps humain et, plus particulièrement de l’IRM
cardiaque, le facteur temps est souvent le plus limitant et ceci pour plusieurs raisons. Les hy-
pothèses traditionnelles faites en IRM sont que :
(i) l’objet imagé est parfaitement statique,
(ii) les propriétés magnétiques de l’objet imagé ne changent pas au cours de l’acquisition,
(iii) toutes les contraintes temporelles sont parfaitement maitrisées.
Tout le principe d’encodage des signaux RMN pour en faire des images repose sur ces hypo-
thèses. Dans le cas de l’imagerie cardiaque ces hypothèses sont difficiles à justifier puisque le
coeur est animé d’un mouvement qui lui est propre et d’un mouvement d’origine respiratoire.
Dans ce contexte, lorsque l’on fait l’imagerie d’un objet en mouvement, on considère géné-
ralement deux types de mouvements : ceux dans le plan de coupe et ceux à travers le plan
de coupe. Si rien n’est fait pour éviter ces problèmes, la conséquence de ces mouvements est
double sur l’image. On a d’un coté des artefacts "fantômes" sous la forme de répétition pério-
dique de l’objet et d’un autre coté un flou comme le serait par analogie la photographie d’un

31
Introduction

objet en mouvement. Par conséquent, les artefacts dus aux mouvements peuvent être très éloi-
gnés de l’endroit sur l’image où ils sont attendus. Dans la pratique clinique, on utilise toujours
la synchronisation cardiaque pour "figer" le mouvement d’origine cardiaque et l’apnée pour
éviter le mouvement d’origine respiratoire. On utilise parfois, mais assez rarement en image-
rie cardiaque, la synchronisation respiratoire au lieu de l’apnée. L’utilisation d’acquisition en
apnée contraint le temps d’acquisition à être suffisamment court pour que le patient puisse te-
nir l’apnée d’un bout à l’autre de l’acquisition. Par conséquent, ceci limite la résolution spatiale
et temporelle que l’on peut atteindre en imagerie cardiaque. Lorsque l’on utilise la synchroni-
sation cardiaque, respiratoire ou l’apnée, on fait généralement l’hypothèse implicite de repro-
ductibilité des cycles cardiaque et respiratoire, mais aussi celle d’une apnée parfaite c’est-à-dire
sans aucun mouvement d’origine respiratoire. L’expérience nous a largement prouvé que ceci
n’était pas vrai. Il peut donc y avoir des mouvements résiduels. L’autre problème, souvent
négligé, est que les contraintes temporelles ne sont plus gérées correctement. On obtient un
séquencement temporel de l’acqusition variable (TR ) et les acquisitions prennent souvent en
compte des positions cardiaques différentes. Il peut même devenir impossible de prendre en
compte à la fois les contraintes physiologiques et les contraintes physiques liées à la RMN.

Axes de recherche et plan

L’une des premières idées qui est apparue pour éviter tous les problèmes précédemment
cités a été de proposer des techniques d’imagerie de plus en plus rapides. Les techniques d’ac-
quisition rapides se trouvent aujourd’hui confrontées aux limites technologiques et physiolo-
giques. C’est dans ce contexte épineux qu’est née l’idée de l’imagerie adaptative1 , le principe
étant d’adapter l’acquisition et la recontruction en IRM aux spécificités de chaque patient et
non le contraire.

Dans les travaux que nous présentons ici, nous nous attacherons à améliorer l’acquisition
ou la gestion de cette dernière de façon adaptative dans le contexte de l’imagerie par résonance
magnétique cardiaque. Ces travaux peuvent se décomposer en deux grands axes. Le premier
est la gestion temporelle de la séquence d’acquisition en IRM cardiaque dans le but de prendre
en compte à la fois les contraintes liées au fonctionnement du cœur et les contraintes liées aux
principes physiques utilisés par l’IRM. Le deuxième axe se focalisera plutôt sur l’estimation
temps réel des mouvements dans l’idée de les utiliser pour corriger l’acquisition en fonction
des variations physiologiques d’un patient donné. Dans les paragraphes qui suivent nous in-
diquerons l’ordre dans lequel ces travaux de thèse seront présentés.

Le premier chapitre présente les notions élémentaires de RMN ainsi que les différentes
étapes d’encodage pour obtenir ce que l’on appelle l’IRM. Ces notions semblent nécéssaires
à la bonne compréhension de ces travaux de thèse. Plusieurs séquences d’imagerie seront éga-
lement présentées car elles sont beaucoup utilisées dans la suite de ces travaux.

Le second chapitre présente les quelques notions nécessaires à l’appréhension de l’IRM

cardiaque. Nous commencerons par décrire succinctement le fonctionnement du cœur et le
mouvement qui le caractérise puis le mouvement respiratoire qui a également un impact sur le
cœur. Ensuite nous présenterons la plateforme de traitement des signaux physiologiques qui a
été utilisée tout au long de ces travaux. L’impact sur les images des différents types de mou-
vement sera décrit d’un point de vue théorique et vérifié de façon expérimentale. Ce chapitre
se terminera sur les techniques couramment utilisées en clinique pour l’IRM des organes en
mouvement puis sur l’état de l’art actuel.

Dans le troisième chapitre nous proposons une nouvelle méthode afin de mieux gérer le
temps en IRM cardiaque. Cette méthode permet de déterminer de façon optimale le meilleur
1
ce terme a été emprunté à l’astronomie que l’on retrouve souvent sous le nom d’optique adaptative.

32
moment pour préparer et pour acquérir les signaux dans le but de faire de l’imagerie cardiaque
morphologique en télésystole. Cette méthode est ensuite appliquée à le mesure du T2 du myo-
carde et nous permettra de comparer ce T2 en télésystole et en mésodiastole. Cette méthode
sera ensuite appliquée en respiration libre avec une méthode de reconstruction adaptative.

Finalement, dans le dernier chapitre nous présenterons une nouvelle méthode pour l’es-
timation paramétrique des mouvements en temps réel. Cette méthode sera ensuite validée.
Nous présenterons également une méthode permettant d’extraire des mouvements à partir
des signaux issus d’une séquence modifiée. Ces mesures seront utilisées pour reconstruire des
images avec un algorithme adaptatif.

Cadre de la thèse
Cette thése s’est déroulée dans un contexte international au laboratoire IADI, où nous avons
un accès aux IRM cliniques du département de radiologie de Brabois adulte. Nous disposons à
l’heure actuelle de deux IRM cliniques (Signa HDx puis HDxt, GE, Waukesha), une 1.5 et une
3 T dont le temps d’utilisation est partagé entre la recherche et la clinique. Ces travaux ont été
intégralement financés par la zone France de GE Healthcare (General Electric Medical Systems
SCS). En ce qui concerne l’entreprise, un suivi régulier était organisé avec la zone France et
nous étions en contact de façon quotidienne avec l’équipe ASL ("Applied Science Laboratory")
Europe, équipe de recherche européenne de General Electric.

Les recherches effectuées dans ce cadre ont fait l’objet d’un certain nombre de publications
dans des journaux internationaux et de communications dans des conférences nationales et
internationales. Ces différentes communications sont récapitulées en annexe C. Dans ce qui
suit, nous présenterons les travaux liés à l’adaptation de l’acquisition en IRM cardiaque.

33
 Première partie

IRM : Généralités et état de l’art

35
Chapitre 1

Imagerie par résonance magnétique

Dans ce premier chapitre, nous commencerons par rappeler les notions essentielles néces-
saires à la bonne compréhension de ces travaux. Nous rappellerons les notions de résonance
magnétique nucléaire (RMN) et de relaxation pour en arriver à la constitution d’un imageur
par résonance magnétique puis à la formation d’une image. Nous terminerons en présentant
quelques séquences d’imagerie par résonance magnétique (IRM) qui ont beaucoup été utili-
sées durant ces travaux. Le lecteur intéressé trouvera de plus amples informations dans les
ouvrages suivants : (Liang et Lauterbur, 2000) (Haacke et al., 1999) et (Bernstein et al., 2004)

1.1 La résonance magnétique nucléaire

1.1.1 Bref historique
On considère généralement que le phénomène de résonance magnétique nucléaire a été
mis en évidence par Rabi et al. (1938) et ses collègues Millman et al. (1938). Les premières expé-
riences de RMN ont été réalisées un peu plus tard et simultanément par Bloch de l’université
de Standford (Bloch et al., 1946) et par Purcell du MIT (Purcell et al., 1946b). Purcell réalisa ses
premières expériences sur des solides (Purcell et al., 1946b) puis sur de l’hydrogène (Purcell
et al., 1946a). La RMN devint rapidement un outil très répandu pour l’analyse chimique des
matériaux grâce aux travaux de Proctor et Yu (1950) qui montraient que la fréquence de réso-
nance d’un noyau atomique variait en fonction de son environnement moléculaire.

L’intérêt de l’IRM pour le diagnostic clinique a été démontré un peu plus tard par Dama-
dian (1971). Effectivement, Damadian a clairement mis en évidence les différences de temps de
relaxation longitudinale (T1 ) entre un échantillon de tissu sain et un échantillon tumoral sur des
rats. Ce premier résultat laisse entrevoir le potentiel extraordinaire de la RMN en tant qu’outil
de diagnostic clinique. Les premières coupes, telles que nous les connaissons aujourd’hui, ont
été réalisées par Lauterbur (1973) de l’université de New York. Les premières expériences sur
l’humain ont ensuite été faites par Mansfield et Maudsley (1976). Dès le début des années 80,
l’IRM est introduit dans le milieu médical comme outil diagnostique sous une forme relative-
ment proche de ce que l’on connaît aujourd’hui.

Dans les sous-sections suivantes, nous commencerons par expliquer l’origine du signal de
RMN.

1.1.2 Origine du signal de RMN : moments cinétique et magnétique nucléaire

Pour comprendre le phénomène de RMN, commençons par considérer un échantillon de
tissu biologique. Cet échantillon peut être décomposé successivement en ses différents consti-
tuants : les molécules, les atomes puis le noyau atomique et ses électrons en orbite. Les noyaux
atomiques ont un rayon fini (≈ 10−14 m), une masse finie (≈ 10−27 kg) et une charge électrique

37
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

(≈ 10−19 Coulomb). Les noyaux atomiques qui ont un nombre pair de protons et de neutrons
n’ont pas de moment magnétique. Les autres noyaux atomiques possèdent un moment an-
gulaire ou cinétique J~ généralement appelé spin. Le moment cinétique J~ possède un certain
nombre de valeurs observables définies par :

J~ = mI ~ (1.1)

où ~ est la constante de Planck divisée par 2π (i.e. ~ = h/2π) et mI est appelé nombre quantique
magnétique. mI peut prendre 2I + 1 valeurs parmi :

mI = −I, −I + 1, . . . , I (1.2)

où I est le nombre quantique de spin nucléaire. Il peut être nul, entier ou demi-entier1 . Dans
notre cas, nous nous intéressons au noyau de l’hydrogène 1 H avec I = 1/2 car on le trouve
en abondance dans le corps humain (70% de la masse corporelle est composée d’eau). Dans ce
cas, on dit que 1 H est un système à spin-1/2. Il faut aussi savoir que les noyaux sont dits actifs
d’un point de vue RMN seulement si I est différent de zéro. Il existe d’autres noyaux à spin
non-nul qui peuvent avoir un intérêt pour le diagnostic clinique. On peut citer, par exemple, le
phosphore 31 31 P , le carbone 13 13 C, le xenon 129 129 Xe, l’hélium 3 3 He et le fluor 19 19 F .

Du fait que les noyaux à spin non nul sont des particules chargées animées d’un mouve-
ment de rotation autour de leur propre axe, cela crée un moment magnétique nucléaire µ
~:

~ = γ J~
µ (1.3)

où γ est le rapport gyromagnétique en rad/s/T. On utilise également la constante −

γ = γ/2π en
Hz/T. Notons que γ dépend du noyau atomique, quelques exemples sont donnés table 1.1.

Noyau −
γ (M Hz/T)
1H 42.58
31 P 11.26
13 C 10.71

TAB . 1.1: Rapport gyromagnétique −

γ pour quelques noyaux souvent considérés.

En l’absence de champ magnétique extérieur, le spin d’un noyau est orienté dans une direc-
tion aléatoire. Ainsi, si l’on considère un ensemble de spins dans ces conditions, l’aimantation
résultant de cet ensemble est nulle.

1.1.3 Application d’un champ magnétique statique

Lorsque l’on place un spin dans un champ magnétique statique B~0 intense que l’on considérera
orienté selon l’axe ~z, le moment magnétique nucléaire est soumis à un couple N ~ tel que

~ =µ
N ~ × B~0 . (1.4)

De plus, d’après les lois fondamentales de la dynamique, nous savons que

dJ~ ~.
=N (1.5)
dt
1
Ce nombre quantique de spin nucléaire dépend du nombre de protons (p) et de neutrons (n) du noyau consi-
déré. Si on note le nombre de masse a = p + n et le numéro atomique z = p alors I sera nul, entier (noté k) ou
a pair a impair
demi-entier (noté k/2) comme indiqué dans ce tableau z pair 0 k/2 , voir Liang et Lauterbur
z impair k k/2
(2000) pour plus de détails.

38
 1.1 La résonance magnétique nucléaire

Ainsi, en utilisant les relations (1.3), (1.4) et (1.5) on peut donner l’équation de mouvement de
~ (équation de Bloch pour un spin isolé) :
µ
d~
µ
µ × B~0 .
= γ~ (1.6)
dt
La solution de cette équation est un mouvement de précession du moment magnétique µ ~ au-
tour de la direction de B~0 . De plus, le spin nucléaire et B~0 forme un angle θ appelé angle de
précession. On a donc 
µxy (t) = µxy (0) exp {−γB0 t}
(1.7)
µz (t) = µz (0)
avec µxy (t) = µx (t) + µy (t), µxy (0) et µz (0) les conditions initiales. Plus précisément, la pré-
cession du spin peut se faire de façon parallèle ou antiparallèle à B~0 (voir figure 1.1). On peut

F IG . 1.1: Moments magnétiques nucléaires (a) pointant dans une direction aléatoire (b) dans la direction
du champ magnétique statique.

montrer que les spins pointant dans la direction parallèle sont plus nombreux que ceux dans
la direction antiparallèle (Haacke et al., 1999). Cette dernière équation (1.7) fait ressortir la fré-
quence de précession du spin nucléaire :
ω0 = 2πf0 = γB0 . (1.8)
On appelle cette équation équation de Larmor et f0 la fréquence de Larmor. La figure 1.2-a repré-
sente un spin isolé soumis à un champ magnétique B~0 . La figure 1.2-b représente une analogie
généralement faite avec la toupie. Dans la pratique clinique, on utilise des champs magnétiques
statiques de 1.5 et 3 T, et en recherche certains sont déjà à 7 T. La table 1.2 donne la fréquence
de Larmor pour différentes valeurs de champ et différents noyaux.

1.1.4 Aimantation résultante

Lors d’une expérience de RMN ou d’IRM, ce n’est pas un seul spin qui est considéré mais
~ est la somme de l’aiman-
l’ensemble des spins d’un volume. Ainsi, l’aimantation résultante M
tation des Ns spins dans le volume considéré :
s −1
NX
~ =
M µ~n . (1.9)
n=0

39
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

~ 0 (a)
F IG . 1.2: Le mouvement de précession d’un spin isolé µ autour d’un champ magnétique externe B
est similaire au mouvement de précession d’une toupie soumis à la gravité (b).

B0 (T) ω0 1 H (M Hz) ω0 31 P (M Hz)

1.5 63.87 16.89
3 127.74 33.78
7 298.06 78.82

TAB . 1.2: Fréquence de Larmor ω0 pour différentes valeurs de champ magnétique statique B0 pour les
noyaux 1 H et 31 P .

La figure 1.3 représente un ensemble de spins et la magnétisation qui en résulte.

Lorsque l’échantillon est placé dans le champ statique B~0 , l’aimantation est dite à l’état
d’équilibre thermique. Il est possible de calculer cette magnétisation initiale (Liang et Lauterbur,
2000) :
2 2
M0 = |M ~ 0 | = γ ~ B0 Ns I(I + 1) , (1.10)
3KB Ts
avec KB la constante de Boltzmann. Cette magnétisation résultante à l’état d’équilibre a une
~ 0 = (0, 0, M0 ). Ce comportement est représenté
composante unique selon l’axe z, on notera M
sur la figure 1.3-b.

1.1.5 Onde radio-fréquence

Il nous manque encore un élément pour parler du phénomène de résonance magnétique
nucléaire. Effectivement, quand les spins de nos échantillons sont à l’équilibre, la magnétisa-
tion résultante M~ est parallèle au champ statique B~0 et ce champ statique étant très élevé (1.5
ou 3 T) par rapport à la magnétisation M ~ , il est donc impossible de mesurer une image de M ~
dans ces conditions. La solution est de perturber la magnétisation grâce à un champ magné-
tique radio-fréquence (RF) B1 (t) tournant à une fréquence ωrf . Le champ B1 (t) est appliqué
perpendiculairement à B~0 . Il s’agit d’une onde électromagnétique circulairement polarisée qui
oscille selon les axes x ou y. Elle est générée grâce à une antenne RF dite d’émission ou de
transmission. Ce champ peut s’écrire de la façon générique suivante en utilisant les notations

40
 1.1 La résonance magnétique nucléaire

F IG . 1.3: Représentation simplifiée d’un ensemble de spins (a) et de la magnétisation résultante (b).
Remarquez que les spins pointant dans la direction antiparallèle n’ont pas été représentés en (a). Puisque
les spins dans le sens parallèle sont en excès, on retrouve bien une magnétisation résultante comme
indiquée en (b).

complexes :
B1 (t) = B1e (t) exp (−ωrf + φ0 ) . (1.11)
Les trois paramètres essentiels d’une impulsion RF sont sa fonction d’enveloppe B1e (t), la fré-
quence porteuse d’excitation ωrf et la phase φ0 . Dans beaucoup de cas, wrf est constant mais
peut aussi être une fonction du temps comme dans le cas des pulses adiabatiques (Bernstein
et al., 2004). Le coeur d’une impulsion RF est son enveloppe B1e (t). Les deux fonctions d’enve-
loppe les plus populaires sont la fonction rectangle et le sinus cardinal (figure 1.4).

1.1.6 Équation de Bloch

Le comportement de la magnétisation résultante M ~ lorsque l’on applique un champ RF est
décrit quantitativement par l’équation de Bloch. Dans le contexte de l’IRM, cette équation peut
s’écrire de la manière suivante :
~
dM ~ − Mx ~x + My ~y − (Mz ~z − M0 ) .
~ ×B
= γM (1.12)
dt T2 T1
Cette équation fait intervenir les temps de relaxation longitudinale et transversale, respective-
ment, T1 et T2 . Nous discuterons de façon plus détaillée de ces temps de relaxation dans la
section suivante.

1.1.7 Repère tournant

Dans cette partie, nous allons introduire un outil mathématique très pratique en IRM ou en
RMN, il s’agit du repère tournant. Un repère tournant est un système de coordonnées 3D dont
le plan transversal tourne dans le sens horaire à une certaine fréquence angulaire ω. Pour le
distinguer du repère traditionnel statique, nous noterons (x0 , y 0 , z 0 ) les axes du repère tournant
et (x~0 , y~0 , z~0 ) les vecteurs unitaires de direction. Ainsi, pour passer du repère statique au repère

41
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.4: Deux exemples d’impulsions RF très répandues : (a) avec une enveloppe rectangulaire et (b)
avec une enveloppe de type sinus cardinal.

tournant, nous utiliserons la transformation suivante :


 x~0 = cos(ωt)~x − sin(ωt)~y

y~0 = sin(ωt)~x + cos(ωt)~y . (1.13)
 z~0 = ~z


~ 0 = Mx0 , My0 , Mz 0 t dans le

Ainsi, on peut très facilement montrer que la magnétisation M
~ = (Mx , My , Mz )t de la manière suivante :
repère tournant peut s’écrire en fonction de M
    
M x0 cos(ωt) − sin(ωt) 0 Mx
My0  =  sin(ωt) cos(ωt) 0 My  (1.14)
Mz 0 0 0 1 Mz
On peut aussi l’écrire plus simplement en utilisant les notations complexes :
(
Mx0 y0 = Mxy exp (ωt)
, (1.15)
Mz 0 = Mz

La fréquence angulaire ω du repère tournant peut être prise égale à la fréquence de Larmor ω0 .
Dans le repère tournant, le champ RF peut s’exprimer de la façon suivante :
    
B1,x0 cos(ωt) − sin(ωt) B1,x
= (1.16)
B1,y0 sin(ωt) cos(ωt) B1,y
et en utilisant les notations complexes :

B10 (t) = B1 (t) exp (ωt) , (1.17)

avec ω la fréquence angulaire du repère tournant. Dans beaucoup de cas, nous pourrons consi-
dérer ω = ω0 = ωrf . Maintenant, il nous reste à exprimer l’équation de Bloch dans ce repère
tournant. On obtient :
 
~ ~0 ~0 M 0 ~
z 0−M
0
~ 0 × B~ef f − Mx0 x + My0 y −
∂M z
= γM , (1.18)
∂t T2 T1

42
 1.1 La résonance magnétique nucléaire

avec
~0 + ω
B~ef f = B
~
. (1.19)
γ
Le champ B~ 0 représente le champ magnétique vu par la magnétisation au moins composé de
B0 et/ou B1 exprimés dans le repère tournant. Le champ ω~ = −ω~z est un champ fictif utile
0
pour simplifier le comportement de M .

1.1.8 Excitation
Dans cette partie, nous nous intéressons à l’effet d’une impulsion RF sur la magnétisation.
Comme les impulsions RF sont de courte durée par rapport aux temps de relaxation, l’équation
de Bloch peut s’écrire sous une forme simplifiée :

dM~
= γM ~ × B.
~ (1.20)
dt
Pour simplifier, réécrivons cette dernière équation dans le repère tournant :

∂M ~0
= γM ~ 0 × B~ef f , (1.21)
∂t
avec Bef f le champ magnétique effectif. Ensuite, considérons simplement que ω = ω0 = ωrf et
que nous appliquons une impulsion RF d’une durée τp selon x0 dans le repère tournant. Ainsi,
le champ effectif sera la somme du champ statique et du champ RF. En nous plaçant dans le
repère tournant, ceci nous donne :
ω~rf 0
B~ef f = B0 z~0 + B1e x~0 + = B1e x~0 (1.22)
γ
puisque ω = ω0 = ωrf . Si maintenant, nous résolvons l’équation (1.21) en prenant comme état
initial l’état d’équilibre thermique M~0 :



 M x0 = 0
 t 

e
R
My0 = M0 sin γB1 (u)du 0 ≤ t ≤ τp

0
. (1.23)
t

  
γB1e (u)du
 R
Mz 0 = M0 cos


0

Ainsi, cette dernière relation fait apparaître clairement que l’application d’un impulsion RF fait
tourner la magnétisation autour de x0 dans le repère tournant, soit deux rotations simultanées
autour de x et z dans le repère fixe. De plus si nous considérons une impulsion RF de type
rectangle toujours d’une durée τp et d’amplitude B1 , on obtient :

Mx0 = 0

My0 = M0 sin (ω1 t) 0 ≤ t ≤ τp (1.24)

Mz 0 = M0 cos (ω1 t)


avec ω1 = γB1 . Ainsi, à la fin de l’impulsion RF en t = τp , on montre que la magnétisation à

fait une rotation d’angle α autour de x0 avec
α = γB1 τp = ω1 τp . (1.25)
L’angle α est appelé angle de bascule. Par exemple, pour obtenir un angle de bascule de π/2 de la
cas du 1 H, il suffit de choisir B1 = 0.1G et on obtient la durée de l’impulsion RF τp = 0.589ms.
La figure 1.5 représente le phénomène d’excitation dans le repère tournant. Ce phénomène de
précession autour du champ B1 est souvent appelé précession forcée.

Dans la section suivante, nous allons détailler le comportement de la magnétisation après

l’application d’une impulsion RF.

43
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.5: Illustration du phénomène d’excitation dans le repère tournant pendant l’application d’une
impulsion RF selon l’axe x0 . Avant l’impulsion RF la magnétisation est en M ~ 0 , l’impulsion se trouve
~ ~
ensuite en M (t) jusqu’à être dans la position souhaitée M (τp ) correspondant à l’angle de bascule α
désiré.

1.1.9 Relaxation
Une fois que notre magnétisation a été perturbée de son état d’équilibre thermique par une
impulsion RF, la magnétisation va naturellement retourner vers cet état s’il n’y pas d’autre
impulsion RF et que l’on laisse suffisamment de temps à la magnétisation. Ce processus de
retour à l’équilibre est caractérisé par une précession de M ~ autour du champ B0 appelée pré-
cession libre, une repousse de la magnétisation longitudinale Mz vers l’état d’équilibre appelée
relaxation longitudinale et la disparition de la magnétisation transversale Mxy appelée relaxation
transversale .

Ces phénomènes de relaxation traduisent les interactions des spins avec leurs environne-
ment et les autres spins. Ils sont caractérisés par les temps de relaxation longitudinale T1 et
de relaxation transversale T2 . La constante de temps T1 caractérise les interactions des spins
nucléaires avec leur environnement, on l’appelle souvent temps de relaxation spin-réseau. La
constante T2 caractérise plutôt les déphasages locaux entre les différents isochromates après la
perturbation, on l’appelle souvent temps de relaxation spin-spin. Dans la suite, nous considé-
rerons le cas où une impulsion RF de π/2 dans la direction x0 , noté (π/2)x0 , a été appliquée et
nous allons décrire le retour à l’équilibre. Pour commencer réécrivons les équations de Bloch
(1.18) dans le repère tournant :
 
~ 0 ~0 ~0 M 0 ~
z 0−M
0
~ ef f − Mx0 x + My0 y −
∂M z
= γM~0×B , (1.26)
∂t T2 T1
comme nous nous plaçons toujours dans le cas ω = ω0 pour le repère tournant et qu’il n’y a
~ ef f = 0. Par conséquent, on peut réécrire l’équation de Bloch sous la forme
plus de RF, on a B
suivante :
dMz 0 Mz 0 − M0


 =−
dt T1 . (1.27)
dMx0 y0 M x0 y 0

 =−
dt T2
La résolution de ces équations nous donne :
     
Mz 0 (t) = M0 1 − exp − t + M z 0 (0+ ) exp − t
T1  T1
(1.28)
Mx0 y0 (t) = Mx0 y0 (0+ ) exp − t
T2

44
 1.1 La résonance magnétique nucléaire

avec Mz (0+ ) et Mx0 y0 (0+ ) la magnétisation juste après l’impulsion RF. Si nous considérons que
l’impulsion RF appliquée était une impulsion π/2 selon x0 et que l’on était à l’équilibre ther-
mique, on aurait Mz 0 (0+ ) = 0 et Mx0 y0 (0+ ) = M0 y~0 comme dans le cas de la figure 1.5. On
obtient donc :    
Mz 0 (t) = M0 1 − exp − t
  T1 . (1.29)
Mx0 y0 (t) = M0 exp − t
T2

Ce comportement est représenté graphiquement en figure 1.6 dans les repères fixe et tournant.
Pour faire apparaître le phénomène de relaxation et de précession de la magnétisation trans-
versale Mxy dans le repère fixe (figure 1.6-a), il faut réécrire l’équation (1.28) dans le repère fixe.
Comme nous avons z = z 0 et Mz 0 (t) = Mz (t), par contre la magnétisation transversale dans le
repère fixe Mxy (t) s’écrit :
 
−t
Mxy (t) = Mxy (0+ ) exp exp (−ω0 t) , (1.30)
T2

et fait apparaître la décroissance exponentielle en T2 ainsi que le phénomène de précession au-

tour de B0 . Cette dernière équation (1.30) fait aussi clairement apparaître le fait que la durée
de précession dépend de T2 , et que l’amplitude de M ~ n’est pas préservée à cause de ces phé-
nomènes de relaxation. Ce comportement est différent de ce qui se passe pendant l’excitation
puisque, dans ce cas, nous avons négligé les phénomènes de relaxation.

F IG . 1.6: Relaxation et précession libre représentées dans les repères fixe (a) et tournant (b). Pour ne pas
surcharger la représentation (a), nous n’avons pas représenté les différents vecteurs. En (a) à t = 0+
on a la magnétisation le long de l’axe y puis le retour à l’équilibre est représenté jusqu’à ce que la
magnétisation retourne à l’équilibre thermique, c’est-à-dire qu’elle est alignée avec l’axe z. (b) est la
même représentation qu’en (a) mais dans le repère tournant.

Une représentation de ces courbes de relaxation en fonction du temps est donnée sur la
figure 1.7 page 46. On peut donner quelques valeurs remarquables de la magnétisation :
(
Mz 0 (T1 ) = 63%M0
. (1.31)
Mx0 y0 (T2 ) = 37%Mx0 y0 (0+ )

45
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.7: Courbes de relaxation après une impulsion (π/2)x0 . (a) Repousse de la magnétisation vers
l’état d’équilibre, Mz 0 (t) et (b) destruction de la magnétisation transversale Mx0 y0 (t).

On retrouve graphiquement ces valeurs sur la figure 1.7.

Dans les tissus biologiques, comme dans tout autre matériau, le temps de relaxation T1 est
plus long que T2 . Au niveau des ordres de grandeur, T1 se situe plutôt entre 300ms et 2000ms
et T2 entre 30ms et 200ms. Le tableau 1.3 regroupe quelques valeurs de T1 et de T2 utiles en
imagerie cardiaque.

B0 1.5T 3T
T1 T2 T1 T2
Myocarde 867 57 1115 41
Sang oxygéné 1200 200 1512 141

TAB . 1.3: Valeurs de T1 et T2 utile en imagerie cardiaque (Schar et al., 2004).

Maintenant que nous avons vu d’où venait le signal de RMN, nous allons voir comment
nous pouvons manipuler ces signaux pour former des images.

1.2 Formation de l’image

1.2.1 Constitution de la machine
Dans la section précédente 1.1, nous avons vu que pour créer un signal de RMN, il nous
fallait dans un premier temps un échantillon composé de noyaux dits RMN actifs (le corps
humain par exemple). Pour que la magnétisation soit créée, il faut que l’échantillon soit placé
dans un champ magnétique intense et pour perturber la magnétisation de son état d’équilibre,
il nous faut exciter cette magnétisation grâce à une onde RF transmise (ou émise) avec une
antenne dite de transmission (ou d’émission) . Ensuite, pour récupérer le signal généré par
cette perturbation (équation 1.30), on utilise une antenne dite de réception qui nous permettra
de "transformer" les variations de la magnétisation transversale Mxy (t) en signal électrique
grâce à la loi de Faraday :
dΦ
e=− (1.32)
dt
avec Φ le flux magnétique dans l’antenne de réception. Notons que la composante en z de la
magnétisation Mz (t) est négligeable devant la magnétisation transversale (Haacke et al., 1999).
Le signal s(t) obtenu en sortie d’antenne sera une fonction de Mxy (t) et comme le montre
l’équation (1.30), ce signal sera modulé par une porteuse de fréquence ω0 . Il faudra donc dé-
moduler ce signal pour le remettre dans sa bande de base. Le principe généralement utilisé

46
 1.2 Formation de l’image

s’appelle la démodulation en quadrature ce qui permet d’obtenir un signal en phase (réel) et

un en quadrature (imaginaire) qui sont ensuite numérisés, filtrés et combinés en un signal nu-
mérique complexe. La figure 1.8 décrit ce principe.

F IG . 1.8: Principe de la démodulation en quadrature et numérisation. Les signaux reçus sur chaque
antenne sont multipliés par cos(ω0 t) et sin(ω0 t) afin de supprimer la fréquence porteuse en ω0 (i.e. la
fréquence de Larmor). Les signaux ainsi multipliés ont une composante dans la bande de base et une
composante en 2ω0 . Le filtre anti-repliement permet à la fois de supprimer la composante en 2ω0 et de
limiter la bande passante avant la numérisation par le convertisseur analogique numérique (CAN). Un
filtrage numérique est ensuite appliqué. Même si ce principe reste valable de nos jours, il n’est plus utilisé
tel quel dans les IRM cliniques.

Il nous manque encore un élément essentiel pour pouvoir faire une image, c’est la notion
de gradient de champ magnétique. Ces gradients sont la superposition de trois gradients linéaires
Gx , Gy , Gz dans trois directions orthogonales. Chaque gradient correspond à un champ magné-
tique dont la composante en z varie linéairement selon une direction donnée. Ces composantes
en z s’ajoutent au champ statique B0 . Ainsi, les composantes en z des champs magnétiques
des gradients Gx , Gy et Gz varient linéairement en fonction de x, y et z, respectivement. Les
gradients sont définis de la manière suivante :
~
G(t) ~ z (~r)
, ∇B
∂Bz ∂Bz ∂Bz
= ~x + ~y + ~z (1.33)
∂x ∂y ∂z
, Gx (t)~x + Gy (t)~y + Gz (t)~z,
avec ~r = (x, y, z)t représentant l’espace. Comme nous allons le voir par la suite, ces gradients
vont nous permettre d’encoder le signal de RMN pour obtenir une image. La puissance de ces
gradients est généralement exprimée en mT /m (ou parfois en G/cm2 ).

1.2.2 Sélection de coupe

En général en IRM, on souhaite acquérir une coupe fine du corps humain. Pour ce faire,
nous allons exciter une coupe en combinant un gradient de sélection de coupe et une impulsion
RF spatialement sélective. L’idée est de créer une dépendance spatiale entre la fréquence de
précession et la position, puis en utilisant une impulsion RF à support fini dans l’espace des
fréquences, on n’excitera qu’une partie de notre échantillon. Considérons que l’on applique le
gradient z, on a donc le champ magnétique suivant :
~
B(z) = B~0 + Gz z. (1.34)
Connaissant l’équation de Larmor (1.8), on obtient donc une relation linéaire entre les fré-
quences et la position :
ω(z) = ω0 + γGz z. (1.35)
2
Rappelons que 1T = 104 G donc 1(G/cm) = 10(mT /m)

47
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

Ceci est représenté de façon graphique sur la figure 1.9. Ensuite, pour exciter une coupe centrée

F IG . 1.9: Représentation d’un gradient linéaire appliqué selon z.

en z0 et d’épaisseur de coupe ∆z , il nous suffit d’utiliser une impulsion RF d’une bande pas-
sante ∆ω correspondant à l’épaisseur de coupe ∆z . Donc, pour couvrir une coupe de z0 − ∆z /2
à z0 + ∆z /2, l’impulsion RF devra valoir 1 dans la bande de fréquence correspondante, à savoir
de γGz z0 − γGz ∆z /2 à γGz z0 + γGz ∆z /2. Comme la transformation de Fourier d’un sinus car-
dinal est un rectangle, on utilise souvent le sinus cardinal comme fonction d’enveloppe de la
RF. Ainsi, on montre la relation entre l’épaisseur de coupe et la bande passante de la RF :

∆ω 2π∆f
∆z = = . (1.36)
γGz γGz

Il est souvent plus facile d’interpréter ce résultat de façon graphique, la figure 1.10 représente
les relations entre épaisseur de coupe, bande passante, gradient et position de la coupe.

F IG . 1.10: Sélection de coupe par application d’un gradient de champ magnétique linéaire et d’une
impulsion RF.

En IRM, il est possible d’exciter une coupe dans n’importe quelle orientation. Il suffit pour
ce faire d’appliquer une matrice de rotation entre le plan axial strict (celui que nous venons de
décrire) et le plan avec l’orientation souhaitée. Dans cas on parle généralement de gradient de
sélection de coupe Gss (ss pour slice selection) qui est une combinaison linéaire des gradients
Gx , Gy et Gz . Si la normale au plan désiré est notée µ ~ s alors le gradient de sélection de coupe
est défini ainsi :
~ ss = (Gx , Gy , Gz )t = Gss µ
G ~s (1.37)
avec q
Gss = G2x + G2y + G2z . (1.38)

Généralement, par abus de langage on appelle Gz le gradient de sélection de coupe, Gy le

gradient d’encodage de phase et Gx le gradient d’encodage de fréquence. Ceci sans faire la
distinction entre le repère strict de l’aimant et le repère défini par le gradient de sélection de

48
 1.2 Formation de l’image

coupe. Ceci se comprend puisque ces deux repères sont simplement liés par une combinaison
linéaire.

Pour exciter une coupe avec un angle de bascule faible (α < 30˚), on peut montrer que l’uti-
lisation d’un sinus cardinal tronqué pour l’enveloppe de la RF suffit pour obtenir un profil de
coupe uniforme. Par contre, lorsque l’on souhaite un angle de bascule élevé (α > 30˚), le profil
devient de moins en moins uniforme et le sinus cardinal ne suffit plus. L’algorithme le plus
populaire pour résoudre ce problème est l’algorithme de Shinnar-Le Roux (SLR) (Pauly et al.,
1991). Cet algorithme permet transformer le problème initial en un problème de création de
filtre passe-bas numérique et, à partir de ce filtre, on peut calculer l’enveloppe de B1 à support
fini.

Maintenant que nous savons comment exciter une coupe, voyons comment encoder le si-
gnal RMN issu de ce plan de coupe pour en faire une image.

1.2.3 Encodages de phase et de fréquence

Après avoir appliqué une excitation sélective, tous les spins du plan de coupe précessent à
la même vitesse angulaire ω autour du champ statique B0 . Pour discriminer les spins en fonc-
tion de leurs positions spatiales (x, y) dans le plan de coupe, nous allons faire varier la vitesse
de rotation (fréquence) et la phase de la magnétisation résultante. Pour ce faire, nous ferons
varier la composante z du champ statique grâce aux gradients d’encodage de fréquence Gx et
de phase Gy que nous avons déjà introduits dans la section précédente.

L’application d’un gradient Gy dans la direction y pendant une courte durée τ va faire
précesser les spins à des vitesses légèrement différentes en fonction de leurs positions dans la
direction y du plan de coupe. Après un temps τ , lorsque le gradient Gy est coupé, les spins ont
accumulé une phase dans la direction y qui sera une fonction linéaire de leurs coordonnées en
y. Ceci nous permettra donc de faire la différence entre les spins placés à différentes positions
selon y. C’est ce que l’on appelle l’encodage de phase.

Une fois la coupe sélectionnée et l’encodage de phase réalisé, il nous reste à encoder les
spins dans la direction x. Ainsi, lorsque le gradient d’encodage de fréquence Gx est activé, les
spins vont précesser à des fréquences différentes en fonction de leurs positions dans la direction
x. Afin de ne pas perdre la relation entre fréquence et position, l’acquisition (ou lecture) du
signal de RMN est faite en même temps que le gradient est appliqué. C’est ce que l’on appelle
l’encodage de fréquence. Notons que ce gradient est également souvent appelé gradient de
lecture.

1.2.4 Espace k
L’espace décrit, après l’application de la sélection de coupe, par l’encodage de phase et de
fréquence s’appelle l’espace k (ou espace de Fourier ou des fréquences). Nous allons décrire un
peu plus formellement cet espace. Après démodulation, le signal temporel créé par la magné-
tisation transversale dans l’antenne de réception s’écrit de la façon suivante :
Z
S(t) = M⊥ (~r)B⊥ (~r) exp (−φ(~r, t))d3 r (1.39)
Ω

en négligeant la relaxation et avec M⊥ (~r) la magnétisation transversale en notation complexe

(i.e. M⊥ = Mx +My ) et en fonction de l’espace ~r = (x, y, z)t . B⊥ (~r) est la composante du champ
reçu par l’antenne de réception qui se trouve dans le plan transversal, et la phase accumulée φ

49
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

est :
Zt
φ(~r, t) = γ ~
~r · G(u)du. (1.40)
0

De plus dans l’équation (1.39), Ω représente l’ensemble de l’échantillon qui a été excité. Ensuite,
si l’on définit :
Zt
~k(t) = γ ~
G(u)du, (1.41)
2π
0

on peut alors réécrire l’équation (1.39) sous la forme d’une transformée de Fourier :
Z  
S(t) = M⊥ (~r)B⊥ (~r) exp −2π~k(t) · ~r d3 r. (1.42)
Ω

Ainsi, cette dernière équation fait apparaître le fait que le signal S(t) est la transformée de
Fourier de la magnétisation transversale pondérée par B⊥ (~r). Certains simplifient l’écriture de
cette équation en remplaçant le produit M⊥ (~r)B⊥ (~r) par la densité de protons ρ0 . Cette équa-
tion fait aussi apparaître le fait que ~k(t) est la variable duale de ~r au sens de la transformation
de Fourier. Donc, ~k(t) peut s’exprimer en m−1 et définit la trajectoire dans l’espace k en fonc-
tion du temps. L’équation (1.41) montre que la trajectoire dans l’espace k ainsi que la vitesse de
déplacement sont contrôlées par les gradients G ~ ainsi que par le rapport gyromagnétique γ. La
distance couverte et la vitesse de déplacement dans l’espace k pendant un intervalle de temps
donné sont une fonction de l’aire qui se trouve sous les formes d’ondes des gradients G(t) ~
pendant l’intervalle de temps considéré. Ainsi, l’espace k est le dual de l’espace image et ces
deux espaces sont reliés par la transformation de Fourier. L’espace k peut être vu comme l’es-
pace des fréquences spatiales, autrement dit, comme les changements de phase accumulés par
les spins stationnaires dus à l’application des gradients. Dans l’espace k, les basses fréquences
contiennent essentiellement le contraste de l’image et les hautes fréquences représentent plutôt
les contours et détails fins de l’image.

1.2.5 Trajectoires dans l’espace k

La trajectoire la plus populaire pour parcourir l’espace k est la trajectoire cartésienne. C’est
l’espace que nous avons décrit de façon plus intuitive à la section 1.2.3. Effectivement si nous
considérons le cas à deux dimensions (z est fixé par la sélection de coupe) et que des gradients
constants d’amplitude Gx , Gy sont appliqués pendant des temps τx et τy , alors l’équation du
signal (1.39) se simplifie en :
ZZ
S(t, kx , ky ) = M⊥ (~r)B⊥ (~r) exp (−2π(kx x + ky y))dxdy. (1.43)
Ω

Comme les gradients appliqués sont considérés comme constants, on peut calculer les variables
kx et ky comme une fonction linéaire des gradients de phase Gy et de fréquence Gx et de leurs
temps d’application :
γ Rτx

kx =
 Gx (u)du = −
γGx τx
 2π 0
. (1.44)
γ Rτy
ky = Gy (u)du = −
γGy τy


2π 0
Dans ce cas, ces deux dernières équations font apparaître que l’image peut être reconstruite en
utilisant une simple transformation de Fourier 2D sur une grille cartésienne et un échantillon-
nage régulier. Pour reconstruire cette image à partir du signal mesuré S, il sera nécessaire de
répéter l’acquisition avec différentes valeurs du gradient de phase afin d’échantillonner tout

50
 1.2 Formation de l’image

l’espace k en respectant le théorème de Shannon3 . Les relations entre un signal et sa transfor-

mée sont bien connues en traitement du signal. En particulier, on connaît le lien entre le champ
de vue (ou FOV pour Field Of View) et la résolution spatiale et fréquentielle. Si l’on souhaite
acquérir une image avec un champ de vue d’une taille Lx cm échantillonné sur Nx points dans
la direction de fréquence et Ly cm échantillonné sur Ny points dans la direction de phase, la
résolution fréquentielle sera : (
∆kx = L1x
(1.45)
∆ky = L1y
et la résolution spatiale suivante :
(
1 Nx
∆x = Nx ∆kx = Lx
1 Ny . (1.46)
∆y = Ny ∆ky = Ly

Ainsi, l’acquisition d’une image en IRM consiste à parcourir l’espace k grâce aux gradients
de phase et de fréquence. L’acquisition dite cartésienne est la plus répandue et consiste à acqué-
rir séquentiellement les différentes lignes de phase (figure 1.12-a). Dans ce cas, la reconstruction
consistera à faire une simple transformée de Fourier 2D (voir la figure 1.11). Il est possible de
faire des acquisitions en 3D. Pour ce faire, il faut faire une sélection de coupe épaisse et ajouter
un deuxième encodage de phase appelé encodage de partition dans la direction z afin d’enco-
der la troisième direction de la même façon que nous l’avons présenté en 2D, tout en gardant
le formalisme de l’espace k.

F IG . 1.11: Exemple de données cardiaques acquises sur un volontaire avec un échantillonnage carté-
sien. (a) module de l’espace k et (b) module de l’image reconstruite. Ces deux espaces sont liées par la
transformation de Fourier.

L’IRM étant une technique d’imagerie relativement lente, un certain nombre de techniques
ont été proposées pour accélérer l’acquisition. Parmi ces techniques, une consiste à échan-
tillonner l’espace k différemment. Nous parlerons des autres techniques plus tard. Une des
approches très répandues est d’échantillonner l’espace k à partir du centre et d’aller vers l’ex-
térieur avec une trajectoire de spirale (Meyer et al., 1992). Cette trajectoire peut-être utilisée en
single shot (acquisition de tout l’espace k avec une seule excitation comme sur la figure 1.12-b)
3
Également appelé théorème de Nyquist ou de Nyquist-Shannon

51
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

ou en multi-shot et faisant plusieurs spirales entrelacées. Le problème dans ce cas est de calculer
les formes d’onde des gradients à partir de la trajectoire désirée avec l’équation (1.41) tout en
prenant en compte les contraintes techniques des gradients (vitesse de commutation et ampli-
tude maximales). Une solution analytique à ce problème a été proposée par Kim et al. (2003).

Une trajectoire très populaire et très souvent utilisée en IRM fonctionnelle est l’imagerie
echo planar (EPI) qui permet de balayer très rapidement l’espace k (Mansfield, 1977). L’idée est
de parcourir l’espace k en inversant la direction de fréquence à chaque nouvelle ligne tout en
parcourant l’espace k linéairement (figure 1.12-c). Ce genre de trajectoire impose également de
grosses contraintes sur les gradients. Le lecteur intéressé trouvera une discussion approfondie
sur cette trajectoire et tous les problèmes qu’elle pose dans Schmitt et al. (1998). Une autre trajec-
toire répandue est la radiale (figure 1.12-d). Dans ce cas, l’idée est que toutes les lignes acquises
partent d’une extrémité de l’espace k, passent par le centre et terminent leurs trajectoires de
façon symétrique au point de départ (Lauterbur, 1973). Ensuite, la ligne suivante sera tournée
par rapport au centre de l’espace k. Dans ce cas, il y a plusieurs solutions pour la reconstruc-
tion, soit un rééchantillonnage sur une grille cartésienne suivi d’une transformation de Fourier
(cela peut également se faire dans le cas de EPI et de la spirale) soit par transformée de Fourier
1D de chaque ligne suivi de l’algorithme des rétro-projections filtrées (comme en scanner).

F IG . 1.12: Différentes trajectoires couramment utilisées en IRM pour couvrir l’espace k.

On trouve dans la littérature plusieurs bonnes revues sur le formalisme de l’espace k dans

52
 1.3 Séquences

le cas particulier de l’IRM. Nous en citerons trois qui aborde le sujet différemment. La plus
récente (Paschal et Morris, 2004) utilise une analogie musicale pour faire le lien entre les gra-
dients d’encodage spatial et la parcours de l’espace k, une autre revue (Hennig, 1999) propose,
entre autres, de faire le lien entre les trajectoires de l’espace k et les artefacts qui en résultent, et
la dernière adopte un point de vue plus radiologique (Mezrich, 1995).

Un des grands avantages de l’IRM est qu’il est possible de faire l’image d’un même objet
mais avec différents contrastes liés à la constitution de l’objet en question. Il est possible de faire
de l’imagerie pondérée T1 ou T2 . Dans ce cas les contrastes de l’image refléteront les variations
de T1 ou T2 à travers l’objet en question. Il est également possible de mesurer ces temps de
relaxation. L’imagerie pondérée en densité de protons ρ0 est également très répandue. Pour ce
faire, il existe une grande variété de séquences d’acquisition qui ont toutes leurs propriétés,
leurs avantages et leurs inconvénients. Dans la section suivante, nous allons décrire quelques
unes de ces différentes séquences que nous utiliserons par la suite.

1.3 Séquences
Une séquence d’impulsions (ou d’acquisition) est l’ensemble des impulsions RF et de gra-
dients pour acquérir les données en IRM. Il existe deux grandes familles de séquences en IRM,
celle des échos de spin (ou spin echo) et celle des échos de gradients (ou gradient echo ou par-
fois gradient recalled echo). Dans un premier temps, nous allons décrire les deux expériences de
base que l’on peut faire avec ces séquences. Nous finirons par la description de deux autres
séquences plus avancées qui ont beaucoup été utilisées durant ces travaux de recherche.

1.3.1 Echos de spin

La séquence de spin echo est particulièrement fondamentale en IRM. Elle permet d’obtenir
différents types de pondération (T1 , T2 et en densité de protons ρ0 ) en changeant les deux para-
mètres fondamentaux que nous allons décrire. Cette séquence est composée d’une impulsion
d’excitation suivie d’une autre impulsion RF dite de refocalisation. Cette séquence est souvent
associée à Hahn (1950). Dans le plupart des cas, l’angle de bascule est de 90◦ pour l’excitation
et de 180◦ pour la refocalisation. La figure 1.13 décrit l’expérience de base d’une séquence de
spin echo avec ces deux paramètres de réglage, le temps d’écho TE et le temps de répétition
TR .

F IG . 1.13: Description d’une expérience d’écho de spin.

Pour décrire de façon qualitative cette séquence, nous nous plaçons dans le repère tournant
et nous négligeons la relaxation pendant les impulsions RF. Lors de l’application de l’excita-
tion π/2 selon x0 , la magnétisation est basculée dans le plan transversal x0 y 0 le long de l’axe y 0 .

53
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

Ensuite, pendant l’intervalle de temps τ , les spins se déphasent à cause des inhomogénéités de
champ B0 et des variations de susceptibilité magnétique. L’effet de la relaxation s’appliquera
aussi pendant cet intervalle de temps. Puis, l’application de l’impulsion de refocalisation π se-
lon y 0 va faire tourner de π radians autour de y 0 . Finalement, les spins vont se déphaser dans
la direction opposée à cause de l’impulsion de refocalisation et donc se rephaser pour former
l’écho de spin en t = TE = 2τ .

En utilisant les équations de Bloch (1.18), on peut calculer le signal obtenu en TE (Haacke
et al., 1999). On trouve :
      
TR − τ TR TE
S(TE ) = M0 1 − 2 exp − + exp − exp − . (1.47)
T1 T1 T2
Cette équation a l’avantage de mettre en évidence le lien entre le signal obtenu et les paramètres
d’acquisition TE et TR et par conséquent, la pondération du contraste que nous obtiendrons sur
notre image. Par exemple, si nous prenons TE et TR courts (par rapport aux temps de relaxa-
tion), le signal sera plutôt pondéré par T1 . Si nous considérons, TR et TE longs on aura une
pondération T2 et si on considère TR long et TE court, on aura plutôt une pondération en den-
sité de protons ρ0 . Cette équation permet également de calculer la différence de contraste entre
deux types de tissus différents.

Si la séquence de spin echo est très populaire, c’est aussi grâce à son insensibilité aux ar-
tefacts dit de off-resonance dus aux inhomogénéités du champ statique et aux variations de
susceptibilité magnétique. C’est le résultat de l’impulsion de refocalisation qui compense ces
effets et permet de les diminuer. Nous verrons que ce n’est pas le cas en écho de gradients. Si
nous reprenons cette séquence de base et que l’on y rajoute les gradients de sélection de coupe,
d’encodage de phase et de lecture, on obtient la séquence décrite par la figure 1.14.

A titre d’exemples, les images de la figure 1.15 ont été réalisées avec une séquence d’écho
de spin comme celle décrite par la figure 1.14. Les deux images ont été acquises de la même
façon, nous avons seulement changé le temps d’écho. On peut remarquer comment le seul fait
de changer un paramètre fait ressortir les caractéristiques différentes des objets imagés.

Dans la section suivante, nous allons discuter de l’autre grande famille de séquences, les
échos de gradients.

1.3.2 Echo de gradient

Les séquences d’écho de gradient ont été développées pour faire de l’imagerie rapide et
sont très répandues en 3D. Contrairement aux échos de spin, ces séquences n’utilisent pas
d’impulsion de refocalisation mais juste une impulsion d’excitation θ généralement inférieure à
90◦ . A la place, on crée l’écho en changeant le signe du gradient d’encodage de fréquence. Pour
ce faire, on ajoute un gradient de déphasage de signe opposé avant le gradient d’encodage de
fréquence. On peut montrer que l’écho de gradient se produit lorsque le gradient de lecture
compense entièrement le gradient de déphasage. De façon générale, pour les séquences d’écho
de gradient, l’écho apparaît lorsque que le moment d’ordre zéro des gradients s’annule :
ZTE
Gx (t)dt = 0. (1.48)
0

Le débit d’absorption spécifique ou SAR4 est une mesure en W/kg de l’échauffement du

patient. Les limites de SAR qu’un patient peut recevoir ont été définies par la FDA5 . Le SAR
4
SAR est l’acronyme anglophone pour Specific Absorption Rate.
5
FDA Food and Drug Administration est l’institut américain qui normalise et valide tous les produits pouvant
toucher à la santé de la population.

54
 1.3 Séquences

F IG . 1.14: Séquence d’imagerie d’écho de spin. Comme précédemment nous avons noté Gz le gradient
de sélection de coupe, Gy le gradient d’encodage de phase et Gx le gradient de lecture.

que reçoit un patient est proportionnel au carré du champ statique B0 et au carré de l’angle
de bascule. Ainsi, comme les séquences d’écho de gradient utilisent des angles de bascule θ
relativement faibles par rapport aux échos de spins, elles permettent de limiter l’échauffement
des patients.

L’idée de base des échos de gradient est de basculer l’aimantation avec un angle de bascule
faible pour créer une magnétisation transversale non négligeable, sans jamais inverser la ma-
gnétisation transversale. Ainsi, avec ces séquences pas besoin d’utiliser des périodes d’attente
longues (TR ) à cause de la repousse en T1 . Ce phénomène permet d’utiliser des temps de ré-
pétition TR très courts, de l’ordre de quelques millisecondes. Lorsqu’un ensemble de spins est
perturbé par une rapide succession d’impulsions RF, la magnétisation transversale va atteindre
un état d’équilibre dynamique au bout d’un nombre fini d’impulsions. Il existe deux grandes
familles de séquences en état d’équilibre dynamique : celles dont l’état d’équilibre est dit inco-
hérent et celles dont il est dit cohérent. Dans le premier cas, on considère que la magnétisation
transversale est nulle avant chaque nouvelle impulsion RF et seule la magnétisation longitu-
dinale contribue au signal du cycle suivant après la prochaine impulsion RF. Dans le second
cas, les magnétisations longitudinale et transversale vont contribuer au signal du cycle suivant.
Dans cette partie nous ne parlerons que des séquences à équilibre dynamique incohérent. Nous
verrons le cas cohérent dans la section 1.3.4.

Il existe plusieurs solutions, pour s’assurer que la magnétisation transversale est nulle avant
la prochaine impulsion RF. La technique la plus simple mais la moins efficace est d’utiliser un
TR plus grand que T2 . Ceci est très rarement utilisé en pratique. Une autre solution est d’utili-

55
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.15: Exemple d’images faites avec une séquence d’écho de spin sur des tubes ayant différentes
caractéristiques (T1 , T2 et ρ0 ). Dans les deux cas, le temps de répétition TR était fixé à 2000 ms et (a)
TE = 8 ms et (b) TE = 70 ms. (a) est plutôt pondéré en densité de protons ρ0 et (b) en T2 . Nous
pouvons remarquer que les tubes qui ont un T2 court ne produisent presque plus de signal lorsque l’on
augmente le TE .

ser un spoiler6 qui est un gradient puissant appliqué à la fin d’une séquence pour déphaser la
magnétisation transversale résiduelle de telle sorte qu’elle puisse être considérée comme nulle
pour un voxel donné. La solution la plus couramment utilisée est d’utiliser une technique dite
de RF spoiling (Crawley et al., 1988, Duyn, 1997, Zur et al., 1991). Cette technique consiste à ex-
citer selon un axe différent wj pour l’excitation numéro j, de telle sorte que l’axe soit le plus
différent possible entre chaque nouvelle excitation.

Une séquence d’écho de gradient spoilé est représentée à la figure 1.16. Avec ce genre de
séquence dite spoilé, le signal peut s’écrire de la manière suivante :
M0 sin θ (1 − exp (−TR /T1 ))
S(TE ) = exp (−TE /T2∗ ). (1.49)
1 − cos θ exp (−TR /T1 )
Cette équation fait apparaître un terme de pondération en T2∗ contrairement à l’équation du
signal d’écho de spin (1.47) qui est en T2 . Le T2∗ est souvent appelé T2 apparent et est lié au T2
par :
1 1 1
∗ = + 0. (1.50)
T2 T2 T2
Le terme T20 est inversement proportionnel aux inhomogénéités de champ ∆B dans chaque
voxel et dépend aussi des variations de susceptibilité magnétique à travers l’objet imagé. Ces
paramètres T20 et T2∗ ne dépendent pas seulement des paramètres extérieurs que l’on vient
d’évoquer mais aussi des paramètres d’acquisition tels que la taille du voxel prescrit. Le T2 ,
quant à lui, est une propriété intrinsèque du tissu. Contrairement aux images acquises avec des
séquences de type écho de spin, qui peuvent être pondérées T1 , T2 ou ρ0 , les images acquises
avec des échos de gradient spoilés ont un fort contraste T1 ou ρ0 .

Il existe un très grand nombre de séquences de type écho de gradient qui ont toutes diffé-
rents buts et différentes applications. Nous n’en ferons pas la liste ici mais le lecteur intéressé
6
Du verbe anglais to spoil signifiant gâcher, abîmer. Pour traduire spoiler, le Grand dictionnaire terminologique
québécois de la langue française propose "gâcheur", mais ne s’applique pas très bien au domaine de la résonance
magnétique.

56
 1.3 Séquences

F IG . 1.16: Echo de gradient spoiler. Les impulsions RF peuvent être appliquées selon un axe wj si l’on
souhaite utiliser le RF spoiling. En rouge sur le gradient de sélection de coupe Gz est représenté un
gradient de spoiler. En vert est représenté un gradient de rephasage de signe opposé au gradient de
phase qui sert à compenser le gradient de phase dans le cas de TR très court. On appelle ce gradient un
gradient de "rembobinage" de l’anglais "rewinder". Ces différents gradients sont optionnels mais sont
généralement utilisés ensemble.

trouvera une description et un bref déchiffrage des acronymes utilisés dans les références sui-
vantes : (Brown et Semelka, 1999, Elster, 1993). Dans la dernière partie de ce chapitre, nous
allons décrire deux séquences qui ont beaucoup été utilisées au cours de ces travaux.

1.3.3 Fast Spin Echo

Les échos de spin rapides (que nous appellerons FSE pour Fast Spin Echo et que l’on retrouve
souvent sous le nom de RARE pour Rapid Acquisition with Relaxation Enhancement ou encore TSE
pour Turbo Spin Echo) est une séquence d’imagerie rapide composée d’une impulsion d’excita-
tion π/2 suivi d’un train d’impulsions de refocalisation pour produire autant d’échos de spin
qu’il y a d’impulsions de refocalisation (Hennig, 1988, Hennig et al., 1986). La particularité de
cette séquence est que chaque écho d’un même train est encodé en phase de façon différente et
permet de former une image. De cette manière, le temps d’acquisition est réduit de façon consi-
dérable par rapport à une séquence de spin echo traditionnelle (section 1.3.1). Par exemple, si
nous considérons une séquence FSE avec un train de 16 (nous appellerons cette grandeur ET L
pour echo train length) alors le temps d’acquisition total sera réduit d’un facteur 16 par rapport
à une séquence de spin echo et sans changer les autres paramètres (TR , TE etc.). Cette séquence
est parfaitement acceptée par le milieu médical pour le diagnostic. La figure 1.17 décrit une
séquence FSE.

Du fait de l’utilisation de multiples impulsions de refocalisation, les séquences FSE intro-

57
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.17: Description d’une séquence d’écho de spin rapide (ou Fast Spin Echo) avec les deux premiers
échos. On peut remarquer la présence de "crushers" sur les gradients de sélection de coupe (les deux lobes
de part et d’autre des impulsions) qui jouent une rôle similaire au "spoiler" et servent à éliminer les com-
posantes non désirées du signal. Le premier gradient sur la direction de fréquence est un "préphaseur"
qui sert à centrer l’écho sur la fenêtre d’acquisition et le gradient de lecture.

duisent une forte pondération T2 car chaque écho du train sera pondéré par un facteur en
exp (−t/T2 ). Cependant, elles permettent également une bonne pondération en T1 et en ρ0 .
L’avantage de cette séquence est qu’elle est assez peu sensible aux effets off-resonance7 comme
les inhomogénéités du champ statique B0 et les variations de susceptibilité magnétique des
tissus. Les inconvénients de cette séquence sont essentiellement l’augmentation du SAR, un
certain flou, la surestimation des contours et le repliement. L’augmentation du SAR à cause
des impulsions de refocalisation de 180◦ pose de sérieux problèmes en pratique aux intensités
de champ utilisées en clinique (1.5 ou 3 T). En pratique, on utilise des impulsions de refoca-
lisation avec un angle de bascule θ toujours inférieur à 180◦ . Dans ce cas, la magnétisation
transversale (Mxy ) est partiellement basculée dans le plan longitudinal (±z), partiellement re-
focalisée et partiellement laissée intacte. De la même façon, la magnétisation longitudinale sera
partiellement placée dans le plan transversal, partiellement inversée ou laissée intacte. L’effet
en pratique de l’utilisation de ces refocalisations "partielles" est que l’amplitude du signal que
l’on obtient est réduite en fonction de la réduction de l’angle de refocalisation (Alsop, 1997,
Hennig, 1988, Le Roux, 2002, Le Roux et Hinks, 1993).

Comme on peut le remarquer sur la figure 1.17, dans le cas des FSE, le temps d’écho TE
n’est plus défini aussi simplement que dans le cas des échos de spins. Dans ce cas, on parlera
plutôt de temps d’écho effectif TEef f , qui correspond au temps d’écho avec lequel les lignes du
centre de l’espace k ont été acquises. Cela dit, TEef f est quand même noté TE . Par conséquent,
le contraste que l’on obtiendra sur l’image finale sera très dépendant de l’ordre d’acquisition
des lignes de phase. Notons également que dans le cas des impulsions de refocalisation à faible
angle de bascule, le contraste change comparé aux refocalisations de 180◦ (Weigel et Hennig,
2006). A noter que ces séquences peuvent être utilisées en single shot c’est-à-dire que toute
7
A defaut d’une traduction satisfaisante, nous utiliserons toujours le terme anglophone "off-resonance".

58
 1.3 Séquences

l’image est acquise avec un seul train d’échos. Dans ce cas, on parle de SSFSE8 qui sont très
souvent utilisées avec des techniques d’acquisitions partielles de l’espace k (Bernstein et al.,
2004). Deux exemples d’images de tubes ayant différentes caractéristiques sont donnés à la
figure 1.18.

F IG . 1.18: Exemple d’images acquises avec une séquence Fast Spin Echo et un angle de refocalisation de
137◦ à 3 T. TR = 1200ms, ET L = 24 (a) TE = 30ms et (b) TE = 75ms.

Pour que ce type de séquences fonctionne, il y a deux conditions à respecter, que l’on utilise
des impulsions à angle de refocalisation faible ou non. Ce sont les conditions CPMG, du nom
de leurs auteurs Carr-Purcell-Meiboom-Gill.

Conditions 1.1 (CPMG Carr-Purcell-Meiboom-Gill) Condition 1 : Les impulsions de refocalisa-

tion doivent être déphasées de 90◦ par rapport à l’impulsion d’excitation, et doivent toujours être espacées
d’un temps 2τ qui doit être le double du temps séparant l’impulsion d’excitation et la première refocali-
sation τ (voir figure 1.17 pour une représentation graphique de cette première condition).
Condition 2 : La phase accumulée des isochromates entre deux impulsions de refocalisation consécutives
doit être égale c’est-à-dire :

Zt2 Zt3 ZtN

γ B(t)dt = γ B(t)dt = · · · = γ B(t), (1.51)
t1 t2 tN −1

avec B(t) incluant toutes les composantes de champ magnétique vu par les isochromates (essentielle-
ment, le champ statique B0 et les gradients).

Si ces deux conditions sont respectées, les échos de spin primaires et stimulés (Haacke et al.,
1999) vont se former entre deux impulsions de refocalisation (figure 1.17) avec la même phase.
Ce qui signifie que ces échos vont s’additionner de manière constructive. Si, par exemple, les
impulsions d’excitation et de refocalisation n’étaient pas déphasées du tout, alors les échos ap-
paraîtraient au même moment mais les échos primaires et stimulés seraient en opposition de
phase et s’additionneraient de manière destructive. Il n’y aurait donc plus de signal (figure
1.19).

Il existe un grand nombre de variations autour de ces séquences de type FSE ou RARE.
On peut citer plusieurs techniques dites de stabilisation d’écho où l’on cherche à faire varier
les impulsions de refocalisation pour pouvoir faire des trains d’échos plus long (Busse et al.,
8
On trouve très souvent l’acronyme HASTE pour Half-Fourier Acquisition Single Shot Turbo Spin Echo.

59
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.19: Exemples d’images en Single Shot Fast Spin Echo (toute l’image est acquise avec un seul train
d’échos) quand (a) les conditions CPMG sont respectées et (b) seule la deuxième condition est respectée.

2006, Hennig et Scheffler, 2001, Hennig et al., 2003, 2004, Le Roux et Hinks, 1993). Ce genre
de séquences devient particulièrement intéressant à très haut champ car, à cause du SAR, les
impulsions de refocalisation sont réduites au maximum et une stabilisation d’échos devient
nécessaire (Le Roux et Hinks, 1993). On peut noter aussi l’existence de séquences ne respectant
plus les conditions CPMG (Le Roux, 2002), ce qui permet, entre autres, d’ajouter des prépara-
tions longues entre l’excitation et la refocalisation.

1.3.4 Balanced Steady State Free Precession

Les séquences Balanced Steady State Free Precession (bSSFP) font partie de la famille des échos
de gradient. Elles sont caractérisées par un temps de répétition TR très petit et souvent inférieur
à T2 . Pour donner un ordre de grandeur, TR est souvent de l’ordre de 5ms. Le principe est
d’appliquer des impulsions RF de faible angle de bascule dans une direction donnée (θx < π/2)
tous les TR . Si ces conditions sont respectées et que l’on a répété l’expérience suffisamment
longtemps, on observe que les magnétisations longitudinale et transversale entrent dans un
état d’équilibre (ou Steady state). Contrairement aux échos de gradient spoilés (section 1.3.2),
il faut éviter de disperser la magnétisation transversale de manière à garder la cohérence de
phase. Par conséquent, il faudra veiller à ce que la phase accumulée par les isochromates soit
la même de TR en TR . Pour ce faire, on fait en sorte d’annuler le moment d’ordre zéro des
gradients, autrement dit que l’intégrale des gradients sur un TR soit nulle. Avec ce genre de
séquences, on utilise souvent une alternance de signes sur la RF de la forme θx − TR − θ−x − · · · .
Si de plus on considère que TE = TR /2, on peut alors montrer que le signal obtenu avec ce
genre de séquences et l’alternance de signe est (Scheffler et Hennig, 2003) :

1 − E1
S(TE ) = M0 sin θ exp (−TE /T2 ). (1.52)
1 − (E1 − E2 ) cos θ − E1 E2

avec E1 = exp (−TR /T1 ) et E2 = exp (−TR /T2 ). Dans le cas où on utilise pas l’alternance des
signes, c’est-à-dire que la séquence est de la forme θx − TR − θx − · · · , on obtient :

1 − E1
S(TE ) = M0 sin θ exp (−TE /T2 ) (1.53)
1 − (E1 + E2 ) cos θ + E1 E2

On peut remarquer que le signal est pondéré par un facteur en exp (−TE /T2 ), comme les échos
de spin, contrairement aux échos de gradient spoilés qui sont pondérés par exp (−TE /T2∗ ). On

60
 1.3 Séquences

peut noter que lorsque l’on diminue légèrement le TE par rapport à TR /2, on introduit une
pondération par T20 . En pratique cette pondération est négligeable à cause du TR et de la bonne
homogénéité de champ nécessaire au bon fonctionnement de cette séquence. Cette séquence
est décrite par la figure 1.20.

F IG . 1.20: Description d’une séquence de type bSSFP avec le moment d’ordre zéro des gradients annulé
et TE = TR /2.

On peut ensuite simplifier le signal obtenu à l’équation (1.52) en considérant que le temps
de répétition TR est très inférieur aux temps de relaxation T1 et T2 . On obtient :

M0 sin θ
S(TE ) = exp (−TE /T2 ) . (1.54)
(T 1/T 2)(1 − cos θ) + (1 + cos θ)

On fait alors apparaître un facteur de "pondération" en T2 /T1 , et on remarque que l’on peut
contrôler le contraste (le rapport entre le T1 et le T2 ) grâce à l’angle de bascule θ. Ainsi en aug-
mentant l’angle de bascule on sera d’avantage "pondéré" par T2 . Un exemple d’image acquise
sur un volontaire sain avec une séquence de bSSFP est donné figure 1.21.

Ces séquences sont appelées FIESTA9 chez General Electric.

9
FIESTA est l’acronyme de Fast Imaging Employing the Steady State

61
CHAPITRE 1. IMAGERIE PAR RÉSONANCE MAGNÉTIQUE

F IG . 1.21: Exemple d’image acquise avec une séquence de type bSteady sur un volontaire sain TE =
1.7ms, TR = 3.8ms et θ = 45◦ .

62
Chapitre 2

Mouvements et non reproductibilité en

IRM

Dans ce chapitre, nous allons faire quelques rappels de physiologie des organes qui nous
intéressent. Nous détaillerons également les principales caractéristiques du mouvement de ces
organes. Nous verrons quel est l’effet de ces mouvements sur les images acquises en IRM
lorsque l’objet d’intérêt bouge. Ensuite, nous discuterons des solutions couramment utilisées
en clinique à ce jour. Finalement, nous verrons en détail les solutions qui ont été proposées
dans la littérature pour éviter, diminuer ou corriger les problèmes liés aux mouvements.

2.1 Origines
Le corps possède deux organes1 qui ont un mouvement intrinsèque dû à leur fonctionne-
ment. Le premier est le cœur, les seconds sont les poumons. Le mouvement de ces deux organes
a un impact sur beaucoup d’autres organes tels que le foie ou les reins.

2.1.1 Mouvement cardiaque

2.1.1.1 Description et fonctionnement du cœur
Le cœur se trouve dans le médiastin moyen et est délimité par le péricarde. Le cœur a une
fonction de pompe pour récupérer le sang provenant de l’organisme, le faire oxygéner par les
poumons puis le redistribuer dans l’organisme. Il a une forme de pyramide triangulaire cou-
chée sur l’une de ses faces, avec un axe orienté vers l’avant, le bas et la gauche qui forme une
pointe. Le cœur est constitué de deux systèmes en série. Le cœur droit (constitué de l’oreillette2
droite et du ventricule droit) reçoit par l’oreillette correspondante le sang veineux pauvre en
oxygène par les veines caves inférieure et supérieure, se poursuit par un ventricule et les artères
pulmonaires ; il s’agit d’un régime à basse pression. Le sang est oxygéné lors de son passage
dans les poumons, puis arrive à l’oreillette gauche par les veines pulmonaires. Il passe par le
ventricule gauche (constitué de l’oreillette gauche et du ventricule gauche), qui l’envoie par
l’aorte dans la circulation systémique pour être distribué à l’ensemble de l’organisme. Le cœur
gauche est un régime à haute pression (voir figure 2.1). Tout ceci forme un cycle qui est répété
au cours du temps. Pour permettre au sang de passer des oreillettes aux ventricules, une valve
fait la jonction entre les deux et s’ouvre lorsque la pression dans les oreillettes devient supé-
rieure à celle dans les ventricules. Les valves ont un rôle de clapet antiretour.

Pour pouvoir éjecter le sang de ces ventricules, le cœur est animé d’un mouvement de
contraction. Ce mouvement de contraction est "orchestré" par le noeud sinusal qui se trouve
au sommet de l’oreillette droite. La dépolarisation de ce noeud entraîne le début d’un cycle
1
Il y a d’autres organes qui possèdent un mouvement, comme les intestins (le péristaltisme), mais nous ne les
évoquerons pas dans le présent document.
2
Les oreillettes sont très souvent appelées atrium.

63
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

F IG . 2.1: Description des différentes parties du coeur. Extrait de (Cummings, 2004).

cardiaque. Lorsque ce noeud se dépolarise, les autres cellules du myocarde se dépolarisent

de proche en proche ce qui entraîne les contractions du cœur afin d’éjecter le sang dans les
poumons et dans le reste de l’organisme. Ces quelques mots nous permettent de faire le lien
avec quelque chose qui nous sera très utile pour la synchronisation cardiaque : l’électrocardio-
gramme.

L’activité contractile du cœur débute par la base (le plan qui passe par les valves) avec une
diminution du diamètre transversal (Hoffman et Ritman, 1985). Puis se produit un raccourcis-
sement du ventricule gauche selon son grand axe ; ce raccourcissement se produit essentielle-
ment par le déplacement de la base, alors que l’apex (la pointe) reste à peu près stable, comme
cela a été démontré entre autres par l’IRM grâce aux méthodes de tagging et de mesures de vi-
tesse (Buckberg et al., 2006, Delfino et al., 2006, Jung et al., 2006). Ce mouvement s’accompagne
d’une rotation horaire de l’apex et anti-horaire de la base, en regardant le coeur depuis l’apex
(Lorenz et al., 2000). C’est cette association particulière, parfois décrite par l’image d’une ser-
pillière que l’on tord, qui explique l’efficacité de l’éjection ventriculaire. Par la suite, au cours de
la relaxation, le grand axe se rallonge, avec en même temps des rotations inverses par rapport
à la phase initiale.

2.1.1.2 L’électrocardiogramme (ECG)

L’électrocardiogramme (ECG) consiste en l’enregistrement de l’activité électrique du cœur.
C’est un enregistrement non invasif, effectué par un appareil électrocardiographique via des
électrodes positionnées sur la peau du patient. C’est devenu au fil du temps un outil diagnos-
tique primordial pour les maladies cardio-vasculaires.

Le signal ECG est la résultante de la dépolarisation successive de différentes cellules, dont

la source est le noeud sinusal dont nous avons déjà parlé. Cette excitation se produit sponta-
nément dans le noeud sinusal, qui est le pacemaker (ou métronome) du cœur. C’est la fréquence
des impulsions issues du noeud sinusal qui détermine la fréquence des battements ou rythme

64
 2.1 Origines

cardiaque. En effet, bien que toutes les parties des systèmes excitateur et conducteur du cœur
ont la capacité de se dépolariser spontanément, leur fréquence propre est plus basse et la fré-
quence du noeud sinusal prédomine.

L’excitation se propage à partir de ce point aux deux oreillettes, avant d’être retardée dans
le noeud atrioventriculaire. Cette phase correspond à la contraction des oreillettes. La propa-
gation de l’excitation se poursuit alors le long du faisceau de His (Common Bundle), à travers
le réseau de Purkinje (Purkinje Fibers) pour conduire à l’excitation du myocarde ventriculaire.
Ceci entraîne alors la contraction des ventricules. La figure 2.2 illustre la propagation de l’acti-
vité électrique cardiaque.

F IG . 2.2: Dépolarisation des cellules cardiaques et création du signal ECG (Netter, 1992).

En première approximation, l’ECG peut être expliqué comme un dipôle équivalent unique
résultant de la somme des dipôles locaux. Ce dipôle équivalent peut être représenté par un
vecteur dont l’origine est appliquée à la partie supérieure du septum et construit en sommant
les vecteurs locaux. L’amplitude et la direction de ce vecteur résultant varient au cours du cycle
cardiaque et sont caractéristiques des différentes phases de l’activité cardiaque. Le signal ECG,
mesuré en mV , est la projection de ce vecteur sur un axe appelé dérivation, déterminé par le
placement des électrodes.

Un signal ECG se caractérise par les cinq déflexions principales. L’onde P résulte de la dé-
polarisation des oreillettes. Le complexe QRS est constitué des trois ondes Q, R et S, qui sont
le fruit de la dépolarisation des ventricules. L’onde R est la déflexion la plus facilement détec-
table sur le signal, avec une amplitude de l’ordre du mV , selon la dérivation. Enfin, la phase
de repolarisation des ventricules est à l’origine de l’onde T. La figure 2.3 illustre les différentes
phases de la révolution cardiaque.

65
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

F IG . 2.3: La révolution cardiaque et les différentes déflections de l’ECG (Netter, 1992).

Voyons maintenant ce que devient l’ECG en IRM dans la pratique.

2.1.1.3 L’ECG en IRM

L’ECG est généralement acquis en IRM pour deux raisons, la première pour synchroniser la
séquence d’acquisitions avec l’activité cardiaque et la deuxième pour le monitorage ou suivi du
patient pendant l’examen d’IRM. La synchronisation cardiaque est absolument nécessaire pour
les examens cardiaques. Le monitorage des patients est l’un des axes d’étude de la sécurité en
IRM. Le monitorage consiste en le suivi de certains signaux physiologiques, afin de pouvoir
prévenir toutes sortes de risques ou de dégradations de l’état du patient. Le monitorage des
patients est recommandé dès lors qu’un patient requiert l’observation des paramètres physio-
logiques suite à un problème de santé (douleur, anesthésie, problème respiratoire ou cardiaque
etc...), ou lorsque le patient est incapable de communiquer avec le manipulateur ou radiologue
durant un examen IRM (Felblinger et Boesch, 1998, Shellock, 2001, Shellock et Crues, 2004). Le
monitorage est également recommandé lors de l’injection de produits de contraste afin d’être
prévenu de tout effet secondaire. Le lecteur intéressé trouvera plus de détail sur l’ECG en IRM
dans les travaux de Oster (2009).

Du fait de la présence d’un champ magnétique statique intense, l’environnement IRM dé-
forme l’ECG. La présence de ce champ affecte la qualité du signal ECG principalement du fait
de l’effet MagnetoHydroDynamique (MHD), également appelé effet Hall. Des études ont mis
en évidence ce phénomène, avant l’avènement de l’IRM dans le pratique clinique, sur diffé-
rentes espèces animales, (Beischer et Knepton, 1964, Gaffey et al., 1980, Tenforde, 1992, Togawa
et al., 1967) mais également sur l’homme (Chakeres et al., 2003, Jehenson et al., 1988). Ce phé-
nomène se caractérise principalement par une déformation de l’onde T, coïncidant avec l’ou-
verture de la valve aortique, en présence d’un champ supérieur de 0.1T (Tenforde, 1992), mais
des déformations du signal ECG ont également été caractérisées lors des ouvertures des valves
pulmonaire, tricuspide et mitrale (Tenforde, 1992). L’influence du champ magnétique sur l’ECG
est illustrée sur la figure 2.4.

Il a été démontré que cet effet est la conséquence de l’interaction entre le champ magné-
tique statique et un fluide conducteur en mouvement, en l’occurrence principalement le sang
circulant dans la crosse aortique, qui donne lieu à la création d’une tension (Kolin, 1959).

L’ECG est également perturbé par les gradients de champ magnétiques. En effet, les gra-
dients sont des champs magnétiques qui varient très rapidement dans l’espace et dans le temps.

66
 2.1 Origines

F IG . 2.4: Influence du champ magnétique statique sur un tracé ECG d’un homme (Chakeres et al.,
2003).

Ces champs magnétiques varient à assez basse fréquence [1 − 30kHz] et, rappelons-le, sont uti-
lisés pour faire varier la composante en ~z du champ statique dans les différentes directions.
Ces gradients induisent des variations de champ électrique dans le corps des patients qui sont
ensuite mesurées par les capteurs ECG3 . La figure 2.5 représente les différentes déformations
que subit l’ECG en IRM.

F IG . 2.5: Influence du champ statique (1.5 T) et des gradients sur l’ECG dans l’environnement de
l’IRM. L’ECG est représenté hors du champ magnétique (première colonne), puis dans le champ magné-
tique statique (deuxième colonne) et finalement en présence des gradients lors de l’acquisition d’images
(troisième colonne). Attention, ces acquisitions ont été faites avec des capteurs ECG ayant une bande
passante de 60 Hz ce qui permet de bien montrer l’influence des gradients.

A cause de l’effet Hall et des artefacts de gradient présents sur l’ECG, la détection des dif-
férentes déflexions de l’ECG est assez délicate. La seule onde que l’on sait détecter en IRM, est
3
Il y’a d’autres phénomènes physiques qui influencent ces champs électriques et les signaux mesurés par les
capteurs ECG. Pour plus de détails voir le chapitre 1 de Oster (2009)

67
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

l’onde R. La technique de détection des ondes R la plus couramment utilisée en pratique est ba-
sée sur la vecto-cardiographie (figure 2.3) proposée par Fischer et al. (1999). D’autres méthodes
basées sur le débruitage des ECG ont également été proposées. Felblinger et al. (1999) proposent
de modéliser les artefacts de gradients comme la réponse d’un système linéaire et invariant par
translation, Odille et al. (2007b) utilisent une décomposition en valeurs singulières, Abächerli
et al. (2005) utilisent une technique de filtrage adaptative, Oster et al. (2010) utilisent un filtre
de Kalman ou encore Oster et al. (2009a) proposent d’utiliser des techniques de séparation de
sources aveugle.

2.1.2 Mouvement respiratoire

2.1.2.1 Description et organes concernés
La respiration ne met pas en jeu les seuls poumons. En effet, elle fait également intervenir
tout l’appareil mécanique nécessaire comme la cage thoracique, certains muscles et centres ner-
veux. Le cycle respiratoire comprend deux temps bien différents : l’inspiration et l’expiration.

L’inspiration est un phénomène actif, au cours duquel tous les diamètres de la cage tho-
racique augmentent, donc le volume de la cage augmentent. La contraction du diaphragme,
muscle inspiratoire principal, abaisse les coupoles avec une augmentation du diamètre verti-
cal de la cavité thoracique, et entraîne également une élévation des côtes inférieures. Les autres
muscles inspiratoires sont les intercostaux externes et la partie interne des intercostaux internes
qui élèvent les côtes et contribuent ainsi à l’augmentation du diamètre transversal. Enfin, les
muscles scalènes élèvent les côtes supérieures et le sternum. La conséquence de cette augmen-
tation de volume est que le haut de la cage thoracique aura un mouvement vers le haut et
l’avant alors que les organes comme le cœur, le foie, les reins, la rate et l’estomac vont avoir un
mouvement vers le bas. La figure 2.6 illustre ce mouvement.

F IG . 2.6: Mouvement des organes pendant l’inspiration (Segars et Tsui, 2009).

A la différence de l’inspiration, l’expiration est un phénomène passif en respiration nor-

male. Les muscles inspiratoires se relâchent et le système et les différents organes tendent à

68
 2.1 Origines

revenir à leur position initiale. La diminution de volume qui en résulte entraîne une augmen-
tation de pression alvéolaire, qui devient ainsi supérieure à la pression atmosphérique et l’air
est expulsé. C’est seulement en cas d’expiration rapide ou forcée que les muscles expiratoires
sont mis en jeu.

2.1.2.2 Mesure du mouvement respiratoire

Il existe deux grands types de "capteurs" respiratoires utilisés en IRM : les ceintures respira-
toires et les échos-navigateurs . Le principe des ceintures respiratoires est basé sur la mesure des
mouvements du thorax ou de l’abdomen induits par la respiration. Elles permettent d’obtenir
une information sur la phase respiratoire du patient et de surveiller la bonne tenue des apnées.
Ces ceintures peuvent aussi être utilisées pour synchroniser les acquisitions sur le cycle respira-
toire (Groch et al., 1991), pour réordonner les lignes de l’espace k dès l’acquisition (Bailes et al.,
1985) ou encore pour la correction des mouvements à la reconstruction (Odille et al., 2008a,b).

Les ceintures les plus répandues sont les ceintures pneumatiques (Rauvala et al., 1996) pla-
cées autour du thorax ou de l’abdomen du patient. Ainsi, on mesure les variations de pression
dans une tubulure en accordéon extensible. L’étirement de cette tubulure implique un change-
ment de volume et par conséquent un changement de pression. Bien sûr, il est possible d’ima-
giner d’autres types de capteurs respiratoires comme des ceintures optiques (Pasquier, 2007),
des accéléromètres (Rousselet et al., 2010b) ou encore des spiromètres (Rousselet et al., 2010a).
Les ceintures pneumatiques ont plusieurs avantages : elles sont amagnétiques, non invasives et
faciles à installer. Le gros inconvénient est qu’elles ont une dérive au cours du temps qui peut
être gênante dans certains cas et elles ne donnent pas de mesure directement en millimètres de
l’expansion de la cage thoracique (pour cela il faudrait une étape de calibration).

Il faut également noter que l’amplitude de l’onde R des ECG acquis en IRM est fortement
liée à la respiration (Felblinger et Boesch, 1997). Un exemple d’ECG où l’amplitude des ondes
R est modulée par la respiration est donné à la figure 2.7 avec un exemple de signal respiratoire
acquis avec une ceinture pneumatique.

F IG . 2.7: Influence de la respiration sur un signal ECG acquis en IRM. En bas, il y a un exemple de
signal respiratoire issu d’une ceinture pneumatique.

69
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

L’autre type de "capteur" respiratoire sont les échos-navigateurs. Ce sont des signaux RMN
entrelacés avec l’acquisition des données images. Les navigateurs les plus courants consistent
à exciter une "colonne" de spins sur le diaphragme au niveau de l’interface foie-poumon. Il
existe plusieurs façons de faire cela et nous en rediscuterons dans la section 2.4. Un exemple de
navigateur est donné à la figure 2.8.

F IG . 2.8: Placement d’échos navigateurs sur le l’hémidiaphragme droit (en jaune et à gauche) et sur le
coeur (en jaune et à droite) pour le mesure de la respiration (à droite et en bas) et de la respiration super-
posée avec les mouvements du coeur (à droite et en haut) (Nehrke et al., 2001). A droite est représenté
les profils des navigateurs en fonction du temps.

L’avantage des navigateurs est que l’on peut en extraire une mesure directe en millimètres
du déplacement de l’hémidiaphragme ou de l’objet sur lequel il est placé. L’inconvénient est
qu’il n’est pas possible de l’utiliser avec tous les types de séquences et pour tous types d’ap-
plications. En effet, comme un navigateur est une acquisition RMN, il peut potentiellement
perturber les signaux que l’on veut mesurer pour faire une image. Nous verrons qu’il existe
plusieurs façons d’acquérir ces navigateurs (voir section 2.4).

Dans la section suivante, nous détaillerons la plateforme de traitement temps réel et d’en-
registrement des signaux physiologiques qui a beaucoup été utilisée au cours de ces travaux.

2.1.3 Plateforme de traitement des signaux physiologiques

Pour la suite, nous appellerons cette plateforme de traitement des signaux physiologiques
SAEC qui signifie Signal Analyzer and Event Controler Odille et al. (2007b).

2.1.3.1 Intérêt et constitution

L’intérêt de cette plateforme est de pouvoir enregistrer les signaux physiologiques ainsi que
le déroulement de la séquence de façon parfaitement synchrone. Cette plateforme, permet de
traiter les signaux comme l’ECG afin d’en détecter les ondes R et on peux ensuite, grâce à un
signal TTL, synchroniser la séquence avec les ECG et enregistrer le tout.

Pour ce faire, les signaux physiologiques de base comme les ECG, les ceintures respiratoires
et l’oxymétrie sont branchés à un système de monitorage modifié au laboratoire. Ce système
de monitorage est un Maglife de la société Schiller. Les capteurs ECG proviennent également
de la société Schiller et les ceintures respiratoires sont des produits disponibles chez GE. Ces

70
 2.1 Origines

capteurs ECG sont composés de trois dérivations. Sur le Maglife modifié nous avons la pos-
sibilité de brancher 3 capteurs ECG et deux ceintures respiratoires. Dans le Maglife modifié,
les signaux sont modulés puis transmis par fibres optiques à l’unité de traitement temps réel.
Malheureusement, nous ne pouvons transmettre qu’une seule dérivation pour chaque capteur
ECG. Du coup, nous utilisons plusieurs capteurs afin d’avoir les données nécessaires pour la
détection des ondes R par exemple. Ensuite, les signaux optiques sont démodulés, convertis en
analogique et numérisés pour pourvoir être traités, enregistrés et affichés. Nous pouvons aussi
enregistrer et/ou traiter les signaux provenant de l’IRM tels que les fenêtres d’acquisition, les
formes d’onde des gradients et de la RF. L’unité temps réel est constituée d’un PXI vendu par la
société National Instrument. La figure 2.9 est une photo de l’unité temps réel et de l’acquisition
des signaux.

F IG . 2.9: On voit ici les différents constituants de la partie temps réel avec à droite l’unité temps réel et
à gauche les différentes unités de démodulation et de numérisation.

2.1.3.2 Logiciel et interface

Une fois les signaux acquis, l’enregistrement se fait directement sur le disque dur du PXI.
Les signaux sont également envoyés grâce à une connexion Ethernet standard à une interface
utilisateur qui permet d’afficher les signaux. Cette interface permet aussi de commander le
comportement des traitements que l’on souhaite réaliser (voir figure 2.10).

Parmi les traitements numériques implémentés sur le SAEC, on trouve un détecteur QRS et
une méthode adaptative de débruitage des ECG (Abächerli et al., 2005) basée sur une technique
de filtrage adaptative avec une minimisation de type moindres carrés. Le détecteur QRS nous a
été fourni par le société Schiller et est celui qui est implémenté dans un de leurs appareils (Ar-
gus PB-100). Malheureusement, nous ne connaissons pas l’algorithme utilisé par ce détecteur
que nous devons considérer comme une boite noire.

Finalement, une sortie de type TTL est branchée dans une entrée de "trigger externe" direc-
tement dans l’électronique de l’IRM. Ce qui nous permettra de synchroniser l’IRM comme bon
nous semble (nous en reparlerons au chapitre 3). La figure 2.11 donne une vue d’ensemble de

71
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

F IG . 2.10: Interface graphique du SAEC

ce système.

2.2 Conséquences sur les images

Dans cette section, nous allons nous intéresser à l’effet du mouvement pendant l’acqui-
sition des images d’un point de vue théorique en 2D dans le cas d’une séquence d’écho de
spin. Dans le cas du mouvement inter-acquisition (entre deux TR ), nous simplifierons le mou-
vement en un modèle purement sinusoïdal ce qui est un modèle simple qui se rapproche du
mouvement pseudo-périodique cardiaque et respiratoire. Dans le cas du mouvement intra-
acquisitions (pendant le gradient de lecture) nous considérerons une simple translation en
fonction du temps. Ces problèmes ont principalement été traités par Haacke et Patrick (1986),

F IG . 2.11: Vue d’ensemble du SAEC.

72
 2.2 Conséquences sur les images

Haacke et al. (1999), Schultz et al. (1984), Wood et Henkelman (1985) et ont l’avantage de claire-
ment montrer l’effet du mouvement sur les images finales.

2.2.1 Mouvements inter-acquisitions

Commençons par considérer un mouvement sinusoïdal dans la direction de fréquence puis
dans la direction de phase.

2.2.1.1 Mouvement sinusoïdal dans la direction de fréquence

Considérons un mouvement macroscopique tel que l’on peut en trouver dans la poitrine.
On considère que chaque spin de l’objet oscille à une certaine fréquence angulaire ωm autour
de sa position d’origine x0 et on négligera ce qui se passe pendant les gradients de lecture :

x(t0 ) = x0 + Am sin ωm t0 .


(2.1)

Dans ce modèle de mouvement simple, t0 représente le temps entre l’application du premier

gradient d’encodage de phase jusqu’au gradient de phase "actuel". On note Gy l’amplitude du
gradient d’encodage de phase et ∆Gy le pas entre deux encodages de phase consécutifs. On a
donc Gy /∆Gy = ky /∆ky , à l’origine de t0 on a ky /∆ky = Ny . Avec ces notations, on a :

t0 = (ky /∆ky + Ny )TR . (2.2)

Ensuite, si on reprend l’équation du signal (1.43) et que l’on considère que l’on obtient directe-
ment la densité de spins ρ, on obtient :
ZZ
s(kx , ky ) = ρ(x, y) exp (−2π(kx x + ky y)) dxdy. (2.3)
Ω

Le fait de considérer que notre objet bouge en fonction du temps implique que ρ(x, y) est une
fonction du temps. Par conséquent, l’équation ci-dessus devient :
ZZ
ρ(x(t0 ), y) exp −2π(kx x(t0 ) + ky y) dxdy.


s(kx , ky ) = (2.4)
Ω

Il est alors possible d’éliminer la dépendance au temps de la densité de spins ρ à l’aide du

changement de variable suivant :

x0 = x − Am sin ωm t0 .


(2.5)

Du coup, on peut réécrire l’équation du signal (2.4) sous la forme :

ZZ
ρ(x0 , y) exp −2π[kx (x0 + Am sin(ωm t0 )) + ky y] dx0 dy.


s(kx , ky ) = (2.6)
Ω

En utilisant l’identité :
+∞
X
exp (−α sin(ωt)) = Jp (α) exp (−pωt) (2.7)
p=−∞

où Jp représente les fonctions de Bessel modifiées de première espèce d’ordre p. Ainsi, on peut
poursuivre le calcul et réécrire l’équation (2.6) sous la forme (de plus on substitue à t0 son
expression (2.2)) :
+∞ Z Z
X
s(kx , ky ) = ρ(x0 , y)Jp (2πAm kx )
p=−∞ (2.8)
Ω
exp −2π(kx x0 + ky y) − pωm (ky /∆ky + Ny )TR dx0 dy


73
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

que l’on peut réécrire sous une forme plus parlante :

ZZ
ρ(x0 , y) exp −2π(kx x0 + ky y) dx0 dy


s(kx , ky ) =
Ω
+∞
(2.9)
X
Jp (2πAm kx ) exp {−pωm (ky /∆ky + Ny )TR } .
p=−∞

Dans cette dernière relation on reconnaît la transformation de Fourier de ρ, l’objet statique en

x0 (car le lecteur aura remarque que x0 = x0 ), multipliée par un terme qui module l’amplitude
de ce dernier (Jp (2πAm kx )) dans la direction de fréquence, et un autre terme de périodicité
dans la direction de phase qui se traduira par du repliement4 . En notant F, l’opérateur de
transformation de Fourier, on peut écrire :
+∞
X
s(kx , ky ) = F ρ(x0 , y) (kx , ky )

Jp (2πAm kx ) exp {−pωm (ky /∆ky + Ny )TR } . (2.10)
p=−∞

Ensuite, à partir de cette dernière équation on peut calculer l’image reconstruite en présence
d’un mouvement dans la direction de fréquence en utilisant les propriétés de la transforma-
tion de Fourier, entre autres que le produit dans le domaine fréquentiel donne un produit de
convolution dans le domaine spatial. Nous noterons l’image reconstruite ρ̂(x, y) et on obtient :
+∞
X
ρ̂ = ρ {s} = ρ ?(x,y) F {Jp (2πAm kx ) exp (−pωm (ky /∆ky + Ny )TR )} (2.11)
p=−∞

où ?(x,y) représente le produit de convolution 2D selon x et y. On peut ensuite calculer la fonc-

tion d’étalement, que l’on appellera PSF5 . La définition de la PSF est obtenue lorsque l’on consi-
dère que ρ(x, y) = δ(x − x0 , y − y0 ), c’est-à-dire l’impulsion de Dirac située en (x0 , y0 ). La PSF
P est donc
+∞
X
P (x, y) = δ(x − x0 , y − y0 ) ?(x,y) F {Jp (2πAm kx ) exp (−pωm (ky /∆ky + Ny )TR )} . (2.12)
p=−∞

Pour aller un peu plus loin, on peut approfondir davantage le calcul du terme à droite du
produit de convolution. Dans ce terme, on voit qu’une partie dépend de x et l’autre de y, on
peut donc les séparer et calculer la transformation de Fourier :

F {Jp (2πAm kx ) exp (−pωm (ky /∆ky + Ny )TR )} =

ωm TR Ny (2.13)
F {Jp (2πAm kx )} (x)δ(y − p ).
2π
La transformée de Fourier des fonctions de Bessel peut se calculer grâce aux polynômes de
Chebyshev de première espèce et d’ordre p, notés Tp :
 p
 2()√Tp (x/Am ) si |x| < Am
F {Jp (2πAm kx )} (x) = A2m −x2 . (2.14)
0 si |x| ≥ Am

Finalement, on peut calculer la PSF sous la forme :


+∞
P 2(−)p Tp (x/Am )
δ(x − x , y − y ) ? √ 2 2 δ(y − p ωm T2πR Ny ) si |x| < Am

0 0 (x,y)
P (x, y) = p=−∞ Am −x .
|x| ≥ Am

0 si
(2.15)
4
que l’on retrouve souvent sous le terme de "fantôme" de l’anglais Ghost ou Ghost artifact
5
PSF est l’acronyme anglais de Point Spread Function, fonction d’étalement du point en français.

74
 2.2 Conséquences sur les images

Ainsi, en analysant cette dernière expression, on voit qu’un point initialement positionné
en (x0 , y0 ) et oscillant dans la direction de fréquence aura son signal réparti selon la direction x
(voir le terme fonction de x) mais aussi selon la direction y (voir le terme fonction de y).

Le résultat de ce mouvement périodique selon la direction de fréquence donnera une pério-

disation de l’objet mesuré dans l’image, c’est que l’on appelle des fantômes. Ainsi, on retrou-
vera dans l’image, l’objet en question en son point initial (x0 , y0 ) et les fantômes. L’espace entre
les fantômes est proportionnel à p(ωm TR Ny )/(2π), qui dépend du champ de vue dans la direc-
tion de phase, de la fréquence du mouvement ainsi que du temps de répétition. Cet espacement
peut s’écrire en fonction de temps de répétition et la fréquence du mouvement fm = ωm /2π.
Si f mTR < 1, les fantômes se retrouveront dans l’image, mais si f mTR > 1 alors les fantômes
seront en dehors du champ de vue. Le cas limite fm TR = 1 correspond au cas où le temps de
répétition est égal à la période du mouvement, dans ce cas nous sommes synchronisés avec
ce mouvement (c’est le cas de la synchronisation cardiaque et respiratoire). Tout ceci signifie
également que l’on peut séparer l’objet imagé et ses fantômes en augmentant le TR , voire les
faire disparaître. De façon générale, dans le cas de mouvements réels et non-sinusoïdaux, les
composantes basse fréquence se replient dans la champ de vue et on a donc des fantômes. Ceci
est important, surtout pour les mouvements respiratoires ou les dérives des organes pendant
une apnée, car dans les deux cas, ces mouvements contiennent des composantes basse voire
très basse fréquence.

Le résultat de ce mouvement périodique selon la direction de fréquence donnera un flou

sur une distance dépendant de l’amplitude du mouvement Am . La forme de ce flou dépend de
l’amplitude du mouvement et de l’indice p du fantôme. Ce flou est borné et l’intensité maxi-
mum se trouve près des extrémités du mouvement, ce qui se comprend puisque ce sont les
positions les plus fréquentes d’un point de vue statistique.

Enfin, notons que la PSF que nous venons de calculer est celle de la version continue du pro-
cessus d’acquisition et de reconstruction. Afin de ne pas alourdir l’écriture, nous avons donc
omis les termes correspondant à la discrétisation du problème (multiplications/convolutions
avec des peignes de Dirac/fonctions portes). Il y a alors deux modifications à prendre en
compte. La première est la diminution de l’intensité du signal des fantômes à mesure qu’ils
s’éloignent du centre de l’espace k. Ceci peut s’expliquer par le fait que le terme de flou dans
la direction x, pour les valeurs élevées de p, présente des pics à haute fréquence qui sont filtrés
lors de la discrétisation. La deuxième modification est liée à la périodicité de l’image intro-
duite par la discrétisation de l’espace de Fourier. Par conséquent, si des fantômes d’ordre élevé
sortent du champ de vue mais ne voient pas leur intensité suffisamment diminuée, ils peuvent
potentiellement apparaître dans le champ de vue à cause du repliement dû à la discrétisation.

Dans la section suivante, nous nous intéresserons au cas où le mouvement est dans la di-
rection de phase.

2.2.1.2 Mouvement sinusoïdal dans la direction de phase

Comme précédemment, nous considérons un mouvement sinusoïdal mais dans la direction
de phase :
y(t0 ) = y0 + Am sin ωm t0 .


(2.16)
En faisant un raisonnement similaire à celui de la section précédente, seul le calcul de somme
(équation (2.10)) est différent. En effet, dans le cas présent, il n’y a plus de dépendance en x, on

75
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

obtient donc :

+∞
2(−)p T (y/A ) ω T N
(−1)p √ 2p 2 m ?y δ(y − p m 2πR y )
δ(x − x , y − y ) ? P
si |y| < Am

0 0 (x,y)
P (x, y) = p=−∞ A m −y .
si |y| ≥ Am

0
(2.17)
Comme précédemment, les fantômes sont espacés de p(ωm TR Ny )/(2π), qui dépend du champ
de vue dans le direction de phase, de la fréquence du mouvement ainsi que du temps de ré-
pétition. Par contre, le terme correspondant au flou se trouve cette fois dans la direction de
phase toujours sur une longueur de ±Am , l’amplitude du mouvement. Dans ce cas, on aura les
mêmes discours sur les fantômes et le flou que dans le cas du mouvement dans la direction de
fréquence.

Dans la partie suivante, nous montrons brièvement ces résultats en pratique.

2.2.1.3 Exemple sur fantômes

Dans le but de vérifier de façon expérimentale les calculs théoriques que nous venons de
présenter, nous avons utilisé une plateforme mobile développée au laboratoire. Cette plate-
forme est commandée par un respirateur et permet de faire des mouvements périodiques dans
une seule direction (de haut en bas). Le principe de fonctionnement est assez simple : le res-
pirateur envoie périodiquement de l’air dans un ballon. En se gonflant le ballon fait monter
une plaque de Téflon montée avec plusieurs liaisons pivot. Ensuite, le ballon se dégonfle avec
le poids de la plaque. La figure 2.12 est un photographie du respirateur et de la plateforme
mobile.

F IG . 2.12: Photographie du respirateur et de la plateforme mobile utilisés pour simuler des mouvements
périodiques.

Afin de se rapprocher d’un objet dont la distribution des spins serait proche de celle du
Dirac, nous avons utilisé une bille de gadolinium d’un diamètre de 8 mm (BrainLAB, Heim-
stetten, Allemagne). Cette bille a été placée sur la plateforme mobile. Nous avons placé un
objet statique à coté de la plateforme mobile mais dans le même plan que celui de la bille. Nous
avons réglé le simulateur de telle sorte que le mouvement produit par la plateforme s’approche
d’une sinusoïde à 0.25 Hz, soit environ 1 cycles respiratoires toutes les 4 s. Nous avons éga-
lement disposé une ceinture respiratoire autour de la plateforme afin d’obtenir une image du

76
 2.2 Conséquences sur les images

mouvement réel (voir figure 2.13).

F IG . 2.13: En haut, mouvement périodique réel mesuré par la ceinture respiratoire (en bleu) et sa fré-
quence fondamentale (en rouge) de 0.25 Hz. En bas sont représentées les différentes fenêtres d’acquisi-
tion.

Pour les acquisitions, nous avons utilisé une séquence d’écho de spin simple, avec un ba-
layage cartésien de l’espace k comme dans le partie théorique précédemment discutée. Le
nombre de lignes de phase et le nombre de points acquis dans la direction de fréquence ont
été fixés à 256. Le temps de répétition a été fixé aux valeurs suivantes : 100 ms, 500 ms et 2000
ms. Dans un premier temps, le mouvement de la bille a été mis dans la direction de fréquence
puis, dans un deuxième temps, dans la direction de phase.

Les résultats de cette expérience sont donnés à la figure 2.14. On remarque que la forme et
l’espacement entre les fantômes sont conformes à ce que nous avons démontré de façon théo-
rique. Dans le cas du mouvement sinusoïdal dans la direction de fréquence (figure 2.14-a), on
retrouve bien la périodisation dans la direction de phase et le flou dans la direction de fré-
quence. De façon similaire, dans le cas du mouvement sinusoïdal dans la direction de phase
(figure 2.14-b), on retrouve la périodisation et le flou dans cette même direction. Notons que
dans notre expérience, la bouteille immobile ne l’est pas tout à fait, ce qui explique les artefacts
fantômes que l’on retrouve.

Dans la partie théorique, nous avons considéré des sinusoïdes sans phase à l’origine (équa-
tions (2.1) et (2.16)). Si l’on considère ce terme en plus on obtient un mouvement de la forme :

y(t0 ) = y0 + Am sin ωm t0 + φm .


(2.18)

Ce terme se traduirait par un déphase supplémentaire dans les PSF avec un terme en exp(−pφm )
dans la somme sur p. Ce terme de phase ne changerait rien aux résultats présentés puisque ce
terme n’affecterait que la phase des images reconstruites mais ne changerait en rien le mo-
dule de ces images. De plus, dans la figure 2.14 nous ne présentons que le module des images.
Ces calculs peuvent s’étendre à trois dimensions mais nous trouverions des résultats similaires
(Wood et Henkelman, 1985).

77
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

2.2.2 Mouvements intra-acquisition

Dans le cas du mouvement intra-acquisition, nous considérons que le mouvement appa-
raît entre l’excitation et la fin du gradient de lecture. Dans la chapitre 1, nous avons vu que
le processus d’encodage des signaux IRM est lié à la phase accumulée des isochromates. La
phase accumulée dépend de leurs positions. Par conséquent, le mouvement de l’objet qui en-
gendre également un déphasage va "corrompre" l’encodage. Ce problème est connu et bien
documenté : voir par exemple Haacke et al. (1999) ou encore Bernstein et al. (2004).

Dans ce qui suit, nous considérerons surtout ce problème lors de l’application du gradient
de lecture. Considérons le cas d’un écho de gradient avec un gradient bipolaire comme donné
sur la figure 2.15.

Ensuite, nous considérons un mouvement selon la direction de fréquence à vitesse constante

νx à partir du point x0 . Ce déplacement sera fonction du temps et s’écrira de la manière sui-
vante :
x(t) = x0 + νx t. (2.19)
La phase accumulée par l’ensemble de spins initialement en x0 , c’est-à-dire au début du gra-
dient bipolaire, peut s’exprimer par :

Zt
φ(t) = γ Gx (t0 )x(t0 )dt0 . (2.20)
0

Ainsi, la position x n’est plus indépendante du temps et ne peut donc plus être sortie de l’in-
tégrale. En poursuivant le calcul de cette dernière intégrale, on trouve facilement que la phase

F IG . 2.14: Résultat de l’application d’un mouvement sinusoïdal dans les directions de fréquence (a) et
de phase (b). On peux remarquer que l’espacement entre les fantômes est bien fonction du TR lorsque la
période du mouvement de l’objet est fixée et que le flou est bien dans les directions de fréquence (a) et
de phase (b). La fréquence fondamentale était de 0.25 Hz (ωm = 1.57 rad/s) et l’amplitude Am de 24
mm.

78
 2.2 Conséquences sur les images

F IG . 2.15: Gradient de lecture bipolaire utilisé pour le calcul du déphasage des isochromates lors d’un
déplacement linéaire à vitesse constante.

des spins est composée d’un terme φ0 dû l’encodage spatial de la position initiale x0 et d’un
autre terme φν dû aux déplacements. Ainsi, on trouve :

φ(t) = φ0 (t) + φν (t), (2.21)

avec (
φ0 (t) = −γGx x0 t si 0≤t≤τ
(2.22)
φ0 (t) = γGx x0 (t − 2τ ) si τ ≤ t ≤ 3τ
et (
φν (t) = − 21 γGx νx t2 si 0≤t≤τ
1 2 2
(2.23)
φ0 (t) = − 2 γGx νx (t − 2τ ) si τ ≤ t ≤ 3τ.
Dans le cas où l’objet imagé est statique, la magnétisation est rephasée à l’écho c’est-à-dire
qu’on a φ(2τ ) = φ(TE ) = φ0 (TE ) = 0 ce qui satisfait bien la condition (1.48) discutée au cha-
pitre 1. Malheureusement, à cause du terme dû au déplacement φ(TE ) = φν (TE ) = γGx νx τ 2
n’est plus nul.

Le terme de phase dépendant de la vélocité au temps d’écho pour un simple gradient bi-
polaire est constant. Ce déphase apparaîtra dans l’image reconstruite après transformation de
Fourier, et on trouvera :

ρν (x, y) ≈ exp −γGx νx x0 τ 2 ρ(x, y).


(2.24)

Nous avons utilisé le signe "approximativement égal à" car nous avons négligé les termes dus
à la vélocité pendant le reste de l’échantillonnage. Cependant, si l’on s’intéresse au module, on
remarque facilement que tous les termes de phase disparaissent :

|ρν (x, y)| = |ρ(x, y)|. (2.25)

Cette propriété est d’ailleurs souvent utilisée pour estimer la vélocité de déplacement d’un flux
νx comme dans les séquences de contraste de phase (Bernstein et al., 2004). Le type de mouve-
ment discuté dans cette section correspond, par exemple, au flux sanguin dans une artère ou
une veine mais pas vraiment au mouvement d’un organe. Effectivement, la durée d’un gradient
de lecture est généralement très courte, voire négligeable, par rapport aux mouvements d’ori-
gine cardiaque ou respiratoire. Dans cette partie sur la conséquence des mouvements intra-
acquisition, il y aurait bien d’autres cas possibles à considérer mais le cas considéré sera suf-
fisant en ce qui concerne le présent document (Bernstein et al., 2004, Haacke et Patrick, 1986,
Haacke et al., 1999, Wood et Henkelman, 1985).

2.2.3 Sortie de plan de coupe

L’autre problème récurrent en IRM est la sortie de plan de coupe. Ce problème peut être par-
ticulièrement gênant en 2D, puisque lors d’une sortie de coupe, on ne mesure pas les mêmes

79
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

informations d’une excitation à l’autre. Pour illustrer l’effet d’une sortie de plan de coupe pé-
riodique selon l’axe z (perpendiculaire à la coupe), on considère la densité de spins mesurée
comme une fonction périodique du temps. C’est le cas par exemple, des flux sanguins dans
l’aorte lorsque que l’on fait une coupe perpendiculaire à cette dernière. Comme la densité est
maintenant une fonction périodique de période Tm = 2π/ωm , on peut maintenant la décompo-
ser en une série de Fourier :
+∞
X
0

ρ(x, y, t ) = ap (x, y) exp pωm t̂ (2.26)
p=−∞

avec
ZT /2
1 
ap (x, y) = ρ(x, y, t̂) exp pωm t̂ dt̂ (2.27)
T
−T /2

et
t̂ = t + TR (ky /∆ky ) + nTR . (2.28)
En intégrant la série de Fourier dans l’équation du signal (2.3) et en poursuivant le calcul on
trouve :
∞
X
ρ̂(x, y) = ρp (x − pωm t/(2πkx ), y − pωm TR Ny /(2π∆ky )) exp {pωm nTR } (2.29)
p=−∞

avec

ρp (x, y) = F{sp (kx , ky )} (2.30)

 
Z Z  
= F ap (x, y) exp pωm t̂ − 2π(kx x + ky y) dxdy . (2.31)
 
Ω

Ainsi, en analysant l’équation (2.29), on remarque qu’une fois de plus un mouvement pério-
dique perpendiculaire au plan de coupe créera des artefacts de type "fantômes" sur l’image.
Mis à part le facteur de phase, chaque ρp représente un fantôme décalé essentiellement dans la
direction de phase. Dans le cas où p = 0, on retrouve la vraie image mais modifiée en phase et
en module.

Pour illustrer ce phénomène au lieu d’utiliser la plateforme mobile, nous avons déplacé
le champ de vue d’un TR à l’autre. Pour ce faire, nous avons modifié une séquence de type
balanced SSFP (voir section 1.3.4) de telle sorte que le champ de vue se déplace d’une fraction
de l’épaisseur de coupe de façon sinusoïdale (voir annexe B pour de plus amples détails sur
cette séquence). Le résultat de cette expérience est donné à la figure 2.16. On constate facilement
le type d’artefacts que nous avions prédit de façon théorique.

2.2.4 Conclusion sur les effets du mouvement en IRM

Comme nous l’avons montré précédemment, le mouvement est un problème récurrent en
IRM des organes en mouvement (coeur, foie, reins). Évidemment, nous ne considérons pas les
mouvements "volontaires" du patient, c’est-à-dire quand le patient bouge de façon volontaire.
Nous ne considérerons ici que les mouvements "involontaires" des patients comme les mouve-
ments d’origine cardiaque et respiratoire. Ces mouvements ont la particularité d’être pseudo-
périodiques, c’est-à-dire que l’on peut considérer que chaque période ne diffère pas "trop" d’un
cycle à l’autre. Malheureusement, nous verrons dans le chapitre 3 que ces hypothèses ont leurs
limites, en particulier pour le mouvement cardiaque.

Nous avons montré que les mouvements périodiques dans la direction de fréquence avaient
pour conséquence de créer des artefacts fantômes dans la direction de phase et un flou dans la

80
 2.3 Les solutions en clinique

F IG . 2.16: Expérience sur fantôme d’un mouvement sinusoïdal perpendiculaire au plan de coupe. (a)
Pas de mouvement. (b) La séquence utilisée est une Fiesta ou bSSFP dont le champ de vue se déplace
de façon sinusoïdale avec une amplitude de 1 mm et une période 45.624 ms, avec les paramètres de
séquence suivants : TR = 5.703 mm, TE = 2.04 ms, bande passante = 250 kHz, épaisseur de coupe
= 5 mm et une matrice de 256 × 256. Le temps total d’acquisition était de 1.46 s et les paramètres de
la séquence ont été réglés de telle sorte que la sinusoïde fasse 32 périodes sur la durée d’acquisition de
l’image.

direction de fréquence. De la même manière, les mouvements périodiques dans la direction de

phase entraîneront des artefacts fantômes et un flou dans la direction de phase. Pour la suite,
nous ne nous préoccuperons plus du mouvement intra-acquisition car le temps d’application
d’un gradient de lecture est généralement très faible par rapport à la période du mouvement
(quelques millisecondes contre au moins quelques centaines de millisecondes). Les sorties de
plan de coupe sont aussi un problème dont nous ne parlerons pas beaucoup plus mais auquel
on devra s’intéresser dans le futur.

Dans le cas du mouvement, on peut se demander ce qui se passe lorsque l’objet que l’on
cherche à imager est statique et que l’on déplace le champ de vue de manière périodique. En
faisant les mêmes calculs que précédemment, on obtient les mêmes résultats, c’est-à-dire des
artefacts fantômes dans la direction de phase et un flou dans la direction du mouvement. Ceci
peut se montrer facilement dans la pratique (figure 2.17).

Pour la suite de ce chapitre, nous allons voir comment ces mouvements sont gérés dans la
pratique clinique, puis, nous verrons les solutions qui ont été proposées au niveau recherche.

2.3 Les solutions en clinique

2.3.1 Synchronisation et apnée
2.3.1.1 Apnée
L’apnée est une technique très répandue pour limiter le mouvement respiratoire. Elle est es-
sentiellement utilisée en imagerie cardiaque. Généralement, les manipulateurs IRM demandent
aux patients d’inspirer et de souffler profondément une ou plusieurs fois, puis de bloquer leurs

81
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

F IG . 2.17: Effet d’un mouvement du champ de vue sur l’image reconstruite lorsque l’objet est sta-
tique. (a) l’objet statique. (b) Cette image a été produite avec une séquence bSSFP modifiée. Le
champ de vue était animé d’un mouvement sinusoïdal dans les directions phase et de fréquence au-
tour de la position initiale P0 . Le mouvement des directions de phase et de fréquence était de la forme
P (n) = A sin (2πfo n + φ0 ) avec A = 5 mm et f0 = 1/(2TR ) pour les deux directions, φ0 = −π dans
la direction de fréquence et φ0 = π dans la direction de phase. Les paramètres de la séquence étaient :
TE = 2.004 ms, TR = 5.703 ms, FOV = 26 cm, bande passante = 250 kHz et épaisseur de coupe 5
mm.

respiration. En général, les apnées sont faites en fin d’expiration car il a été montré qu’elles
sont plus reproductibles et stables que l’inspiration (Fischer et al., 2006). Le même genre d’ex-
périence a été conduit au laboratoire et nous a mené aux mêmes conclusions (Pasquier, 2007).

Pour déterminer la capacité des patients à pouvoir tenir les apnées, une étude a été mise en
place et donne plusieurs résultats intéressants (Jahnke et al., 2006). Sur 141 patients, cette étude
a montré que la durée moyenne de l’apnée que pouvait tenir les patients était de 29 ± 13 s avec
une médiane à 25 s, un minimum à 10 s et un maximum à 64 s. La figure 2.18 donne l’histo-
gramme de la capacité des patients à tenir les apnées. L’autre résultat intéressant de cette étude
était que 60% des patients pouvaient tenir l’apnée en fin d’expiration sans aucun mouvement
résiduel, 17% avaient une dérive au début de l’apnée suivie d’un plateau en fin d’expiration,
11% avaient une dérive du début à la fin de l’apnée et 12% n’avaient pas une apnée stable avec
beaucoup de mouvements résiduels.

Le problème de l’apnée est qu’elle doit rester relativement courte pour que les patients
puissent la tenir pendant toute la durée de l’acquisition des données. On considère générale-
ment que 30 secondes est un maximum. Par conséquent, l’apnée limitera le temps d’acquisition
et donc les résolutions spatiale et temporelle. Malheureusement, même si cette technique a fait
ses preuves, elle nécessite la coopération des patients ce qui peut être compliqué dans certain
cas (enfants, personnes âgées), voire impossible (problèmes respiratoires). L’apnée est très sou-
vent utilisée de pair avec la synchronisation cardiaque.

82
 2.3 Les solutions en clinique

F IG . 2.18: Histogramme de la durée des apnées sur 141 patients. Extrait de (Jahnke et al., 2006).

2.3.1.2 Synchronisation cardiaque

La synchronisation cardiaque consiste à synchroniser l’acquisition des signaux RMN et l’ac-
tivité cardiaque mesurée par l’ECG. En IRM on se contente de détecter l’onde R vu les déforma-
tions que subit l’ECG à cause des différents champ magnétiques (voir section 2.1.1.3). Il existe
deux grands types de synchronisations : prospective et rétrospective. La synchronisation pros-
pective consiste à détecter l’onde R, puis après un certain temps, que nous appellerons trigger
delay TD , la séquence d’acquisition est faite. Une fois l’onde R suivante détectée on recom-
mence, jusqu’à obtenir toutes les données nécessaires pour reconstruire l’image. Le TD nous
permet de choisir à quel moment du cycle cardiaque nous désirons voir le coeur (ou éventuel-
lement un autre organe) sur l’image finale. Généralement, on définit aussi ce que l’on appelle
le trigger window TW qui représente le pourcentage du cycle cardiaque moyen dans lequel on
ne désire pas faire d’acquisitions. Ces deux paramètres, TD et TW permettent de déterminer le
temps pendant lequelle on peut faire des acquisitions IRM au cours d’un cycle cardiaque. On
considère ensuite que le coeur est immobile pendant cette période. La figure 2.19 schématise ce
principe.

F IG . 2.19: Principe schématisé de la synchronisation prospective. TD représente le trigger delay et TW

le trigger window.

Toujours dans le cadre de la synchronisation prospective, on peut choisir de déclencher les

acquisitions à toutes les ondes R, ou seulement toutes les 2 ou 3 ondes R. Ceci peut-être utile
dans certains cas. Nous en reparlerons.

83
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

La synchronisation rétrospective fonctionne différemment. Le principe de base est d’acqué-

rir les données de façon non synchronisée avec une séquence à temps de répétition très court
puis de trier les données en un certain nombre d’ensembles de telle sorte que chaque ensemble
corresponde à un moment précis du cycle cardiaque. En pratique, cette technique n’est que très
rarement utilisée.

Une façon beaucoup plus répandue de faire est, une fois l’onde R détectée, d’acquérir une
certain nombre de lignes de l’espace k (8 par exemple) au cours d’un cycle cardiaque. Nous
appellerons ce nombre de lignes vps pour views per segment6 . Ces vps lignes sont acquises en
boucle tout au long du cycle cardiaque jusqu’à ce qu’une autre onde R soit détectée. Ensuite,
on fera l’acquisition de vps autres lignes de l’espace k. Une fois toutes les lignes de l’espace k
acquises, elles sont triées par phase cardiaque et on peut ensuite reconstruire une image par
phase cardiaque et ainsi obtenir les images d’un cycle cardiaque moyen complet. Ce mode
d’acquisition est généralement appelé "ciné". Ce mode de fonctionnement est schématisé par la
figure 2.20. Il est à la fois prospectif et rétrospectif.

F IG . 2.20: Synchronisation cardiaque rétrospective utilisée pour faire une "ciné" cardiaque. Cette tech-
nique est généralement utilisée avec des séquences à TR court. L’espace k est découpé en blocs (numéro-
tées de 1 à 11) de vps lignes (non spécifiés ici). Ensuite, les blocs correspondant aux données d’une même
phase cardiaque (ici en fonction des couleurs) sont regroupés pour former une image.

2.3.1.3 Synchronisation respiratoire

La synchronisation respiratoire est couramment utilisée en imagerie abdominale et parfois
en cardiaque mais souvent de façon différente. Le principe de base est de détecter le début d’un
plateau de fin d’expiration pour déclencher l’acquisition ou valider les acquisitions.

Considérons d’abord le cas où la synchronisation est faite avec une ceinture respiratoire.
Tout comme dans le cas du trigger cardiaque, on définit un trigger delay TD et un trigger win-
dow TW . Cette technique est couramment utilisée en imagerie du foie où l’apnée serait souvent
6
views représente le nombre de ligne de l’espace k pour un segment c’est-à-dire un intervalle RR.

84
 2.3 Les solutions en clinique

beaucoup trop longue pour avoir une résolution satisfaisant les besoins cliniques. Cette tech-
nique est bien connue et ses avantages et inconvénients sont documentés (Ehman et al., 1984).
Le gros inconvénient de cette technique est qu’elle rallonge le temps d’acquisition de 30 à 50%.

2.3.1.4 Double Synchronisation

On appelle double synchronisation le fait d’utiliser à la fois la synchronisation cardiaque
et la synchronisation respiratoire. Il existe plusieurs façons de réaliser ce genre de synchroni-
sation. On peut pour cela utiliser l’ECG et une ceinture respiratoire. Une façon répandue de
procéder en imagerie cardiaque pour les acquisitions de type "ciné", est de jouer la séquence
en continu et de n’accepter que les données des cycles cardiaques qui sont en fin d’expiration.
Ceci peut se faire de façon plus prospective en déclenchant l’acquisition sur la première onde
R détectée lorsque nous sommes en fin d’expiration. Le principe utilisé va dépendre du type
de séquence que l’on souhaite utiliser (FSE, bSSFP, SPGR, etc...) et de l’application que l’on vise.

Une étude sur la mucoviscidose a été mise en place au laboratoire. Le but dans cette étude
est de réaliser l’imagerie des poumons ou plus exactement de l’eau se trouvant à l’intérieur.
L’idée, dans ce cas, est d’utiliser la double synchronisation avec un retour visuel. Le retour vi-
suel consiste à afficher aux patients la ceinture respiratoire avec deux marqueurs (ou seuils) qui
délimitent la fin de l’expiration. Lorsque le signal de la ceinture respiratoire est entre les deux
marqueurs, la détection des ondes R est validée pour déclencher l’acquisition. Le retour visuel
permet au patient d’améliorer la reproductibilité de respiration et de faire de petites apnées
d’une durée 2 ou 3 cycle cardiaques. Ce système a été réalisé grâce aux SAEC (Mandry, 2009).

En angiographie des coronaires droites, on utilise plutôt un navigateur diaphragmatique

(voir figure 2.8) avec la synchronisation cardiaque (Ehman et Felmlee, 1989). Dans un premier
temps, le navigateur est acquis de façon synchrone à l’ECG pendant environ 30 cycles, de telle
sorte que l’on puisse déterminer la position de référence correspondant à la fin de l’expiration.
Dans ce cas, après un certain temps TD après la détection de l’onde R, la séquence de naviga-
teur est jouée, puis suivie de la séquence pour les données images. A partir du navigateur que
l’on vient d’acquérir et du navigateur de référence on détermine si des données images sont
acceptées ou refusées.

Pour conclure cette partie, l’apnée et la synchronisation sont les techniques couramment
utilisées en clinique pour limiter l’apparition d’artefacts dus au mouvement. Ces techniques
sont principalement utilisées pour l’imagerie du thorax et de l’abdomen.

2.3.2 Limites des hypothèses de reproductibilité

L’utilisation de techniques de synchronisation peut engendrer un certain nombre de pro-
blèmes. Effectivement, les cycles cardiaques et respiratoires n’étant pas tout à fait périodiques,
ceci aura des conséquences sur le TR , qui deviendra variable.

2.3.2.1 Reproductibilité cardiaque

Il a été montré que les cycles cardiaques ou intervalles RR pouvaient varier de façon signifi-
cative d’un cycle à l’autre. Ceci a été montré en respiration libre (Clynes, 1960) que l’on appelle
arythmie sinusale respiratoire mais aussi en apnée (Raper et al., 1967). Dans le cadre d’acquisi-
tion synchronisée avec l’activité cardiaque cela a des conséquences sur le signal mesuré et peut
engendrer des artefacts. Effectivement, dans ce cas le TR n’est plus constant et l’amplitude et la
phase des signaux acquis avec une séquence simple telle qu’une écho de spin peuvent varier à
cause de ces changements de TR (voir par exemple l’équation de signal de spin écho (1.47)). De
plus, si l’on reprend les équations que nous avons obtenues lorsqu’un mouvement périodique
existe (voir équation (2.29), (2.17) et (2.15)) on remarque que le TR a une influence directe sur

85
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

les images finales.

Le problème de la non reproductibilité des cycles cardiaques est aussi un problème de mou-
vement. Effectivement, puisque la durée des cycles cardiaques varie d’un cycle à l’autre et que
l’on utilise généralement un trigger delay fixe TD , les données images peuvent être acquises
alors que le cœur est dans différentes positions de son cycle. Dans ce cas, l’objet d’intérêt sera
flou, voire invisible. Il est donc important de bien gérer le temps en imagerie cardiaque afin que
les acquisitions soient faites dans la même position mécanique du cœur d’un cycle à l’autre.

2.3.2.2 Reproductibilité respiratoire

La variabilité de la respiration est un problème connu. Il a été montré qu’il existait une cer-
taine variabilité entre les cycles respiratoires mais aussi à l’intérieur d’un même cycle (Blackall
et al., 2006). Il est aussi possible que pour une valeur donnée d’un signal respiratoire (ceinture
ou autre) il y ait plusieurs positions réelles d’un organe donné. La conséquence en IRM est qu’il
y aura des mouvements résiduels malgré l’utilisation de la synchronisation respiratoire et nous
obtiendrons donc des images d’une qualité pas toujours exploitable.

Dans certaines applications, on utilise plusieurs apnées afin d’obtenir toutes les informa-
tions dont on a besoin. On peut citer par exemple la mesure de la fonction cardiaque qui se fait
en apnée coupe par coupe avec une séquence de type "ciné" ou la mesure de T2 du myocarde
qui se fait généralement en apnée TE par TE . Dans tous ces cas, les apnées sont généralement
faites dans différentes positions respiratoires ce qui peut poser problème lors du traitement de
ces données, voire donner des résultats erronés.

De plus, il a été montré que la respiration produit un certain nombre de mouvements et

de déformations du cœur (McLeish et al., 2002). Ceci aura beaucoup de conséquences pour
l’imagerie cardiaque en respiration libre. Ainsi, le mouvement cardiaque et respiratoire est un
problème récurrent en IRM et il convient de trouver des solutions afin de mieux les gérer.

2.4 Les solutions : état de l’art

Afin de mieux gérer le mouvement, plusieurs approches ont été proposées. On peut classi-
fier ces différentes approches en 3 catégories : celles dites prospectives qui visent à corriger le
mouvement dès l’acquisition, celles dites rétrospectives qui corrigent le mouvement une fois
l’acquisition faite et celles qui utilisent les avantages des deux autres catégories.

2.4.1 Correction prospective de mouvement

Le principe de la correction prospective est de corriger le mouvement dès l’acquisition.
Pour ce faire, il y a deux choses importantes à réaliser. La première est de détecter et d’estimer
le mouvement de l’objet d’intérêt puis, la seconde est d’appliquer le mouvement détecté sur le
plan de coupe. L’étape de mise à jour temps réel du plan de coupe est particulièrement bien
connue et nécessite de modifier les gradients et la RF en temps réel (Nehrke et Börnert, 2005)
mais nous en reparlerons plus tard. Le point essentiel qui différencie les différentes méthodes
de correction prospective est généralement la partie détection de mouvement.

2.4.1.1 Estimation de mouvement

Le mouvement n’est pas seulement un problème pour l’imagerie cardiaque et abdominale
mais aussi pour l’imagerie cérébrale. Nous commencerons par examiner rapidement les tech-
niques qui ont été proposées dans ce domaine. Une technique assez répandue pour mesurer et
détecter le mouvement en IRM est d’utiliser des systèmes optiques de type caméra. Différentes

86
 2.4 Les solutions : état de l’art

solutions ont été proposées. Certaines utilisent un système à deux caméras afin de créer une
vision "stéréo" couplé à des marqueurs qu’il faudra suivre pour pouvoir estimer le mouvement
(Zaitsev et al., 2006). D’autres proposent d’utiliser une seule caméra mais avec un marqueur
de type "échiquier" présentant dans chaque case un motif unique que l’on pourra suivre par
la suite (Armstrong, 2010). Beaucoup d’autres solutions ont été proposées mais nous ne les lis-
terons pas toutes, le lecteur intéressé trouvera de plus amples informations sur ce sujet dans
les références suivantes : Aksoy (2010), Hornegger (2010), Qin et al. (2009), Zaitsev et al. (2010),
Zaitsev (2010).

L’autre façon très répandue en imagerie cérébrale est d’utiliser des échos-navigateurs. Rap-
pelons que ces échos-navigateurs sont des données RMN que l’on utilise dans le but d’esti-
mer le mouvement. Les navigateurs ne sont pas seulement linéaires à une dimension (figure
2.8) mais peuvent être de différentes formes comme les navigateurs sphériques (Petrie et al.,
2005, Welch et al., 2002), les navigateurs orbitaux Ward et al. (2000) ou encore les navigateurs
en "feuille de trèfle" (cloverleaf ) (Van Der Kouwe et al., 2006). Tous ces navigateurs permettent
d’estimer 3 translations et 3 rotations. Une illustration de ce genre de navigateurs est donnée à
la figure 2.21.

F IG . 2.21: Exemple de navigateurs "cloverleaf" (a), de navigateur sphériques ((b) en bleu), et de navi-
gateurs orbitaux ((b) en rouge). Illustrations extraites de Van Der Kouwe et al. (2006) et de Welch et al.
(2002).

Une autre façon d’estimer le mouvement est d’utiliser des navigateurs sous forme d’images.
Une solution connue sous le nom de PACE7 utilise directement les séries d’images de type écho
de gradient EPI pour l’IRM fonctionnelle (Thesen et al., 2000). L’idée de base est d’utiliser une
acquisition de référence puis d’estimer les mouvements au cours du temps à partir de la der-
nière image que l’on vient d’acquérir pour ensuite replacer le plan de coupe correctement.
Finalement, cette méthode se termine par une correction rétrospective. Une méthode récente
utilise trois navigateurs orthogonaux de type image (White et al., 2010). Ces navigateurs sont
des acquisitions sous forme de spirales, et un masque est ensuite appliqué sur ces navigateurs
pour mieux suivre l’objet d’intérêt. Cette méthode utilise du filtrage de Kalman étendu pour
estimer le mouvement à partir des navigateurs en spirales.

Une autre technique très répandue, aussi bien en clinique qu’en recherche, consiste à ac-
quérir N lignes du centre de l’espace k appelées "pales"8 , puis d’acquérir ces mêmes pales mais
7
PACE signifie Prospective Acquisition CorrEction.
8
comme une pale d’hélice.

87
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

tourner d’un angle α et on recommence jusqu’à obtenir toutes les données nécessaires à la re-
construction de l’image. Cette méthode est connue sous le nom de PROPELLER9 (Pipe, 1999).
Comme on peut le voir sur la figure 2.22, le fait d’utiliser plusieurs pales de N lignes permet
d’avoir un sur-échantillonage du centre. La partie centrale commune à toutes les pales est une
image basse résolution de l’objet imagé. En utilisant ces images basse résolution on peut esti-
mer le mouvement qu’il y a eu entre les différentes pales, et on peut ainsi corriger ces différentes
pales afin d’améliorer la "consistance" des données. De plus, le sur-échantillonnage du centre
de l’espace k permet, une seconde fois, d’améliorer la consistance des données et la rend très
robuste. Cette méthode est couramment utilisée en IRM cérébrale clinique (Forbes et al., 2001)
et fait toujours couler beaucoup d’encre en recherche (Cheryauka et al., 2004, Pipe et al., 2002,
Pipe et Zwart, 2006, Skare et al., 2006, Tamhane et Arfanakis, 2009). Remarquons que cette tech-
nique est à la fois prospective et à la fois rétrospective. L’utilité de cette méthode a également
été démontrée en IRM cardiaque (Pipe, 1999) mais est assez peu utilisée en pratique.

F IG . 2.22: Acquisition de type PROPELLER avec 4 pales chacune représentée en couleur (noir, jaune,
rouge et bleu).

En utilisant la correction prospective, on est généralement limité à un petit nombre de de-

grés de liberté. Dans la plupart des travaux cités précédemment, un modèle de mouvement
rigide à 6 degrés de liberté (3 translations et 3 rotations) est généralement considéré. Ceci reste
acceptable dans le cas d’applications cérébrales ce qui ne n’est pas forcément le cas en imagerie
cardiaque. Remarquons que ces 6 degrés de libertés peuvent changer entre chaque acquisition
(chaque TR ).

En imagerie cardiaque l’utilisation des navigateurs est particulièrement répandue pour

l’angiographie des coronaires par résonance magnétique (ACRM) mêmes si les premiers résul-
tats dans ce domaine ont été obtenus en apnée (Edelman et al., 1991). Pour l’angiographie des
coronaires on utilise généralement des techniques d’acquisitions 3D ce qui s’avère être souvent
trop long pour l’apnée. Par conséquent, différentes méthodes pour l’angiographie du coeur par
résonance magnétique en respiration libre ont été proposées ; bien sûr les acquisitions sont tou-
jours synchronisées avec l’ECG. La technique historique consiste à utiliser un navigateur à 1D
sur l’hémidiaphragme droit (figure 2.8), d’utiliser le signal du navigateur pour estimer le mou-
vement par rapport à un navigateur de référence et si le déplacement estimé est inférieur à un
certain seuil de tolérance ou fenêtre d’acceptation généralement appelée gating window alors les
9
PROPELLER se traduit littéralement par "hélice" mais signifie Periodically Rotated Overlapping ParallEL Lines with
Enhanced Reconstruction dans notre contexte.

88
 2.4 Les solutions : état de l’art

données images 3D suivant le navigateur seront acquises sinon elles ne le seront pas (Oshinski
et al., 1996, Sachs et al., 1994). Bien sûr ce processus est répété jusqu’à obtenir l’ensemble des
données nécessaires à la reconstruction des images. Dans ce cas, la fenêtre d’acceptation est
souvent limitée à 5 mm. La figure 2.23 représente le principe d’utilisation d’un navigateur en
IRM cardiaque. Cette méthode a donné des résultats cliniques intéressants (Sakuma et al., 2006)
sur 131 patients mais souffre d’un manque de robustesse puisque, dans la dernière étude citée,
les acquisitions n’ont pas pu se faire dans 14% des cas. Pourtant, dans cette étude, les investi-
gateurs ont pris soin de déterminer la période de repos du cycle cardiaque la plus longue (voir
chapitre 3) avant de faire les acquisitions angiographiques.

F IG . 2.23: Principe de l’utilisation d’un navigateur en IRM cardiaque.

Dans le cas des navigateurs à 1D un certain nombre d’algorithmes a été proposé pour es-
timer le déplacement. Le premier qui a été proposé est simplement basé sur la fonction d’in-
tercorrélation du navigateur de référence et du dernier navigateur acquis (Ehman et Felm-
lee, 1989). L’abscisse du maximun de cette fonction intercorrélation donnera le déplacement
en pixels. Une minimisation de l’erreur a ensuite été proposée pour calculer ce déplacement
(Wang et al., 1996). Une méthode robuste très utilisée, proposée par Ahn et Cho (1987) pour
corriger les erreurs de phase des images IRM, consiste à calculer la différence de phase entre
l’autocorrélation d’un navigateur donné et de celle de référence. Plus récemment, des méthodes
moins complexes au niveau calculatoire (Foo et King, 1999) et prenant en compte le bruit des
navigateurs ont également été proposées (Nguyen et al., 2001). Il existe encore bien d’autres al-
ternatives, on se contentera de citer une méthode basée sur la phase et la détection des contours
du diaphragme (Iwadate et al., 2008).

Cette méthode a ensuite été améliorée par un suivi de plan de coupe. Dans une première
approche, le plan de coupe est déplacé d’une fraction du déplacement de l’hémidiaphragme
droit mesuré avec le navigateur. Ces fractions sont des coefficients fixes qui ont été détermi-
nés par Wang et al. (1995) et donnent la relation entre le déplacement du navigateur et certains
partie de l’anatomie (coronaire droite, apex, etc...). L’utilisation du suivi de plan de coupe per-
mettait d’ouvrir la gating window et donc d’améliorer l’efficacité de l’examen. Celle-ci est un
pourcentage généralement défini comme
NT − NA
E(%) = × 100 (2.32)
NT
avec NT le nombre total d’acquisitions (données rejetées et acceptées) et NA le nombre d’ac-
quisitions acceptées. En général, la plupart des études utilisent simplement un suivi de plan
de coupe dans la direction z (supérieure-inférieure) avec un déplacement de 0.6 multiplié par
le déplacement du navigateur (i.e. du diaphragme), le mouvement dans les autres directions
étant soit considéré comme négligeable dans le sens droite-gauche soit comme 0.12 fois le mou-
vement du navigateur dans le sens antéro-postérieur (Bornert et al., 2001, Stuber et al., 1999a).

89
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

Afin d’améliorer ces techniques de suivi de plan de coupe, plusieurs études ont cherché
à mesurer le mouvement des coronaires dans les différentes directions par rapport à la res-
piration (Keegan et al., 2002, Nehrke et al., 2001) puis à determiner le modèle de mouvement
paramétrique le mieux adapté (Manke et al., 2002a,b). Dans ces études, trois modèles ont été
comparés : une simple translation dans le sens SI, un modèle de translation en 3D et une trans-
formation affine 3D. Les résultats suggèrent que la transformation affine est le meilleur modèle
pour cette application, ce qui suggère que le coeur à des déformations non rigides en fonction
de la respiration (le mouvement propre du coeur étant considéré comme figé par la synchro-
nisation cardiaque). L’étape suivante était donc d’utiliser un tel modèle pour l’angiographie.
Ainsi, Manke et al. (2003) ont proposé d’utiliser ce type de modèle avec une calibration spéci-
fique à chaque patient. Le principe de la calibration est d’utiliser l’imagerie rapide multicoupe
de type EPI synchonisée avec l’ECG et dans le même cycle cardiaque, juste avant les EPI, d’ac-
quérir 3 navigateurs : un sur l’hémidiaphragme droit direction SI, un sur la paroi thoracique
antérieure dans la direction AP et un dernier sur le bord droit du coeur dans la direction DG.
Les données EPI sont utilisées pour estimer les mouvements avec une transformation affine
par une analyse en composantes principales et pour calculer une relation ou modèle linéaire
entre les navigateurs et les paramètres de la transformation affine. Une fois le modèle linéaire
calibré, il est utilisé avec d’autres navigateurs placés aux mêmes endroits pour acquérir un
volume haute résolution avec une gating window beaucoup plus large (20 mm) ce qui permet
d’améliorer de façon significative l’efficacité. Une amélioration de cette technique a ensuite
été proposée pour prendre en compte les non-linéarités de type quadratique des mouvements
Nehrke et Börnert (2005). Ces méthodes ont été testées avec succès sur 32 patients (Jahnke et al.,
2007).

2.4.1.2 Correction de mouvement

Maintenant que nous avons examiné les principales méthodes pour estimer le mouve-
ment, voyons comment faire pour prendre en compte le mouvement pendant la séquence d’ac-
quisition. Une méthode générale décrite par Nehrke et Börnert (2005) a montré, à partir des
équations de Bloch, qu’il était possible de compenser les tranformations spatiales affines quel-
conques. Commençons par réécrire les équations de Bloch dans le repère tournant à ω0 avec la
notation complexe :
( dM  
xy
= − 1
− γ ~ t (t) · ~r Mxy (t) + γB1 (t)Mz (t)
G
dt T2

M0 −Mz (t) . (2.33)
dMz
dt = γ Im B1 (t)M̄ xy (t) + T1

Ainsi, si la position ~r est modifiée par une tranformation affine au cours du temps, la position
à l’instant t dépend de la position initale ~r0 selon la relation :

~r(t) = A(t) · (~r0 + T~ (t)) (2.34)

avec A(t) une matrice 3×3 décrivant les rotations, les changements d’échelles et le cisaillement,
et T~ (t) un vecteur 1 × 3 décrivant les translations. L’ensemble définit bien une transformation
affine. Il faut ensuite effectuer les changements suivants :

~
G(t) = (A−1 (t))t · G
~ 0 (t) (2.35)
Zt
 

B1 (t) = B10 (t) · exp −γ ~ 0 (t) · T (τ )dτ 

G
t0
Zt
 
0 ~ 0 (t) · T (τ )dτ  .
Mxy (t) = Mxy (t) · exp −γ G
t0

90
 2.4 Les solutions : état de l’art

On peut montrer qu’en réécrivant les équations de Bloch (2.33) dans le nouveau système de
coordonnées K 0 on obtient :
( dM 0  
xy
= − 1
− γ ~ t (t) · ~r M 0 (t) + γB 0 (t)Mz (t)
G
dt T2 xy 1

M0 −Mz (t) . (2.36)
dMz
= γ Im B 0 (t)M̄ 0 (t) +
dt 1 xy T1

Ainsi, on remarque que, en utilisant les gradients modifiés par la transformation affine G ~ 0 (t) et
l’enveloppe de la RF modifiée B10 (t) définie par les équations (2.35), on peut alors supprimer
la dépendance en temps de la position ~r(t) et exprimer les équations de Bloch en fonction de
la position initiale ~r0 . On remarque que les équations de Bloch (2.33) et (2.36) sont similaires et
qu’il suffit de remplacer Mxy (t) par Mxy0 (t) et B (t) par B 0 (t). Ceci nous indique que le forma-
1 1
lisme de l’espace k reste valable uniquement si l’on change l’enveloppe de la RF et les gradients
de façon appropriée. Évidement, il faudra également démoduler le signal RF reçu comme in-
diqué par les équations (2.35). La reconstruction de l’image finale pourra toujours se faire par
une simple transformation de Fourier 2D du signal reçu et démodulé comme dans le cas d’un
objet statique.

L’application de la transformation de ces mouvements nécessite donc d’adapter en temps

réel les 12 paramètres de la transformation affine. Le gros problème dans ce cas sera d’estimer
en temps réel ces paramètres. Manke et al. (2003, 2002b), Nehrke et Börnert (2005) ont proposé
une solution à ce problème que nous avons déjà présentée et nous en proposerons une autre
plus générale au chapitre 4. Cependant, cette solution ne répond pas à tous les problèmes. Ef-
fectivement, dans le cas d’acquisitions avec des antennes de réception multi-éléments, le signal
reçu pour une antenne donnée a peut s’écrire de la façon suivante :
Z
Sa (t) = Wa · M ~ xy (~r, t)d~r (2.37)
Ω

avec Wa la sensibilité de l’antenne en question. Par conséquent, si Wa varie dans l’espace alors
cette dernière équation ne peut pas être réécrite dans le système de coordonnées K 0 et par
conséquence la reconstruction ne peut plus se faire par simple transformation de Fourier. On
aurait le même problème dans le cas d’inhomogénéités de gradients, de B0 ou de B1 . Ces pro-
blèmes ne sont pas encore résolus à notre connaissance.

Une méthode intéressante pour décrire le mouvement d’une coupe donnée en 2D au cours
d’un cycle cardiaque a été décrite par Kozerke et al. (1999). Cette méthode utilise une paire
d’implusions RF de tagging qui sert à "marquer" magnétiquement le plan basal au niveau de
la valve aortique au début de chaque cycle cardiaque. Ensuite, une séquence de type ciné avec
des échos de gradient et trains de lecture EPI est utilisée pour acquérir des images à diffé-
rents moments du cycle cardiaque. Ceci est répété deux fois avec des impulsions de tagging
de signe différent afin que la soustraction de ces deux acquisitions permette d’éliminer le si-
gnal en dehors du plan marqué et fasse uniquement ressortir le plan marqué au cours du cycle
cardiaque. Ainsi, cette méthode permet de suivre l’évolution du plan d’intérêt au cours du
cycle cardiaque ce qui est intéressant pour savoir comment se déplace notre coupe. Dans le but
d’améliorer l’imagerie morphologique du coeur dans le plan basal, Keegan et al. (2006) utilisent
cette méthode pour déterminer où placer le plan de coupe des différentes préparation et des
acqusitions au cours du cycle cardiaque.

Il existe encore d’autres techniques d’estimation de mouvement comme l’utilisation des

lignes centrales l’espace k (Larson et al., 2004), ou encore le signal que l’on peut récupérer juste
après une excitation (Brau et Brittain, 2006, Spincemaille et al., 2008). Ces techniques permettent
d’estimer le mouvement respiratoire ou cardiaque pour, essentiellement, faire du gating mais
sont difficilement utilisables pour estimer les mouvements de type transformation affine. Nous
n’irons pas plus loin sur cette partie concernant la correction prospective des mouvements et
abordons maintenant la partie correction rétrospective des mouvements.

91
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

2.4.2 Correction de mouvement rétrospective

L’avantage de la correction rétrospective est qu’il est possible de corriger les mouvements
rigides et les mouvements élastiques. Effectivement, Batchelor et al. (2005) ont proposé une
formulation matricielle générale pour reconstruire une image si les mouvements sont connus.
Dans ce cas, les mouvements sont considérés comme des champs de déplacement élastiques.
Une fois de plus, le problème est alors de mesurer ou d’estimer les mouvements qui ont eu lieu
pendant l’acquisition.

Dans le cas de la correction de mouvement rétrospective rigide, plusieurs approches ont

été proposées. Atkinson et al. (1999) ont proposé une approche complètement automatisée. Les
auteurs décrivent le mouvement se produisant pendant l’acquisition par un petit nombre de
paramètres (translations et rotations à chaque temps d’acquisition). L’idée est ensuite de re-
chercher ces paramètres en optimisant une fonction de coût quantifiant la qualité de l’image
reconstruite. L’entropie de Shannon est proposée pour cela. En effet, les artéfacts dans l’image
correspondent à une dispersion du signal. Ainsi, la présence d’artéfacts augmente la dispersion
du signal, et donc l’entropie de l’image. L’avantage de cette technique est d’être totalement au-
tomatique, et elle ne nécessite pas d’information autre que le jeu de données brutes. Le bon
fonctionnement de cette méthode a été démontré sur des données provenant de volontaires
sains et de patients. Le principal inconvénient est le nombre de paramètres qu’il est possible
de choisir pour décrire le mouvement. Cette méthode a uniquement été appliquée en imagerie
cérébrale, avec correction de mouvement rigide. Une description du mouvement plus fine que
de simples rotations et translations nécessiterait un nombre très grand de paramètres à estimer.
Le choix d’un critère comme l’entropie conduit à la résolution d’un problème non-linéaire dif-
ficile à optimiser, en particulier dans un espace de dimension élevée.

Il y a bien d’autres méthodes pour corriger le mouvement, comme par exemple Atkinson
et Hill (2003) qui proposent une autre solution pour détecter les données manquantes et les
interpoler lorsque l’acquisition est corrompues par des mouvements de rotation. L’imagerie
parallèle a aussi été très utilisée pour corriger les mouvements soit en supprimant les données
corrompues (Odille et al., 2007c) soit en détectant et en corrigeant les artéfacts des translations
2D (Bydder et al., 2003). Une autre solution, proposée par Bammer et al. (2007), basée sur la
formulation de l’algorithme SENSE généralisé (Pruessmann et al., 2001) permet de corriger les
mouvements rigides. Cette dernière méthode a été appliquée à l’imagerie morphologique du
cerveau.

Pour la correction non rigide des mouvements, une formulation matricielle a été proposée
au laboratoire par (Odille et al., 2008a) qui regroupe à la fois la formulation de SENSE généralisé
(Pruessmann et al., 2001) et la correction de mouvement arbitraire (Batchelor et al., 2005). Si
l’on considère l’ensemble des signaux s acquis lors d’une expérience avec une antenne à Nγ
éléments, on peut alors écrire le problème de la reconstruction sous la forme :
s = Eρ0 (2.38)
avec E l’opérateur généralisé d’encodage et ρ0 la densité de protons. Cet opérateur E peut
s’écrire :  
ξt1 F σ1 Tt1
 .. 

 . 

ξt
 N F σ1 TtN  
 .. 
 . 
E=  ..

 (2.39)

 . 

 ξt1 F σNγ Tt1 
..
 
 
 . 
ξtN F σ Nγ TtN

92
 2.4 Les solutions : état de l’art

où ξtn représente la partie de l’espace k qui a été échantillonné au temps tn de l’acquisition (par
exemple en FSE cela représente les lignes acquises au temps tn pour le train d’échos numéro
n), F est l’operateur de Fourier, σn représente la sensibilité dans l’espace de l’élément d’an-
tenne numéro n et Ttn et le champ de déplacement libre (transformation spatiale arbitraire)
au moment tn . Le problème consiste dans un premier temps à estimer les transformations Ttn
puis à résoudre le système (2.38) à l’aide d’une méthode itérative comme le gradient conjugué
ou GMRES (Saad et Schultz, 1986). Pour estimer les transformations spatiales Ttn Odille et al.
(2008a) propose d’utiliser un modèle linéaire entre les signaux physiologiques et le mouvement
de chaque pixel :
XK
Ttn = α(~r)S(t) = αk (~r)Sk (t) (2.40)
k=1

avec Sk (t) le signal physiologique numéro k et αk (~r) le modèle linéaire à déterminer. Pour dé-
terminer le modèle linéaire αk une étape de calibration est nécessaire qui consiste à enregistrer
les signaux physiologiques tout en acquérant des images basse résolution avec une séquence
rapide de type bSSFP. Ensuite, les signaux physiologiques sont échantillonés sur la même base
temporelle que les images et grâce à un algorithme d’estimation de mouvement de type Lucas
et Kanade (1981). Finalement, on peut calculer αk et reconstruire l’image. Afin d’éviter cette
étape de calibration, Odille et al. (2008b) ont ensuite proposé de coupler le problème de telle
sorte que le problème de reconstruction et le problème du modèle linéaire de mouvement soient
résolus en même temps. Ceci peut s’écrire de la façon suivante :
(
(ρ0 , α, δα ) = s − E(α)ρ0
(2.41)
(ρ0 , α, δα ) = R(ρ0 , α)δα

avec δα l’erreur faite sur le modèle α qui est ensuite réinjectée dans le modèle sous le forme
αn+1 = αn + δα . L’idée est que l’erreur faite lorsque l’on reconstruit avec une modèle E(α)
donné est entièrement imputée au mouvement donc au modèle de mouvement α. L’erreur
produite à la reconstruction est utilisée pour minimiser l’erreur que l’on commet sur α puis
on recommence de façon itérative. Cette méthode a donné de bons résultats pour l’imagerie
cardiaque morphologique.

Ainsi, nous avons vu qu’il est possible de corriger les mouvements de façon rigide et non
rigide en utilisant les méthodes précédemment citées pour corriger les mouvements de ma-
nière rétrospective. Cependant, la plupart de ces méthodes sont lourdes à mettre en oeuvre et
nécessitent très souvent une puissance de calcul très importante pour que l’image résultat soit
donnée en un temps acceptable. Il faut aussi noter que ces méthodes sont généralement utilisées
en 2D et ne permettent pas de corriger les sorties de coupe d’où l’intérêt d’être précautionneux
au niveau de l’acquisition. Il manque encore deux solutions au problème du mouvement et des
non reproductibilités que non n’avons pas abordées et qui vont donc faire l’objet de la section
suivante.

2.4.3 Autres approches

Parmi les autres approches pour minimiser les effets du mouvement, on peut citer l’image-
rie temps réel et les approches de sous-échantillonage spatio-temporelles. Le but de ces deux
approches est d’acquérir les images en un temps très court qui peut, dans certains cas, être
considéré comme négligeable devant les pseudo-périodes des mouvements cardiaques et res-
piratoires. Une approche intéressante proposée par Kellman et al. (2008) pour faire des cinés
cardiaques en respiration libre consiste à utiliser l’imagerie temps réel et une synchronisation
rétrospective. Ensuite, ces mêmes images sont utilisées pour estimer et corriger les mouve-
ments puis une moyenne des données corrigées est effectuée sur les images acquises dans les
mêmes phases cardiaques pour améliorer le rapport signal sur bruit. Une autre approche très
répandue pour améliorer la résolution temporelle est l’approche k − t-BLAST et k − t-SENSE

93
CHAPITRE 2. MOUVEMENTS ET NON REPRODUCTIBILITÉ EN IRM

(Tsao et al., 2003). Cette technique consiste à sous-échantilloner les données de l’espace k − t
(k comme espace k et t comme le temps) en prenant une ligne sur N puis à acquérir les don-
nées suivantes de la même façon en se décalant de 1 et ainsi de suite. Une fois les données
acquises Tsao et al. (2003) ont montré que le sous-échantillonage dans l’espace k − t provoquait
du repliement dans l’espace réciproque x − f . Ensuite un algorithme de reconstruction permet
de reconstruire les données avec une résolution temporelle améliorée d’un facteur N . Cette
méthode a été appliquée avec succès pour l’imagerie ciné temps réel non synchronisée pour
l’évaluation de la fonction cardiaque (Tsao et al., 2005). Une autre étude a montré l’utilité de
cette technique en utilisant k − t-SENSE avec une acquisition radiale pour évaluer la fonction
cardiaque dans les cardiopathies congénitales (Muthurangu et al., 2008).

Une approche pour corriger le mouvement vise à adapater la position temporelle de la

fenêtre d’acquisition à la période de repos souhaité et aux variations de cycle cardiaque. Nous
appellerons cela l’adaptation temporelle. Cette partie de la correction est bien trop souvent
négligée car en recherchant adaptive trigger delay on obtient une seule réponse pertinente dans
PubMED et deux dans scopus. Le principe de ces méthodes est d’utiliser des modèles du cycle
cardiaque donnant l’intervalle QT (Ashman, 1942, Malfatto et al., 2003, Roes et al., 2008) ou RT
(Liu et Wright, 2006) en fonction du cycle cardiaque. Le problème est alors de choisir le modèle
de cycle cardiaque et d’estimer la longueur des prochains cycles cardiaques. Ces méthodes
ont été essentiellement utilisées pour l’angiographie des coronaires. Puisque le chapitre 3 est
consacré à ce problème, nous ne le développerons pas plus ici.

2.4.4 Limites de ces méthodes

La correction de mouvement prospective générale proposée dans par Nehrke et Börnert
(2005) est limitée à des transformations affines. Cette limitation est due au fait que les systèmes
IRM actuels permettent de générer uniquement des gradients de champ variant linéairement
avec la position spatiale. Dans le cadre de l’imagerie cardiaque ou abdominale, les déforma-
tions peuvent être complexes et le modèle affine n’est pas forcément suffisant, car il n’offre
pas assez de degrés de liberté. Par conséquent, pour les acquisitions cardiaques, les auteurs
utilisent toujours une fenêtre d’acceptation des données, plus large qu’en synchronisation res-
piratoire simple, les données acceptées étant corrigées. Cela revient à considérer le mouvement
comme affine pour les petites déformations. Une deuxième limitation de la méthode est liée aux
contraintes technologiques et physiologiques. Les temps de commutation des gradients sont li-
mités à une valeur de sécurité car les champs électriques, induits par les variations temporelles
rapides du champ magnétique, peuvent causer des stimulations nerveuses. Les amplitudes des
gradients sont aussi limitées, pour des raisons techniques. La correction prospective des mou-
vements fonctionne parfaitement bien lorsque l’objet mesuré se déplace comme un ensemble
rigide, la tête par exemple. Mais si l’on considère le coeur en petit axe, on aura alors dans le
champ de vue le foie et la graisse abdominale qui se déplacent de façon différente ou sont
statiques. Par conséquent, même si l’on arrive à estimer les mouvements du coeur de façon
parfaite et à le suivre, les objets statiques présents dans le champ de vue créerons des artefacts
comme nous l’avons expliqué dans la partie 2.2. Ceci est certainement la limitation la plus im-
portante de la correction prospective pour le moment.

La correction rétrospective a l’avantage de pouvoir corriger des mouvements arbitraires.

Malheureusement, ces méthodes ne permettent pas de corriger ou supprimer les sorties de
plan de coupe, puisque, dans ce cas une partie des données n’est pas mesurée. De manière gé-
nérale, la correction rétrospective fonctionne bien si les hypothèses de base sont respectées, à
savoir la conservation du signal, d’où l’intérêt de bien faire attention à la partie acquisition.

Toutes les techniques de réduction du temps d’acquisition et d’imagerie dynamique temps

réel mettant en jeu un sous-échantillonnage des données sont pénalisées par une perte au ni-
veau du rapport signal sur bruit : les techniques d’acquisitions partielles de l’espace k, l’ima-

94
 2.5 Conclusion

gerie parallèle, ou encore les méthodes de compression de l’espace k − t. Les avancées techno-
logiques, à l’heure actuelle, en termes de temps de commutation des gradients, d’optimisation
du nombre d’antennes et de leurs configurations, de montée en champ magnétique statique,
semblent atteindre un palier, et se heurtent également à des limites physiologiques (stimula-
tions nerveuses dues aux gradients, problèmes d’échauffement RF du patient à haut champ...).
Si toutes les techniques de réduction du temps d’acquisition présentent un grand intérêt, le
problème du mouvement sera toujours d’actualité pour les séquences longues ou extrêmement
longues, telles que l’imagerie 3D haute résolution, ou les techniques avancées de diffusion ou
de spectroscopie.

2.5 Conclusion
Ainsi, de nombreuses méthodes ont été proposées pour corriger, compenser ou éviter le
mouvement. Comme nous l’avons vu, aucune de ces méthodes n’est parfaite et ne peut pallier
tous les effets du mouvement. Pour la suite de ce document, nous allons nous intéresser à deux
points essentiels. Le premier est l’adaptation temporelle qui est, comme l’avons dit, bien trop
souvent négligée. Cette adaptation temporelle sera appliquée à l’imagerie cardiaque en sang
noir afin d’acquérir ces images en télésystole. Dans un second temps, nous nous attarderons
sur le problème de l’estimation de mouvements en temps réel à partir de signaux physiolo-
giques externes pour permettre le suivi d’un organe (dans notre cas le coeur) pour la correction
prospective des mouvements. Dans cette même partie, nous aborderons différents points liés à
l’acquisition des données pour la méthode de correction rétrospective GRICS.

95
 Deuxième partie

L’IRM adaptative

97
Chapitre 3

Adaptations temporelles

Dans ce chapitre nous aborderons un premier volet de l’imagerie adaptative, celui de l’adap-
tation de la séquence aux changements de rythme cardiaque. Nous rappellerons le principe de
l’imagerie en sang noir puis nous expliquerons ses limites pour faire de l’imagerie cardiaque
pendant la télésystole. Afin de passer outre ces limitations, nous présenterons une méthode
pour prédire et prendre en compte les variations d’intervalle RR, nous appliquerons cette mé-
thode pour créer une synchronisation adaptative pour faire l’imagerie du coeur en sang noir
et en télésystole (Fernandez et al., 2010a, 2009a, 2010b,c). Une application de cette méthode à la
mesure du T2 sera présentée et nous verrons si des changements de T2 peuvent être mesurés
sur le ventricule gauche entre télésystole et mésodiastole. L’imagerie en télésystole nous per-
mettra également de mesurer le T2 du ventricule droit. Finalement, nous présenterons quelques
résultats obtenus avec cette méthode en respiration libre à l’aide d’une reconstruction adapta-
tive.

3.1 Imagerie en sang noir

Pour commencer cette partie, nous rappellerons le principe d’une préparation de la sup-
pression du sang pour faire de l’imagerie cardiaque en sang noir. Nous verrons ensuite com-
ment cette séquence est utilisée dans le pratique clinique et nous discuterons des limites de
cette séquence dans les conditions d’utilisation clinique.

3.1.1 Suppression du signal du sang

En clinique, l’imagerie cardiaque pondérée T2 est très utilisée. On utilise pour ce faire une
séquence de type FSE (Hennig et al., 1986), puisque pour créer un écho de spin il faut que les
spins de l’objet à imager subissent à la fois l’impulsion d’excitation et l’impulsion de refocali-
sation. Dans le cas d’un objet statique, cela ne pose pas de problème mais dans le cas du coeur
avec le sang qui circule c’est un peu plus complexe. En admettant que l’on trouve une fenêtre
temporelle reproductible d’un cycle cardiaque à l’autre où le coeur est parfaitement immobile,
le sang continue de circuler pendant ces fenêtres temporelles. Par conséquent, le sang circulant
ne produit généralement que peu de signal car il subit l’impulsion d’excitation mais seulement
les premières impulsions de refocalisation du train. Ainsi, les FSE sont intrinsèquement des
séquences qui permettent de supprimer le signal du sang mais cela ne suffit pas pour faire de
l’imagerie pondérée T2 avec une qualité d’image que l’on pourrait qualifier de diagnostique.
Le problème est que la présence du sang près des parois du ventricule gauche va créer un si-
gnal très proche de celui que l’on peut voir dans le cas des pathologies comme l’infarctus du
myocarde chronique ou aigu (Abdel-Aty et al., 2004) ou encore dans le cas de la myocardite
(Abdel-Aty et al., 2005). Il est donc important de supprimer le mieux possible le signal du sang
pour faire de l’imagerie cardiaque T2 .

99
CHAPITRE 3. ADAPTATIONS TEMPORELLES

Dans le cadre de cette application, la technique de suppression du signal du sang la plus

populaire est la Double Inversion Récupération (DIR) suivie d’une séquence FSE proposée ini-
tialement par Simonetti et al. (1996). Le principe est d’appliquer une inversion non-sélective
(180◦ ) suivie d’une impulsion sélective (−180◦ ) sur la coupe d’intérêt, le tout dès que l’onde R
est détectée. L’inversion non-sélective permet d’inverser tout le volume à exciter et la seconde
inversion, sélective cette fois-ci, permet de rétablir la magnétisation dans la coupe à imager
comme si cette coupe n’avait subi aucune inversion. Ainsi, tout le signal du volume est in-
versé, dont le sang en dehors de la coupe, mais pas la coupe en question. A ce moment, le
coeur se contracte pour éjecter le sang et le sang inversé entre dans le coupe. Il faut ensuite
attendre un certain temps appelé temps d’inversion TI qui doit correspondre au passage par
zéro du signal du sang (figure 3.1). On fait ensuite l’acquisition avec une séquence de FSE.

F IG . 3.1: Repousse de la magnétisation longitudinale après un inversion (180◦ ) en considérant un TR

infini. Dans ce cas, le passage par zéro se fait en T1 ln 2 (en considérant TR → ∞).

Si l’on considère uniquement le sang présent en dehors de la coupe au moment de la double

inversion, on peut alors calculer le temps d’attente nécessaire avant le passage par zéro. Après
les inversions, on peut exprimer le signal du sang en considérant une séquence FSE :
    
t TR − TE,last
Mz (t) = M0 1 − 2 exp − + exp − (3.1)
T1 T1
avec le T1 correspondant au sang (considéré comme étant de 1200 ms à 1.5T et 1512 ms à 3T
(Schar et al., 2004) même si tout le monde n’est pas d’accord (Stanisz et al., 2005)) et TE,last le
temps d’écho correspondant au dernier écho du train qui est souvent négligeable devant TR .
A partir de là, il est possible de calculer le temps d’inversion optimal pour une espèce donnée
(Fleckenstein et al., 1991). On trouve alors la formule de Fleckenstein :
   
TR − TE,last
TI,opt = T1 ln 2 − ln 1 + exp − . (3.2)
T1
La séquence et la préparation DIR sont représentées graphiquement à la figure 3.2. Cette
séquence permet une bonne visualisation du myocarde avec une bonne pondération T2 . Par
conséquent, cette séquence a été utilisée pour beaucoup de pathologies cardiaques. Il a été
montré qu’elle était très utile, surtout quand elle est utilisée avec des mesures de perfusion
et/ou de rehaussement tardif, pour diagnostiquer les myocardites aiguës (Abdel-Aty et al.,
2005) ou pour différencier les infarctus chroniques des infarctus aigus (Abdel-Aty et al., 2004).

100
 3.1 Imagerie en sang noir

La DIR-FSE est aussi très utilisée pour détecter les infiltrations graisseuses associées aux car-
diomyopathies ou dysplasies arythmogènes du ventricule droit (DAVD) (Berkowitz et al., 2009,
Bomma et al., 2005, 2004). Cette séquence est aussi utilisée pour les mesures de T2 sur le myo-
carde dans le cas de la détection des rejets des transplantations cardiaques (Marie et al., 2001)
ou pour détecter les surcharges en fer du myocarde dans le cas de la thalassémie (He et al.,
2006). Une très bonne revue des considérations techniques et des indications cliniques de ce
genre d’imagerie pondérée T2 a été publiée par Abdel-Aty et al. (2007).

F IG . 3.2: Principe de la DIR-FSE ou Sang Noir utilisée en clinique. La première impulsion du mo-
dule DIR est non-sélective alors la deuxième l’est. TD est le Trigger Delay, le temps entre l’onde R et
l’impulsion d’excitation, TD est une image de la phase cardiaque imagée, qui ne devrait pas forcément
correspondre au TI .

Notons qu’il est possible de rajouter une troisième inversion entre le module DIR et la sé-
quence FSE pour supprimer la graisse qui se trouve dans la coupe d’intérêt (Abdel-Aty et al.,
2007, Simonetti et al., 1996).

3.1.2 Utilisation en clinique

L’utilisation de cette séquence en clinique est très directe. Dàs que l’onde R est détectée, le
module de DIR est appliqué, on attend un temps TI pas forcément optimal pour supprimer le
signal du sang et on fait l’acquisition. Généralement, l’acquisition est faite en mésodiastole, et
le TI est réglé de telle sorte que la séquence FSE soit réalisée pendant la mésodiastole (figure
3.3). Le problème dans ce cas est que le temps d’inversion utilisé ne correspond pas au temps
nécessaire pour annuler le signal du sang. Par conséquent, une partie du sang peut rester vi-
sible et être confondu avec un oedème ou une inflammation du myocarde. Un exemple d’image
en sang noir en mésodiastole est donné à la figure 3.4. Un autre exemple avait été donné à la
figure 1.11.

Cependant, l’avantage de cette façon de faire est que la préparation DIR et l’acquisition FSE
sont faites alors que le coeur est dans deux positions cardiaques très proches ce qui limite les
pertes de signal dues aux mouvements du coeur entre ces deux instants. Généralement, pour
que l’on soit sûr de ne pas avoir de perte de signal, l’inversion sélective est généralement trois
fois plus large que l’épaisseur de la coupe. Nous nommerons épaisseur de DIR1 , l’épaisseur de
coupe de l’inversion sélective. L’épaisseur de DIR est un paramètre libre qui est généralement
fixé en fonction de l’épaisseur de coupe mais qui devrait pouvoir être réglé directement par
l’utilisateur.

3.1.3 Limites de cette séquence

L’une des limites de cette séquence est que le trigger delay TD est contraint par le TI comme
on peut le constater sur la figure 3.3. Pourtant, ces deux paramètres devraient pouvoir être ré-
1
Traduction de DIR Thickness.

101
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.3: La séquence DIR-FSE en utilisation normale. La préparation DIR est appliquée dès que l’onde
R est détectée puis on attend un temps TI avec de faire l’acquisition d’un certain nombre de lignes de
l’espace k avec une séquence FSE. On peut noter l’introduction du délai Dh qui correspond au temps
de réponse de la machine entre l’onde R est le début de la préparation. Le TD est défini comme le temps
entre l’onde R et la séquence FSE (l’impulsion d’excitation).

glés séparément et il n’y a aucune raison que ces paramètres soient liés. Effectivement, le TD
devrait être réglé de façon à imager la phase cardiaque qui nous intéresse et le TI pour annuler
le signal du sang.

L’utilisation directe de cette séquence telle qu’elle est décrite à la section 3.1.2 donne géné-
ralement de bons résultats avec un rythme cardiaque moyen (environ 60-80 bpm2 ). Dans ce cas,
le début de la mésodiastole correspond bien au temps d’inversion nécessaire à l’annulation du
signal du sang surtout dans le cas où TR = 2RR 3 (voir table 3.1). De plus, la mésodiastole est
assez longue dans ce cas.

En règle générale, on considère que la durée de la télésystole est de l’ordre de 60-80 ms

(Shechter et al., 2005) et que la durée de la mésodiastole est de l’ordre de 150-200 ms (Kim
et al., 2001). Quand le rythme cardiaque augmente, le temps de repos du coeur en mésodiastole
devient de plus en plus court et la télésystole devient plus longue que la mésodiastole. Une
étude assez récente montre que 26% des patients avaient leur télésystole plus longue que leur
mésodiastole (Jahnke et al., 2006). De plus, il a été montré que la systole est moins sensible à
l’augmentation du rythme cardiaque que la diastole (Ashman, 1942, Scott et al., 2009). Autre-
ment dit, une bonne partie des variations et augmentations du cycle cardiaque est absorbée
par la diastole. Il est donc souvent plus facile de faire l’acquisition de l’image pendant cette
période (Berkowitz et al., 2009) pour les rythmes cardiaques élevés. L’utilisation de la méthode
directe peut dans ce cas fonctionner correctement si le début de la télésystole correspond au
temps d’inversion nécéssaire à annuler le sang et avec TR = 1RR. Par contre, dans ce cas, la
préparation et l’acquisition sont faites alors que le coeur est dans deux positions différentes ce
qui pourrait engendrer des pertes de signal.

Dans le cas où le cycle cardiaque serait très long (40-60 bpm), le TI optimal ne correspond
à aucune des périodes de repos du coeur. De la même façon, on peut régler le TI pour que
2
bpm = beats per minute.
3
La séquence est relancée tous les deux cycles cardiaques.

102
 3.2 Sang noir en télésystole

F IG . 3.4: Exemple d’image en sang noir et en mésodiastole acquise avec une DIR-FSE à 1.5 Tesla. Les
paramètres d’acquisition étaient : TE = 35 ms, TI = 500 ms, ET L = 8, bande passante = 62.5 kHz,
matrice acquise = 384 × 384, image reconstruite = 512 × 512.

l’acquisition soit réalisée pendant les périodes de repos, mais une fois encore le sang ne sera
pas annulé correctement.

Dans la suite de ce chapitre nous proposons une solution pour découpler TI et TD puis
adapter TD pour faire des acquisitions en sang noir en télésystole quel que soit le rythme car-
diaque.

3.2 Sang noir en télésystole

Contrairement à la paroi du ventricule gauche qui est épaisse, la paroi du ventricule droit
est particulièrement fine ce qui la rend particulièrement difficile à imager correctement (Ber-
kowitz et al., 2009). Sur une image en diastole, on la distingue généralement mal à cause des
effets de volume partiel et du flou. Par conséquent, on la devine plus qu’on ne la voit. Pen-
dant la télésystole le volume du coeur est minimum et constant, ce qui signifie que le coeur est
complètement contracté. Notre hypothèse est que la paroi du ventricule droit sera beaucoup
plus épaisse en télésystole et, par conséquent, la visualisation du ventricule droit devrait être
améliorée.

Pour faire l’acquisition d’image en sang noir en télésystole, nous proposons deux méthodes,
une simple basée sur l’idée que les cycles cardiaques sont parfaitement constants et reproduc-
tibles et une méthode adaptative utilisant un filtre de Kalman pour prédire au mieux la lon-
gueur des cycles cardiaques. Ceci nous permettra de découpler le TI et le TD . Ce découplage
nous permettra ensuite d’adapter le TD au début de la télésystole afin de placer au mieux la

103
CHAPITRE 3. ADAPTATIONS TEMPORELLES

Rythme TI,opt (ms) TI,opt (ms)

Cardiaque (bpm) (TR = 1RR) (TR = 2RR)
40 529 737
50 455 679
60 398 624
70 353 573
80 317 529
90 287 490
100 262 455
110 241 425
120 224 398

TAB . 3.1: Temps d’inversion optimal TI,opt pour annuler le sang à 1.5T. Nous avons considéré que
TE,last était négligeable devant TR .

préparation et l’acquisition.

3.2.1 Théorie
3.2.1.1 La méthode du délai fixe
Dans le cas de méthode du délai fixe, nous faisons l’hypothèse que tous les cycles car-
diaques sont parfaitement reproductibles et ont donc toujours la même longueur. Nous note-
rons ∆¯ l’intervalle RR moyen qui est la longueur des cycles cardiaques. Grâce à cette hypothèse,
nous connaissons la longueur de tous les intervalles RR. Pour déterminer quand l’acquisition
doit être effectuée nous utilisons un modèle cardiaque qui nous donne la longueur de la systole
et de la diastole en fonction de l’intervalle RR ∆. Ce modèle a été décrit par Weissler et al. (1968)
et peut s’écrire de la façon suivante :
(
T s (∆) = B − A · ∆−1
(3.3)
T d (∆) = ∆ − T s

avec T s la durée de la systole, T d la durée de la diastole en secondes et A et B des constantes

dépendant du sexe de la personne étudiée définies dans la table 3.2.

A B
Homme 0.0021·60 0.546
Femme 0.0020·60 0.549

TAB . 3.2: Définition des constantes A etB du modèle de cycle cardiaque.

Il faut noter que la durée de la systole donnée par T s inclut la télésystole et donne, plus
exactement, la segment QB2 . L’onde Q est la première déflexion du complexe QRS et B2 est le
deuxième bruit du coeur qui se produit après l’onde T . Pour placer le train d’échos en télésys-
tole connaissant le TI utilisé, il suffit d’attendre un certain délai D après l’onde R jusqu’à ce que
la séquence FSE soit placée dans la télésystole du cycle suivant. Ainsi, comme nous connaissons
la durée des intervalles RR et le moment où se termine la télésystole ainsi que les paramètres
de la séquence FSE utilisés, nous pouvons donc calculer le délai D avant de démarrer la pré-
paration qui sera suivie du temps d’inversion puis de l’acquisition. D sera ensuite toujours le
même. La figure 3.5 représente la méthode standard décrite précédemment et la méthode du
délai fixe sur plusieurs cycles cardiaques parfaitement identiques.

Nous définissons TF SE comme le temps nécessaire pour faire un train échos FSE, c’est-à-
dire le temps entre l’impulsion π/2 et le dernier écho du train. Le délai D peut être calculé

104
 3.2 Sang noir en télésystole

F IG . 3.5: Description de la méthode standard pour une DIR-FSE et de la méthode du délai fixe pour des
acquisitions en sang noir et en télésystole. Les cycles cardiaques sont représentés dans le cas idéal où tous
les cycles ont exactement la même longueur.

ainsi : (
¯ − TF SE
TD = T s (∆)
(3.4)
D=∆ ¯ − TI + TD

Cette méthode simple permet d’utiliser un TI long en utilisant un délai fixe. Cependant, des
variations de cycle cardiaque pendant l’acquisition peuvent engendrer un mauvais placement
de la fenêtre d’acquisition et donc des images de mauvaise qualité. La méthode adaptative, que
nous présentons dans la section suivante, permet de prendre en compte les variations du cycle
cardiaque.

3.2.1.2 La méthode adaptative

Il est bien connu que la durée des cycles cardiaques, que nous définissons ici comme le
temps entre deux ondes R consécutives ou intervalle RR, varie d’un cycle à l’autre. Ces varia-
tions ont été démontrées en apnée (Raper et al., 1967) mais aussi en respiration libre (Clynes,
1960). Ce dernier phénomène est aussi connu sous le nom d’arythmie sinusale respiratoire.
Afin de modéliser et de prendre en compte ces variations d’intervalle RR, une modélisation a
été proposée au laboratoire (Oster et al., 2008).

Comme nous pouvons le voir sur la figure 3.5, quand une onde est détectée, il faut ensuite
attendre un certain délai avant que la séquence soit déclenchée et que l’acquisition soit effec-
tuée dans le cycle cardiaque suivant. Ainsi, pour prendre en compte les variations d’intervalle
RR, quand on détecte une onde R, il nous faut une estimation des deux cycles cardiaques sui-
vants.

Soit S le signal de respiration acquis avec une ceinture respiratoire pneumatique et dS sa

dérivée temporelle. On notera Sn et dSn leurs valeurs au moment de la n-ième onde R. Soit
∆ l’intervalle RR et ∆n l’intervalle RR entre la n-ième et la n − 1-ième ondes R. On pourrait
faire une prédiction à un pas (on estime qu’un seul intervalle ∆ ˆ n+1 ) et utiliser un TD fixe pour
démarrer la DIR-FSE. C’est ce qui a été proposé (Oster et al., 2008) puis testé sur 5 volontaires
sains (Oster et al., 2009b). En faisant cela nous avons considéré que l’intervalle ∆n+2 a toujours
la même longueur et que la position de la télésystole ne change pas du tout. Cette simplification
pourrait donner lieu à des erreurs de synchronisation. Puisque l’acquisition est faite durant le
cycle ∆n+2 , ces variations doivent être prises en compte pour placer correctement l’acquisition
pendant la télésystole. De plus, la télésystole est relativement courte et donc le placement est
une chose importante. Ainsi, nous utiliserons une prédiction des deux cycles suivants ∆n+1
et ∆n+2 et un modèle de cycle cardiaque pour créer un TD adaptatif. Ceci nous permettra de
suivre la télésystole de cycle en cycle.

105
CHAPITRE 3. ADAPTATIONS TEMPORELLES

Au moment de la n-ième onde R, les deux prochains intervalles RR sont prédits en utilisant
la modélisation suivante :
Xp1 p2
X p3
X
∆n+1 = ai ∆n−i + bi Sn−i + ci dSn−i , (3.5)
i=0 i=0 i=0
p4
X p5
X Xp6
∆n+2 = di ∆n−i + ei Sn−i + fi dSn−i . (3.6)
i=0 i=0 i=0
L’avantage de ce modèle est qu’il est valable aussi bien en apnée qu’en respiration libre. A
notre connaissance, il n’y a pas vraiment de raison physiologique à cette modélisation. C’est la
conséquence d’une hypothèse simple qui dit que la variation des intervalles RR peut être mo-
délisé par une combinaison linéaire des intervalles RR précédents et de la respiration. Si nous
ne considérons pas la respiration, cette modélisation est une généralisation de la technique bien
connue de la moyenne mobile (Roes et al., 2008) et que l’on appelle un modèle auto-régressif.
La différence est que dans un cas les coefficients ai peuvent être adaptés au fur et à mesure
que de nouvelles données sont disponibles, contrairement à une simple moyenne glissante où
les coefficients sont fixés une fois pour toutes. Le modèle auto-régressif est très souvent utilisé
dans les études de variabilité RR (Acharya et al., 2008).

Ce modèle, équations (3.5) et (3.6), utilise les paramètres (ai , bi , ci , di , ei , fi ) qu’il nous faudra
connaître afin de prédire au mieux les intervalles RR suivants. Pour estimer ces paramètres en
temps réel au fur et à mesure que les données sont acquises, nous utilisons un filtre de Kalman
(Kalman, 1960). Le filtrage de Kalman et, de façon plus générale, le filtrage Bayésien (Haykin,
1996), sont des théories bien connues qui ont été appliquées dans bien des domaines (de la
finance à l’aéronautique). Le filtrage de Kalman a aussi été appliqué en IRM (Roddey et al.,
2008, Shankaranarayanan et al., 2008, 2007, Spincemaille et al., 2008, Sumbul et al., 2009, White
et al., 2007, 2010) dans divers buts et applications (reconstruction, estimation de mouvement
entre autres). Le filtre de Kalman part de l’hypothèse que le système peut être modélisé par un
modèle d’état dynamique défini par :
(
xn+1 = Fn xn + un
(3.7)
yn = Gn xn + vn
La première équation est appelée équation d’évolution, elle représente l’évolution du vecteur
d’état xn (ou vecteur de paramètre) via la matrice d’évolution Fn . La seconde est l’équation
d’observation qui représente le lien entre le vecteur d’état xn et la sortie yn via la matrice de
mesure Gn . Les bruits un et vn sont les bruits d’évolution et de mesure, généralement consi-
dérés comme des bruits Gaussiens centrés et de matrice de variance-covariance Qun et Qvn . Ces
bruits ne représentent pas des bruits physiques mais les erreurs de modélisation. Ainsi, les
bruits représentent la confiance que l’on a dans la modélisation de l’évolution de notre système
pour un et dans nos mesures pour vn . Par exemple, si nous sommes très confiants dans notre
modélisation de l’évolution nous considérerons que un sera faible (un écart type de 0.1) et si
nous ne faisons pas confiance à nos mesures alors vn sera un bruit avec un écart type en consé-
quence (par exemple 10). Le filtrage de Kalman est détaillé en annexe A.

La modélisation linéaire des intervalles RR (équation (3.5-3.6)) est très bien adaptée au fil-
trage de Kalman. Pour ce faire, il suffit de reformuler les équations (3.5-3.6) sous la forme d’un
modèle d’état dynamique défini par l’équation (3.7). Ainsi, nous pouvons réécrire le modèle de
la façon suivante :
xn = [a0 , · · · , ap1 , b0 , · · · bp2 , c0 , · · · , cp3 , d0 , · · · , dp4 , e0 , · · · , ep5 , f0 , · · · , fp6 ]T ,
Fn = Id,
yn = [∆n+1 , ∆n+2 ]T (3.8)
 
∆n , · · · , ∆n−p1 , Sn , · · · , Sn−p2 , dSn , · · · , dSn−p3 0, · · · , · · · , · · · , 0
Gn =
0, · · · , · · · , · · · , 0, ∆n , · · · , ∆n−p4 , Sn , · · · , Sn−p5 , dSn , · · · , dSn−p6

106
 3.2 Sang noir en télésystole

La modélisation de l’évolution des paramètres (ai , bi , ci , di , ei , fi ) est faite par une marche aléa-
toire puisque nous n’avons aucun a priori sur l’évolution de ces paramètres. Ainsi, la matrice
d’évolution Fn est l’identité. Cette modélisation peut être appliquée en respiration libre et en
apnée puisque le filtre de Kalman a pour but d’estimer de façon adaptative les paramètres
optimaux (ai , bi , ci , di , ei , fi ) du modèle. Finalement, en utilisant cette formulation sous forme
d’espace d’état et la théorie du filtrage de Kalman, les prédictions des deux intervalles RR sui-
vants peuvent être calculées ∆ ˆ n+1 et ∆
ˆ n+2 . Remarquez que nous utilisons la notation x̂ pour
faire référence à une estimation de x.

Une fois que nous savons quand le prochain cycle cardiaque va débuter (∆ ˆ n+1 ) et combien
de temps ce cycle va durer (∆ ˆ n+2 ), nous utilisons ensuite le modèle cardiaque que nous avons
présenté précédemment avec les équations (3.3). Ceci nous permet de calculer le moment où la
fenêtre d’acquisition (le train d’échos FSE) doit être placée et combien de temps il faut attendre
avant d’appliquer la double inversion-récupération.

Une fois la n-ième onde R détectée, le filtre de Kalman nous donne les prédictions des deux
cycles ∆ˆ n+1 et ∆
ˆ n+2 . Étant donné que nous connaissons les paramètres de notre séquence TI
et TF SE , nous pouvons calculer le trigger delay optimal TDn+2 qui est le temps entre l’onde R
n + 1 et le début de la FSE. Ce trigger delay optimal est calculé avec le modèle cardiaque :
ˆ n+2 ) − TF SE .
T̂Dn+2 = T̂ s (∆ (3.9)

Ensuite il n’y a plus qu’à calculer le délai optimal Dn+1 qu’il faut attendre avant d’appliquer
les impulsions de DIR. Ce délai correspond au temps entre la n-ième onde R et le début de la
DIR-FSE :
D̂n+1 = ∆ ˆ n+1 − TI + T̂Dn+2 . (3.10)
La figure 3.6 donne un exemple d’application de la DIR-FSE standard clinique, de la méthode
du délai fixe et de la méthode adaptative dans le cas où les intervalles RR sont variables. Cette
figure permet aussi de clarifier les notations utilisées.

F IG . 3.6: Les différentes séquences sang noir appliquées de différentes manières en présence de variations
d’intervalles RR significatives. La méthode standard continue de fonctionner correctement malgré les
variations de RR, c’est l’avantage de la mésodiastole qui est assez longue. La méthode du délai fixe pour
acquérir des images en télésystole ne fonctionne plus dans ce cas. La méthode adaptative s’adapte à chaque
nouveau cycle cardiaque pour placer préparation et acquisition au mieux en fonction des informations
dont nous disposons.

107
CHAPITRE 3. ADAPTATIONS TEMPORELLES

Pour la suite, nous allons détailler l’implémentation et les différents résultats obtenus avec
ces méthodes.

3.2.2 Implémentation
La méthode standard clinique, la méthode du délai fixe et la méthode adaptative ont été
implémentées à l’aide du SAEC présenté à la section 2.1.3 (Odille et al., 2007b). Les ECG et les
ceintures respiratoires sont placés sur le sujet, qui est dans l’IRM, puis sont branchés dans un
appareil de monitorage modifié de la société Schiller Médical. Les modifications faites sur cet
appareil nous permettent de transmettre ces signaux en dehors de la cage de Faraday grâce à
des fibres optiques. Ensuite ces signaux sont démodulés et numérisés pour être traités par un
module temps réel. Ainsi, le SAEC nous permet de détecter les ondes R sur les ECG ce qui est
le minimum dont nous avons besoin pour le filtre de Kalman.

La qualité de détection des ondes R est particulièrement importante dans notre cas, car si
nous donnons de fausses informations au filtre de Kalman, il convergera naturellement vers des
solutions erronées. Le détecteur utilisé pour ces tests nous a été fourni par la société Schiller
Médical. Pour déclencher la séquence, un signal TTL est branché directement dans l’électro-
nique de l’IRM ce qui nous permet de déclencher la séquence dès que nous le souhaitons avec
un temps de réponse minimum. La méthode standard a été implémentée comme en clinique :
dès que l’onde R est détectée, on lance la séquence DIR-FSE. Pour la méthode du délai fixe,
on rentre la valeur du délai que l’on souhaite appliquer en le calculant grâce aux équations
(3.4). La méthode adaptative a été implémentée directement sur le SAEC en langage C. Dès
qu’une nouvelle onde R est détecté, le filtre de Kalman est recalculé, ce qui nous donne les
nouveaux paramètres (ai , bi , ci , di , ei , fi ) à utiliser. Pour le filtre de Kalman, nous utilisons un
modèle d’ordre 2 ce qui signifie que (p1 , p2 , p3 , p4 , p5 , p6 ) ont été fixés à 2 dans les équations
(3.5) et (3.6). L’ordre 2 a été choisi car il a été montré que c’était un bon compromis entre pré-
cision des estimations et complexité calculatoire (Oster et al., 2008). Dans le cadre d’une étude
de variabilité RR, il a été montré que l’ordre optimal du modèle serait de 16 (Broadman et al.,
2002). La grosse différence dans ce cas est la quantité de données utilisées pour faire ce genre
d’étude, ce que nous ne pouvons pas faire pour une acquisition en IRM. Augmenter l’ordre du
modèle peut améliorer la prédiction mais va induire une complexité calculatoire supplémen-
taire qui va vite poser des problèmes en temps réel. Pour l’implémentation pratique du filtre,
le vecteur d’état x0 a été initialisé à la durée des intervalles RR précédents, c’est-à-dire que les
paramètres a0 et d0 ont été mis à 1 et tous les autres à 0. Puisque l’évolution du vecteur d’état
est mal connue et que nous l’avons simplement modélisée par une marche aléatoire, la ma-
trice de covariance du bruit d’évolution a été mise à une valeur assez élevée diag(10, 10) pour
prendre en compte le fait que nous ne sommes pas très confiants dans la modélisation de l’évo-
lution. Nous avons mis la matrice de covariance du bruit de mesure à diag(0.01, 0.01) pour que
le filtre converge rapidement et pour prendre en compte le fait que nous avons confiance dans
nos mesures et dans leurs modélisations. Ainsi, nous pouvons calculer les estimations ∆ ˆ n+1
ˆ
et ∆n+2 puis le trigger delay optimal TDn+2 et le délai optimal D̂n+1 . Ensuite, il ne reste plus
qu’à attendre D̂n+1 ms avant de lancer la DIR-FSE. Le filtre de Kalman est lancé manuellement
dès que le sujet est en apnée, puis nous attendons deux cycle cardiaques avant de démarrer
la séquence. Ceci permet de laisser le temps au filtre de converger. De plus, l’acquisition des
données n’est pas réalisée immédiatement : au premier déclenchement, la DIR-FSE est exécutée
mais les données ne sont pas acquises afin de stabiliser les signaux (par rapport au TR qui est
court devant T1 ) et au deuxième déclenchement les signaux sont acquis mais pas encodés en
phase et utilisés pour une correction rétrospective de phase (Peters et Hinks, 2004).

Le temps de calcul nécéssaire au filtre de Kalman est fortement lié à la taille du vecteur
d’état xn . Avec les paramètres décrits ci-dessus, la taille du vecteur d’état est de 12. Dans ce cas,
le temps de calcul est très faible (de l’ordre de la ms) ce qui est compatible avec les contraintes
temps réel de notre application.

108
 3.2 Sang noir en télésystole

3.2.3 Résultats préliminaires

Dans un premier temps, nous avons testé la méthode du délai fixe et la méthode adaptative
sur 4 volontaires sains âgés de 35.5 ± 12 ans et pesant 75 ± 10 kg. Ces résultats ont été présentés
à l’ISMRM (Fernandez et al., 2009a) et à des conférences locales (Fernandez et al., 2008b, 2009c).

Après les traditionnelles acquisitions de localisation et de calibration, le protocole commen-

çait par une série en apnée de type FIESTA ciné. Cette séquence servira par la suite à vérifier
que les acquisitions suivantes ont bien été faites au bon moment du cycle cardiaque. Cette sé-
quence est réalisée en petit axe cardiaque au milieu des ventricules afin de voir le ventricule
droit et le ventricule gauche. Les paramètres utilisés pour cette séquence sont répertoriés dans
le tableau 3.3.

Ensuite, nous avons acquis les séquences DIR-FSE avec la méthode du délai fixe et la mé-
thode adaptative en apnée. Dans les deux cas nous avons utilisé exactement le même plan de
coupe que pour la FIESTA ciné. Nous avons regroupé les paramètres des DIR-FSE dans le ta-
bleau 3.4. De plus grâce au SAEC, nous avons enregistré tous les signaux utiles tels que les
ECG, ceintures, triggers, RF, fenêtres d’acquisition et formes d’onde des gradients. Tous ces si-
gnaux nous servirons à évaluer de manière quantitative les différentes méthodes.

Paramètre Valeur Paramètre Valeur

TE 1.676 ms TE 20 ms
TR 3.9 ms TR 1RR
Épaisseur 8 mm Épaisseur 6 mm
Bande Passante 250 kHz Bande Passante 125 kHz
Angle 45◦ Refocalisation 155◦
Phase Ny 224 Phase Ny 256
Fréquence Nx 224 Fréquence Nx 256
# Phase/RR 20 ETL 16
# Images/RR 30 TI 500 ms
Trigger Window 10% Épaisseur DIR 18 mm

TAB . 3.3: Paramètres des séquences FIESTA TAB . 3.4: Paramètres des séquences DIR-FSE
Cine en télésystole

Pour comparer les deux méthodes de façon qualitative et quantitative nous allons évaluer
l’erreur faite sur le trigger delay pour les méthodes adaptative et du délai fixe. Le trigger de-
lay effectif appliqué en temps réel TD,applied sera évalué grâce aux signaux enregistrés par le
SAEC et sera mesuré entre l’onde R et le début de la fenêtre d’acquisition. Les intervalles RR
réels seront extraits des ECG et serviront à calculer le meilleur trigger delay possible TD,best en
utilisant le même modèle cardiaque. La figure 3.7 représente graphiquement l’erreur que nous
cherchons à mesurer.
Ces grandeurs extraites TD,best et TD,applied sont utilisées pour calculer l’erreur moyenne et la
racine de l’erreur quadratique moyenne (RMSE4 ) définie par :
v
u
u1 X N
RM SE = t (TD,applied (i) − TD,best (i))2 . (3.11)
N
i=1

En plus de cette mesure quantitative, nous avons aussi fait une mesure qualitative avec un
radiologue. Cette mesure est un simple score donné par un radiologue en fonction de la qualité-
image. L’échelle des scores et leurs significations sont définies dans la table 3.5.

Les résultats de cette première évaluation sont donnés dans le tableau 3.6. Nous donnons
4
de l’anglais "Root Mean Square Error"

109
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.7: Représentation graphique de l’erreur faite sur le trigger delay que nous évaluons pour comparer
les différentes méthodes.

Score 0 1 2
Signification Inutilisable Utilisable mais avec artefacts utilisable, sans artefact

TAB . 3.5: Définition des scores utilisés par le radiologue pour l’évaluation de la qualité-image.

pour chaque acquisition le rythme cardiaque moyen à titre indicatif, l’erreur moyenne et son
écart type, la RMSE et le score donné par le radiologue.

Délai Fixe Délai Adaptatif

Volontaire HR Erreur RMSE Score HR Erreur RMSE Score
1 70 227 ± 71 59 0 85 1 ± 38 9 2
2 72 80 ± 31 21 1 72 −4 ± 29 7 2
3 59 163 ± 54 41 0 56 −8 ± 31 8 2
4 55 −5 ± 44 10 2 58 −4 ± 26 6 2

TAB . 3.6: Résultats obtenus pour les quatre volontaires. HR est le rythme cardiaque moyen pendant
l’acquisition en bpm. L’erreur donnée est l’erreur moyenne ± écart type en ms. RMSE est la racine de
l’erreur quadratique moyenne en ms et le score correspond à celui donné par le radiologue.

Les deux méthodes ont été appliquées avec succès sur les quatre volontaires. Les résultats
quantitatifs du tableau 3.6 montrent que la méthode adaptative permet de réduire de façon
significative l’erreur de placement de la fenêtre d’acquisition. Les résultats qualitatifs montrent
que les images sont dans l’ensemble de meilleure qualité et que la méthode adaptative est plus
robuste.

Deux exemples d’images sont donnés aux figures 3.8 et 3.9. On peut remarquer sur les
images acquises en télésystole avec la méthode adaptative que le ventricule droit et les tra-
béculations sont parfaitement bien résolus. En comparant avec la ciné, on constate bien que la
suppression du sang permet de faire ressortir le "relief" du ventricule droit, du fait que le signal
des reliefs du ventricule droit et celui du sang ne sont plus mélangés.

Les premiers résultats que nous venons de présenter sont encourageants et permettent d’en-
visager une nouvelle façon de visualiser le ventricule droit. Cette technique permet de posi-
tionner de façon fiable la préparation DIR et la séquence FSE dans le cycle cardiaque malgré les
variations physiologiques. Ce genre d’images pourrait être utile pour résoudre les détails de la
morphologie des parois ventriculaires dans le cas des maladies liées au ventricule droit. Pour
démontrer clairement l’intérêt de cette méthode et de l’imagerie sang noir en télésystole, nous

110
 3.2 Sang noir en télésystole

F IG . 3.8: Résultats obtenus sur le volontaire 1. (a) est l’image de la télésystole extraite de la séquence
ciné. (b) est l’image en sang noir acquise avec la méthode du délai fixe. (c) est l’image en sang noir acquise
avec la méthode adaptative. Remarquons comme le ventricule droit est particulièrement bien résolu en
(c) comparé à (b). Cependant, on peut observer une perte de signal sur le ventricule gauche due au fait
que la préparation et l’acquisition sont faites alors que le coeur est dans deux positions différentes.

F IG . 3.9: Résultats obtenus sur le volontaire 4. (a) est l’image de la télésystole extraite de la séquence
ciné. (b) est l’image en sang noir acquise avec la méthode du délai fixe. (c) est l’mage en sang noir
acquise avec la méthode adaptative. Remarquons comme le ventricule droit et les trabéculations sont
particulièrement bien résolu en (c). En comparant (c) à (a) on remarque que l’on voit bien les mêmes
structures mais que dans l’image (c) ces structures sont clairement plus visibles car le signal acquis n’est
plus mélangé à celui du sang.

avons lancé une étude approfondie sur un plus grand nombre de volontaires.

3.2.4 Matériels et méthodes

La partie qui suit a été présentée en partie au Workshop Motion Correction organisé par
l’ISMRM (Fernandez et al., 2010c) sous forme de présentation orale et à la réunion annuelle
de l’ISMRM (Fernandez et al., 2010b). L’ensemble des résultats a ensuite été présenté dans un
article paru dans Magnetic Resonance in Medicine (Fernandez et al., 2010a).

3.2.4.1 Protocole IRM

Pour tester et comparer ces différentes méthodes, 14 sujets sains ont subi un examen d’IRM
cardiaque. La population étudiée était composée de sept hommes et de sept femmes d’âge
moyen 28.7 ± 11 ans, pesant en moyenne 70.9 ± 14.3 kg et mesurant en moyenne 1.72 ± 0.1
m. Cette étude a été approuvée par le comité de protection des personnes et a été conduite en
suivant les lois en vigueur en France sur la recherche clinique. Un consentement éclairé écrit et

111
CHAPITRE 3. ADAPTATIONS TEMPORELLES

signé a été obtenu pour tous les volontaires.

Comme précédemment, dans le but de voir le ventricule droit et le ventricule gauche, une
coupe en petit axe cardiaque a été acquise au milieu des ventricules avec une séquence FIESTA
ciné en apnée et synchronisée avec le cycle cardiaque. Les paramètres de la séquence sont dé-
crits dans le tableau 3.3 et ces images serviront à déterminer si les acquisitions suivantes sont
effectivement dans la bonne phase cardiaque. La même coupe au milieu des ventricules a été
acquise avec la méthode standard en mésodiastole (figure 3.3), la méthode du délai fixe (figure
3.5) et la méthode adaptative (figure 3.6). Les deux dernières techniques sont supposées faire
l’acquisition pendant la télésystole. Nous avons utilisé la même implémentation que celle dé-
crite à la section 3.2.2.

Pour la méthode standard et la méthode adaptative, nous avons fait l’acquisition de sept
images avec différents TE allant de 10 ms à 70 ms avec un pas de 10 ms pour avoir des images
pondérées T1 et T2 . Ceci nous permettra aussi d’avoir un plus grand nombre de données pour
les mesures quantitatives. Pour la méthode du délai fixe, une à sept images ont été acquises de
telle sorte que la durée de l’examen reste d’une longueur acceptable pour les volontaires. Les
autres paramètres de la séquence sont donnés dans le tableau 3.4, à l’exception du TR qui a été
modifié en fonction du rythme cardiaque. Pour les rythmes inférieurs à 85 bpm, l’acquisition
a été réalisée à chaque cycle cardiaque (TR = 1RR) et pour tous les autres, l’acquisition est
réalisée dans un cycle sur deux (TR = 2RR). La durée du train d’échos avec ces paramètres
est ainsi de 85 ms, ce qui est le maximum acceptable étant donnée la durée de la télésystole.
Comme précédemment, deux trains d’échos supplémentaires sont faits pour la stabilisation
des signaux et pour la correction de phase rétrospective (Peters et Hinks, 2004). Toutes les
séquences sont faites en apnée d’environ 16 s pour la méthode standard et celle du délai fixe, 18
s pour la méthode adaptative et 12 s pour les FIESTA ciné. Les deux secondes supplémentaires
sont utilisées pour laisser le filtre de Kalman converger.

3.2.4.2 Analyse des données

Le rythme cardiaque moyen a été calculé rétrospectivement, grâce aux données enregistrées
avec le SAEC, pour déterminer s’il existe des différences significatives entres les apnées pour
les acquisitions des différentes méthodes qui pourraient influencer les résultats sur les me-
sures quantitatives. La variabilité RR, définie comme l’écart type des intervalles RR, a aussi été
quantifiée dans le même but. Les différences de rythme cardiaque et de variabilité RR entre les
acquisitions réalisées avec la méthode du délai fixe et la méthode adaptative ont été analysées
avec le test de rang signé de Wilcoxon.

Mesures quantitatives Deux types de mesures quantitatives ont été utilisées pour évaluer
la méthode adaptative et celle du délai fixe. Comme précédemment, ces deux mesures seront
basées sur l’erreur faite entre le trigger delay appliqué en temps réel TD,applied et le meilleur
trigger delay que nous pouvons calculer rétrospectivement TD,best (voir figure 3.7). La première
mesure quantitative consistera à comparer l’histogramme normalisé de la valeur absolue de
l’erreur entre les deux méthodes. La deuxième mesure sera la RMSE que nous avons défini par
l’équation (3.11). La différence statistique entre les erreurs commises avec les deux méthodes
sera évaluée avec le test de rang de Wilcoxon. Une valeur de P inférieure à 0.05 sera considérée
comme statistiquement significative.

Mesures qualitatives Une comparaison de qualité d’image a été faite par un radiologue ayant
8 ans d’expérience en IRM cardiaque. Les images acquises avec la séquence DIR-FSE était affi-
chées à l’observateur dans un ordre aléatoire en utilisant une station de visualisation clinique
(Advantage Workstation, General Electric, Milwaukee, WI). Dans tous les cas, l’observateur ne

112
 3.2 Sang noir en télésystole

savait pas quelle méthode avait été utilisée.

Dans un premier temps, il a été demandé à l’observateur de déterminer si les images ac-
quises avec la méthode du délai fixe et la méthode adaptative ont effectivement été acquises
pendant la télésystole en comparant avec les images obtenues avec la FIESTA ciné. Ensuite,
l’observateur a dû déterminer si les images acquises avec la méthode du délai fixe, la méthode
adaptative et la méthode standard étaient de qualité suffisante ou pas pour être considérées
comme de qualité diagnostique.

Dans un second temps, une comparaison d’images a été réalisée entre les images en télésys-
tole acquises avec la méthode adaptative et celles acquises avec la méthode du délai fixe. Les
images acquises avec les deux différentes méthodes et le même TE étaient affichées à l’observa-
teur de façon aveugle et par paire. L’observateur devait déterminer dans quelle image le coeur
était mieux résolu ou si les images était équivalentes. Deux caractéristiques ont été comparées
séparément : d’un coté le ventricule droit et ses trabéculations et de l’autre le ventricule gauche
et ses muscles papillaires. L’observateur pouvait toujours se référer à la FIESTA ciné.

Dans un troisième temps, une deuxième comparaison a été réalisée entre la meilleure image
en télésystole déterminée précédemment et les images acquises en mésodiastole. Cette compa-
raison vise à vérifier notre hypothèse de départ, à savoir que le ventricule droit peut être mieux
résolu en télésystole qu’en mésodiastole. Cette comparaison était focalisée sur le ventricule
droit, mais la paroi libre et la paroi inférieure ont été comparées séparément. L’observateur de-
vait déterminer dans quelles phases cardiaques les parois étaient mieux résolues ou si les deux
phases cardiaques étaient équivalentes.

Finalement, nous avons demandé au radiologue de mesurer l’épaisseur de la paroi libre et

de la paroi inférieure du ventricule droit pour chaque volontaire en mésodiastole et en télésys-
tole. Le but de ces mesures est de montrer l’épaississement des parois pendant la télésystole
pour quantifier de façon objective l’apport de l’imagerie sang noir en télésystole pour le ventri-
cule droit. Ces données ont ensuite été analysées avec un test de rang signé de Wilcoxon pour
déterminer si les mesures étaient significativement différentes.

3.2.5 Résultats
Le protocole IRM a été appliqué avec succès sur les 14 volontaires. Cependant, un volontaire
a été exclu de l’étude à cause de son ECG qui était de très mauvaise qualité. Par conséquent,
le détecteur QRS fonctionnait très mal et toutes les images obtenues avec les trois méthodes
étaient de qualité très médiocre.

Le rythme cardiaque moyen en apnée pendant l’acquisition des séquences DIR-FSE avec
la méthode adaptative était 69 ± 8 bpm contre 68 ± 9 bpm pour la méthode du délai fixe. La
variabilité RR était de 54 ± 25 ms pour la méthode adaptative et de 49 ± 22 ms pour la méthode
du délai fixe. Il n’y a pas eu de différence statistiquement significative de rythme cardiaque et
variabilité RR pendant les acquisitions faites avec la méthode adaptative et la méthode du délai
fixe (P = 0.78 pour le rythme cardiaque moyen et P = 0.68 pour la variabilité RR).

Mesures quantitatives La figure 3.10 représente l’histogramme normalisé de la valeur abso-

lue de l’erreur faite sur le trigger delay par la méthode adaptative et par la méthode du délai
fixe. Par exemple, 80% des trigger delay estimés par la méthode adaptative avait une erreur
inférieure à 40 ms contre seulement 36% pour la méthode du délai fixe. De plus, la méthode
du délai fixe fait une erreur de plus de 100 ms dans 26.3% des cas, ce pourcentage est réduit
à seulement 2.6% pour la méthode adaptative. Cette figure montre que la méthode adaptative
réduit de façon significative le nombre de fenêtres d’acquisition mal placées par rapport à la

113
CHAPITRE 3. ADAPTATIONS TEMPORELLES

méthode du délai fixe.

F IG . 3.10: Histogramme normalisé de la valeur absolue de l’erreur faite sur le trigger delay par la mé-
thode adaptative (noir) et par la méthode du délai fixe (gris). Cette figure montre que l’erreur faite avec
la méthode adaptative est plutôt dans une plage restreinte alors que les erreurs faites avec la méthode du
délai fixe sont distribuées de façon presque équirépartie. Un quart des erreurs faites avec la méthode du
délai fixe sont supérieure à 100 ms.

L’erreur quadratique moyenne, donnée à la figure 3.11, est réduite de façon significative
par la méthode adaptative. La moyenne et l’écart type de l’erreur ont tous les deux été réduits
par la méthode adaptative. La valeur moyenne de l’erreur absolue est de 27 ± 395 ms pour la
méthode adaptative et de 75 ± 98 ms pour la méthode du délai fixe. Les différences trouvées
sont statistiquement significatives (P < 0.001).

Mesures qualitatives Les mesures qualitatives montrent que 100% (n = 104) des images ac-
quises avec la méthode adaptative sont effectivement en télésystole contre seulement 70.6%
(n = 68) pour les images acquises avec la méthode du délai fixe. La distribution de la qualité
diagnostique ou non des images est donnée à la figure 3.12. Cette figure montre que 27% des
images acquises avec la méthode du délai fixe ne sont pas de qualité diagnostique. Ce pour-
centage est réduit à 1.9% pour la méthode adaptative et à 4.4% pour la méthode standard.

Un total de 68 paires d’images acquises avec la méthode du délai fixe et la méthode adap-
tative ont été comparées par le radiologue. Cette comparaison montre que le ventricule droit et
les trabéculations sont mieux résolus avec la méthode adaptative dans 65% des paires affichées,
avec la méthode du délai fixe dans 28% des cas et étaient équivalentes dans 7% des cas (voir
figure 3.13).
5
Attention, ici on parle bien de la moyenne de la valeur absolue de l’erreur mais de l’écart type de l’erreur sans
en prendre la valeur absolue.

114
 3.2 Sang noir en télésystole

F IG . 3.11: Erreur quadratique moyenne faite sur le trigger delay par volontaire pour la méthode adapta-
tive (noir) et le méthode du délai fixe (gris).

La comparaison de la visualisation du ventricule droit a été faite entre les images en té-
lésystole et les images en mésodiastole sur les 68 paires comparables. La paroi inférieure du
ventricule droit est mieux résolue en télésystole dans 81% des images, en mésodiastole dans
15% des cas et les images étaient équivalentes dans 4% des cas. Parmi les images en télésys-
tole 70% ont été acquises avec la méthode adaptative. Pour la paroi libre du ventricule droit,
87% des images sont mieux résolues en télésystole, 7% sont mieux en mésodiastole et 6% sont
équivalentes. 71% des images en télésystole étaient acquises avec la méthode adaptative (voir
figure 3.14).

L’épaisseur de la paroi inférieure du ventricule droit mesurée en mésodiastole était de

2.53 ± 0.5 mm et en télésystole de 4.48 ± 0.81 mm (P < 0.01). Pour un volontaire le radio-
logue n’a pas réussi à mesurer l’épaisseur de la paroi inférieure en mésodiastole. L’épaisseur
de la paroi libre du ventricule droit en mésodiastole était de 2.45 ± 0.63 mm contre 4.55 ± 1.25
mm (P < 0.01) en télésystole. Dans ce cas, le radiologue n’a pas réussi à mesurer l’épaisseur de
la paroi libre en mésodiastole pour 5 volontaires en grande partie à cause des effets de volume
partiel.

Les images acquises avec la ciné, la méthode du délai fixe et la méthode adaptative sont
données à la figure 3.15. On peut noter que le ventricule droit est très bien défini avec la mé-
thode adaptative (figure 3.15-c), contrairement à l’image obtenue avec la méthode du délai fixe
(figure 3.15-b) où le ventricule droit (et même le gauche) est difficilement visible. Ceci montre la
nécessité de prendre en compte les variations d’intervalle RR pour de l’imagerie en télésystole.

115
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.12: Résultats sur la qualité diagnostique des images acquises avec les trois méthodes : la méthode
adaptative (n = 104), la méthode standard clinique en mésodiastole (n = 91) et méthode du délai fixe
(n = 68).

F IG . 3.13: Résultats de la comparaison de la qualité image des ventricules droit et gauche (VD et VG)
entre la méthode adaptative et la méthode du délai fixe. Distribution des méthodes pour lesquelles le VD
et VG sont mieux résolues.

Sur la figure 3.16, on peut voir les images acquises avec la ciné, et les images acquises en
télésystole et celles en mésodiastole. Sur cet exemple, on peut voir que l’image acquise avec la
méthode du délai fixe (figure 3.16-b) est de moins bonne qualité que celle acquise avec la mé-
thode adaptative (figure 3.16-c). En comparant les images en télésystole de la ciné (figure 3.16-a)
et de la méthode adaptative (figure 3.16-c), on peut remarquer que nous voyons les mêmes re-
liefs dans le ventricule droit. De plus, l’utilisation d’une préparation DIR permet d’améliorer
la définition du ventricule droit et de ses trabéculations car le signal de ces dernières n’est plus
mélangé avec le sang contrairement à la ciné. Ensuite, si nous comparons l’image acquise avec
la séquence DIR-FSE standard en mésodiastole (figure 3.16-e) et l’image acquises avec la mé-
thode adaptative (figure 3.16-c), on peut constater l’épaississement de la paroi du ventricule
droit comme nous l’avons montré de façon numérique. On peut aussi remarquer que la pa-
roi libre sur l’image en mésodiastole (figure 3.16-e) est presque impossible à distinguer alors
qu’elle est très facile à voir sur l’image en télésystole (figure 3.16-c). Les mêmes constations
peuvent être faites sur les images présentées à la figure 3.17 qui ont été acquises sur un autre
volontaire. On peut constater l’épaississement des ventricules droits sur la figure 3.18.

116
 3.2 Sang noir en télésystole

F IG . 3.14: Résultats de la comparaison de la qualité image des parois inférieure et libre du ventricule
droit (VD) entre la télésystole et la mésodiastole. Distribution des périodes de repos cardiaque pour
lesquelles les parois sont mieux résolues.

F IG . 3.15: Images en télésystole du volontaire 12. (a) image en télésystole extraite de la séquence ciné.
(b) image acquise avec la méthode du délai fixe (RM SE = 42.5 ms pour l’acquisition de cette image)
et (c) avec la méthode adaptative (RM SE = 7.9ms pour l’acquisition de cette image). Les images (b)
et (c) ont été acquises avec un TE = 30 ms. Remarquons comme le ventricule droit est bien résolu sur
l’image (c).

3.2.6 Discussion
L’imagerie morphologique du coeur en télésystole avec une séquence de type FSE sang noir
n’est pas une tâche qui peut se faire de façon directe. Ceci dépend de beaucoup de facteurs qui
varient d’un sujet à un autre et qui évoluent au cours du temps et même au sein d’une acqui-
sition. Dans les travaux que nous venons de présenter, nous avons montré qu’il est possible de
faire de l’imagerie sang noir en télésystole pondérée T1 ou T2 . La méthode présentée est basée
sur un algorithme prédictif des intervalles RR et sur un trigger delay adaptatif. Cette technique
adaptative permet de s’adapter automatiquement aux variations instantanées de l’intervalle
RR, ce qui permet de prendre en compte les variations spécifiques de chaque patient. Nous
avons comparé cette méthode adaptative à une méthode alternative simple qui utilise un dé-
lai fixe. Dans ce cas nous faisons l’hypothèse que tous les cycles cardiaques sont les mêmes,
cette hypothèse de base est celle qui est généralement faite en imagerie cardiaque. Les résul-
tats montrent une nette amélioration des mesures quantitatives et qualitatives lorsque nous
utilisons la méthode adaptative. Nous avons également montré que la définition des parois du
ventricule droit est nettement améliorée lorsque les acquisitions sont faites en télésystole. Par
conséquent, la méthode de DIR-FSE adaptative devrait être privilégiée dans un certain nombre
de pathologies liées au ventricule droit. Par exemple, nous pouvons citer la dysplasie ou car-
diomyopathie arrythmogène du ventricule droit qui se caractérise souvent par des infiltrations

117
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.16: Images du volontaire 8. Images en télésystole (a) et en mésodiastole (d) extraites de la ciné.
(b) est l’image acquise avec la méthode du délai fixe (RM SE = 22.4 ms) et (c) celle acquise avec la
méthode adaptative (RM SE = 12.1 ms). (e) a été acquise avec la méthode clinique standard. (b,c,e)
ont été acquises avec TE = 30 ms. (b) est un exemple d’acquisition avec la méthode du délai fixe qui
donne une qualité d’image sous-optimale par rapport à (c). Cette image n’a pas été considérée comme
étant en télésystole.

graisseuses de la paroi du ventricule droit. L’imagerie sang noir en télésystole pourrait aussi
être utile pour mesurer l’épaisseur du péricarde dans les cas suspectés de péricardite chronique
constrictive (Dacher et al., 2010). L’intérêt potentiel de cette méthode adaptative a été démon-
trée en apnée mais de futurs travaux se focaliseront sur son utilisation en respiration libre.

Dans l’étude que nous avons présentée, nous avons utilisé un système de comparaison
d’images pour évaluer la qualité-image plutôt qu’un traditionnel système de notation. Le choix
d’utiliser ce système de comparaison a été fait parce que c’est une solution simple. De plus,
puisque les images acquises avec les différentes méthodes ne sont pas acquises dans la même
phase de repos cardiaque, il devient assez compliqué de noter le même objet vu de différentes
façons. Ceci est particulièrement vrai dans notre cas puisque nous travaillions sur des sujets
sains et il n’y avait donc pas de maladie particulière sur laquelle se focaliser. L’avantage du
système de comparaison est qu’il permet de réduire les variations dues à l’observateur puisque
que le radiologue doit donner des réponses simples. De plus, le système de notation n’est va-
lable que si plusieurs radiologues peuvent faire l’évaluation. Dans notre cas, un seul radiologue
était disponible.

Les résultats présentés ici sont conformes avec ceux d’autres études (Roes et al., 2008, Stuber
et al., 1999b), qui avaient montré une nette amélioration des résultats lorsqu’un trigger delay
adaptatif est utilisé par rapport à un délai fixe. La différence avec ce que nous avons proposé
est que ces méthodes ont été conçues pour améliorer l’angiographie par résonance magnétique

118
 3.2 Sang noir en télésystole

F IG . 3.17: Images du volontaire 9. Images en télésystole (a) et en mésodiastole (d) extraites de la ciné.
(b) est l’image acquise avec la méthode du délai fixe (RM SE = 32.5 ms) et (c) celle acquise avec la
méthode adaptative (RM SE = 8.2 ms). (e) a été acquise avec la méthode clinique standard. (b,c,e) ont
été acquises avec TE = 30 ms. (b) est un exemple d’acquisition avec la méthode du délai fixe qui donne
une qualité d’image sous-optimale par rapport à (c). Cette image n’a pas été considérée comme étant en
télésystole.

(MRA) des artères coronaires avec un navigateur diaphragmatique, ce qui se fait en respiration
libre. Le trigger delay adaptatif est, dans ce cas, calculé pour estimer le début de la mésodiastole
et pour démarrer l’acquisition. Ces méthodes sont également basées sur un modèle cardiaque
et le trigger delay est calculé en fonction de l’intervalle RR. Dans ces études, le trigger delay
est adapté en utilisant le dernier intervalle RR ou une moyenne des derniers intervalles ce qui
sert de prédiction à un pas. Dans notre étude nous avons adopté une stratégie différente en
utilisant un algorithme de prédiction adaptatif pour une meilleure précision. Nous pouvons
remarquer que notre modélisation et notre algorithme peuvent être vus comme la généralisa-
tion de la moyenne glissante proposée par Roes et al. (2008). Effectivement, la différence est
que les coefficients (ai , bi , ci , di , ei , fi ) que nous utilisons sont mis à jour dès que nous avons
une nouvelle information alors que Roes et al. (2008) utilise des coefficients qui sont fixes. L’an-
giographie des coronaires est généralement réalisée en respiration libre, donc les variations
d’intervalle RR sont différentes de celles en apnée. Ceci implique également des contraintes
différentes sur le temps d’acquisition. Le lecteur peut remarquer que notre algorithme est com-
patible avec la respiration libre puisque les signaux de respiration sont pris en compte dans la
modélisation des variations des intervalles RR. Par conséquent, une prédiction à un pas avec
notre algorithme et un trigger delay adaptatif peuvent être appliqués à l’angiographie des co-
ronaires. Les signaux respiratoires peuvent être acquis avec des ceintures respiratoires, comme
nous l’avons fait, mais pourraient très bien être acquis avec un écho-navigateur diaphragma-
tique. La technique d’acquisition adaptative que nous avons proposée pourrait très bien être
utilisée pour faire des acquisitions en FSE sang noir en respiration libre en utilisant un algo-
rithme de reconstruction incluant les corrections de mouvement, comme par exemple GRICS
(Odille et al., 2008b). Nous en reparlerons à la section 3.4.

119
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.18: Images du volontaire 8 et 9 avec des annotations sur l’épaisseur du ventricule droit. Images
en télésystole (a) et en mésodiastole (d) extraites de la ciné. (b) est l’image acquise avec la méthode du
délai fixe (RM SE = 32.5 ms) et (c) celle acquise avec la méthode adaptative (RM SE = 8.2 ms).
(e) a été acquise avec la méthode clinique standard. (b,c,e) ont été acquises avec TE = 30 ms. (b) est
un exemple d’acquisition avec la méthode du délai fixe qui donne une qualité d’image sous-optimale par
rapport à (c). Ces images n’ont pas été considérées comme étant en télésystole. (Zb, Zc, Ze) sont des
images zoomées sur les carrés que l’on peut voir sur les images (b,c,e), respectivement. Les mesures
d’épaisseur du ventricule droit sont notées sur (Zc) et (Ze). Extrait de (Fernandez et al., 2010a).

L’algorithme de prédiction utilisé dans ce travail est basé sur le filtrage de Kalman, qui est
une technique robuste et bien connue. Une autre étude a proposé un algorithme de prédiction
utilisant un réseau de neurones (Buehrer et al., 2005) pour créer un trigger delay adaptatif pour
l’angiographie des coronaires en respiration libre. Puisque les réseaux de neurones sont des

120
 3.2 Sang noir en télésystole

modèles d’apprentissage supervisés, l’apprentissage était dans ce cas fait en utilisant tous les
intervalles RR enregistrés pendant la phase de préparation de l’écho-navigateur, soit environ
30 s. Par conséquent, cette méthode n’est pas directement utilisable pour notre application des
images en sang noir en télésystole. Cependant, on peut toujours imaginer entraîner le modèle
pendant une première apnée et appliquer ensuite le modèle ainsi entraîné dans une deuxième
acquisition. Ceci aura pour conséquence d’augmenter la durée de l’examen. Rappelons que
notre algorithme converge en 2 ou 3 RR, ce qui est très bien adapté aux acquisitions en apnée.
Tout se passe comme si l’apprentissage et l’utilisation du modèle étaient faits en une seule
étape. D’un autre coté, si on converge rapidement on peut également diverger rapidement, ce
qui arrive lorsque des erreurs sont faites sur la détection des ondes R. Ceci est le prix à payer
pour converger rapidement grâce à, ou à cause de, la grande confiance accordée aux mesures
via le bruit de mesure vn . Une alternative intéressante serait de prédire les intervalles RR en
utilisant une approche mixte : un réseau de neurones tel qu’un perceptron multicouche et du
filtrage Bayésien ou de Kalman pour estimer de façon temps réel les paramètres du perceptron
(Haykin, 2001, Thodberg, 1996).

La modélisation des variations des intervalles RR utilisée dans ces travaux a plusieurs avan-
tages. Sa formulation linéaire est bien adaptée au filtrage de Kalman, elle est valable pour tout
le monde en apnée et en respiration libre. De plus cette modélisation pourrait être adaptée à
chaque sujet ou patient en ajoutant quelques paramètres de réglage à déterminer en fonction
de la physiologie de chaque patient. Ce point particulier nécessite de plus amples recherches
en apnée et en respiration libre sur une importante population de sujets sains et de patients
ayant des maladies cardiaques.

Dans la littérature, beaucoup de modèles cardiaques ont été proposés. La plupart de ces
modèles donnent la durée de l’intervalle QT en fonction de l’intervalle RR (Ashman, 1942,
Malfatto et al., 2003). Tous ces modèles sont utilisables pour faire de l’imagerie sang noir en
télésystole. Des analyses complémentaires ont montré que des paramètres de réglage seraient
utiles pour adapter le modèle cardiaque au sujet étudié selon son âge, son genre et la présence
d’une maladie cardiaque potentielle (Ashman, 1942).

Pour éviter de faire l’hypothèse simplifiée que les cycles cardiaques sont reproductibles,
nous avons choisi d’utiliser une prédiction à deux pas mais d’autres possibilités existent. Par
exemple, une solution acceptable serait d’utiliser une prédiction à un pas et un modèle car-
diaque de l’intervalle RT, adapté aux spécificités de chaque patient, de la forme :
 
∆n − ∆
b min
RTn+1 = f (∆n ) = RTdmax   (3.12)
Kb + ∆n − ∆ b min

(Liu et Wright, 2006). Ce dernier modèle a été initialement proposé pour adapter le trigger
delay dans le cas des angiographies des coronaires par IRM. Malheureusement, ce modèle re-
quiert plusieurs paramètres, tels que RTmax , qui ne sont généralement pas disponibles avec
les IRM actuelles et donc nécessiteraient un enregistrement ECG supplémentaire. On pourrait
également intégrer un tel modèle dans le cadre d’un filtre de Kalman avec une prédiction à
un pas et ajuster le modèle de façon adaptative. Le modèle cardiaque utilisé dans ce travail a
l’avantage d’être une fonction linéaire de l’intervalle RR mais ne s’adapte pas à chaque per-
sonne (seulement au sexe du sujet examiné). Par conséquent, une amélioration possible serait
d’utiliser un modèle cardiaque adapté à chaque patient, comme celui proposé par Liu et Wright
(2006), et de l’intégrer dans le cadre fixé par le filtrage de Kalman. Une acquisition ECG supplé-
mentaire pourrait être effectuée dans ou en dehors de l’IRM afin de calculer ou d’initialiser les
paramètres de ce type de modèle cardiaque. Afin de montrer les différences entre quelques-uns
des différents modèles cardiaques, trois d’entre eux sont affichés à la figure 3.19.

121
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.19: Différents modèles cardiaques. Ces modèles cardiaques sont tous valables pour les hommes
âgés de plus de 45 ans. En bleu le modèle QT utilisé par Roes et al. (2008), initalement mesuré par
Ashman (1942). En noir le modèle de Weissler et al. (1968) qui donne QB2 utilisé dans ce travail et en
rouge le traditionel modèle QT de Bazett (1920) que l’on retrouve avec une explication historique dans
(Cobos Gil et Rubira, 2008).

Nous avons fait le choix d’acquérir toutes nos coupes en petit axe dans le but de voir les
deux ventricules puisque notre étude n’était pas focalisée sur un ventricule spécifique. Cepen-
dant, les résultats d’une étude assez récente Berkowitz et al. (2009) suggère de faire des coupes
axiales au milieu des ventricules afin de mieux voir les parois de ce ventricule. La méthode
que nous avons proposée n’a pas été testée en axial mais la définition du ventricule droit en
axial pourrait être améliorée en faisant l’acquisition en télésystole puisque la paroi est plus
épaisse comme nous l’avons montré. Dans les travaux que nous avons présentés, le même
modèle cardiaque a été utilisé pour les deux ventricules avec l’hypothèse sous-jacente que les
deux ventricules ont les mêmes périodes de repos. Puisque chaque ventricule peut avoir des
périodes de repos un peu différentes, il pourrait être intéressant d’avoir un modèle cardiaque
pour chaque ventricule afin de les observer séparément selon la pathologie recherchée.

Une limitation potentielle de la méthode proposée provient du fait que la préparation DIR
est appliquée pendant la diastole et que l’acquisition des données avec la FSE est faite en télé-
systole. Par conséquent, le coeur est dans deux positions différentes ce qui peut potentiellement
amener des pertes de signal. Pour minimiser ces effets, l’épaisseur de réinversion de la prépa-
ration DIR est trois fois plus large que l’épaisseur de coupe. Des pertes toujours remarquables
persistent parfois comme dans le cas du ventricule gauche de la figure 3.15-c. L’épaisseur de
réinversion était de 18 mm mais aucune optimisation n’a été faite pendant cette étude. Élargir
l’épaisseur de réinversion nous permettrait d’éviter ces pertes mais une épaisseur de réinver-
sion trop large pourrait amener une non-annulation partielle du signal du sang. Ce problème
particulier requiert de plus amples recherches. Une alternative intéressante serait d’utiliser le
suivi de la position de la coupe d’intérêt entre préparation et acquisition proposé par Keegan
et al. (2006). Cette méthode requiert l’acquisition de deux séquences de type ciné avec des im-
pulsions RF de marquage "magnétique" afin de pouvoir suivre le plan de coupe au cours du

122
 3.2 Sang noir en télésystole

cycle cardiaque. Ces acquisitions additionnelles allongeraient la durée de l’examen mais per-
mettraient d’améliorer la qualité-image. Une autre solution consisterait à utiliser une méthode
de suivi d’organe à partir des signaux physiologiques (Fernandez et al., 2008a,c) mais nécessi-
terait également une étape de calibration (ces travaux sont présentés au chapitre 4).

L’imagerie parallèle telle que SENSE6 (Pruessmann et al., 1999) n’a pas été utilisée dans cette
étude, mais on pourrait y trouver différents bénéfices. Le premier, comme suggéré par Pruess-
mann et al. (1999) serait l’acquisition de données sous-échantillonnées afin de réduire la durée
de l’acquisition ou d’augmenter la résolution spatiale. Le sous-échantillonnage pourrait aussi
être utilisé pour réduire la longueur des trains d’échos afin de s’assurer que les trains d’échos
sont plus courts que la télésystole sans augmenter la durée de l’acquisition. Le second bénéfice
serait d’acquérir toutes les données et de supprimer rétrospectivement les données qui n’ont
pas été acquises au bon moment. Pour ce faire on pourrait utiliser une méthode décrite par
Odille et al. (2007c) pour les acquisitions segmentées (comme les FSE) en IRM cardiaque.

La longueur du train d’échos utilisé était relativement restreinte (16) et la bande passante
de lecture utilisée était assez grande afin d’avoir une fenêtre d’acquisition (durée totale de
train d’échos) de 85 ms, ce qui peut quand même être plus long que la télésystole de certains
volontaires. Une méthode automatique rapide et précise pour déterminer la longueur de la té-
lésystole pourrait être développée afin d’adapter les paramètres d’acquisition de la séquence
à la durée des périodes de repos de chaque patient. Pour ce faire, on pourrait s’inspirer d’une
méthode rapide pour déterminer les périodes de repos des coronaires pour l’angiographie déjà
proposée (Jahnke et al., 2005).

L’autre avantage de la méthode présentée que nous n’avons pas développé est qu’elle per-
met de découpler le temps d’inversion TI et le trigger delay TD . Ce découplage est indispen-
sable pour faire de l’imagerie cardique en sang noir mais on pourrait très bien utiliser ce même
schéma pour adapter à la fois le temps d’inversion et le trigger delay aux variations d’inter-
valle RR. Pour ce faire, il faudrait trouver une solution pour mesurer rapidement le T1 du sang
circulant afin de pouvoir estimer de façon récursive le temps d’inversion optimal qui nous
permettrait d’annuler parfaitement le signal du sang. Ce découplage pourrait aussi être utilisé
dans le même but mais aussi pour améliorer l’imagerie en mésodiastole.

Dans ces travaux, rappelons que notre hypothèse était que la paroi du ventricule droit est
plus épaisse en télésystole. Pour montrer que notre hypothèse de base était parfaitement juste,
nous avons donc mesuré l’épaisseur de cette paroi en mésodiastole et en télésystole et nous
avons trouvé une différence statistiquement significative. Malheureusement, nous n’avons pas
pu comparer ces données aux résultats d’autres études puisque, apparemment, de telles me-
sures n’ont jamais été faites in vivo auparavant. En anatomie, l’épaisseur du ventricule droit
n’est pas une donnée anatomique facile à trouver. Plusieurs études ont quand même cherché à
mesurer le poids du coeur, l’épaisseur des ventricules et la circonférence des valves sur 765 per-
sonnes, de 0 à 99 ans, autopsiées sans anomalie cardiaque connue (Kitzman et al., 1988, Scholz
et al., 1988). Ainsi, Kitzman et al. (1988) nous rapporte une épaisseur de 3.8 ± 0.9 mm pour la
paroi libre du ventricule droit. Ces mesures sont assez concordantes avec ce que nous avons
mesuré et il se trouve que les valeurs données par Kitzman et al. (1988) sont entre les valeurs
que nous avons mesurées en télésystole (4.48 ± 1.17 mm) et en mésodiastole (2.45 ± 0.63 mm).
Cependant, étant donné qu’il s’agit de mesures faites par autopsie, il est difficile d’affirmer
dans quelle phase cardiaque se trouve le coeur mais il semblerait que le cœur s’arrête lorsqu’il
est contracté, donc en télésystole. D’autres études avec autopsie ont rapporté des valeurs simi-
laires 3.9 mm (Reiner et al., 1959) et 4 mm (Eckner et al., 1969, Hutchins et Anaya, 1973).

La méthode adaptative a également été utilisée pour avec des séquences ciné de type FIESTA
6
SENSitivity Encoding

123
CHAPITRE 3. ADAPTATIONS TEMPORELLES

(bSSFP) pour vérifier la précision de notre algorithme par rapport aux volumes cardiaques
(Bonnemains et al., 2009), c’est-à-dire si notre algorithme prédit bien la télésystole. Puisque
pour les mesures de la fonction cardiaque, il est nécéssaire d’avoir une image en télésystole
et une image en télédiastole, l’idée était de synchoniser l’IRM avec le début de la télésystole
ou le début de la télédiastole. De cette manière, la première image de la série ciné doit être la
télésystole ou la télédiastole. Pour la télédiastole, nous avons simplement utilisé le filtre de Kal-
man pour faire une prédiction à un pas et considéré que la télédiastole devait avoir lieu 40 ms
avant la prochaine onde R prédite. Les séquences ciné standard, puis avec la synchonisation
sur la télésystole et la télédiastole, ont été réalisées sur 12 volontaires sains. Les résultats de
cette étude montrent que nos algorithmes de prédiction n’introduisent pas de biais significatif
sur la mesure des volumes des ventricules gauche et droit et celle de la fraction d’éjection. Ceci
nous indique d’une autre façon que nous arrivons bien à prédire le début de la télésystole, ce
qui est en concordance avec les résultats déjà présentés.

3.2.7 Conclusion
Les résultats présentés dans cette contribution montrent que la gestion du temps pour faire
l’acquisition d’images morphologiques du coeur en télésystole est un problème majeur. A par-
tir d’un algorithme de prédiction adaptatif et d’un modèle du cycle cardiaque, une méthode
adaptative a été proposée et comparée à une alternative simple qui utilise un délai fixe. Les
résultats montrent que la méthode adaptative est plus robuste et plus fiable que la méthode
du délai fixe. Nous avons également démontré l’intérêt potentiel de l’imagerie en télésystole
pour améliorer la définition des parois du ventricule droit et, en particulier, la paroi libre. Les
FSE sang noir en télésystole avec la méthode adaptative pourraient donner des informations
additionnelles à celles données par l’imagerie sang noir en mésodiastole. Une étude sur une
importante population de patients doit être mise en place afin de démontrer l’intérêt diagnos-
tique de la méthode proposée.

Le découplage entre TI et TD est un premier pas vers l’imagerie adaptative et ouvre la

voie vers de nouvelles méthodes d’imagerie adaptative qui permettront de prendre en compte
toutes les spécificités de chaque patient.

3.3 Applications : mesure du T2

Grâce à la nouvelle méthode adaptative que nous venons de présenter, nous allons pouvoir
imager de façon systématique le coeur dans ces deux périodes de repos. Ces mesures systéma-
tiques sur le cœur en télésystole et en mésodiastole avec une séquence de type DIR-FSE vont
nous permettre de mesurer et comparer le T2 du ventricule gauche en systole et en diastole
pour voir s’il existe des différences mesurables. De plus, comme nous avons montré que la mé-
thode adaptative permettait d’améliorer l’imagerie du ventricule droit, nous allons mesurer le
T2 du ventricule droit in vivo et comparer ces valeurs au T2 du ventricule gauche.

3.3.1 Rappels sur la mesure de T2 et interface graphique

Dans un premier temps, commençons par rappeler le principe de la mesure de T2 . La
meilleure façon de mesurer le T2 est d’utiliser une séquence d’écho de spin avec une impul-
sion non sélective d’exictation de 90◦ et une impulsion non sélective de refocalisation de 180◦ .
Afin d’éviter les problèmes liés à la repousse du T1 , le mieux est d’utiliser un TR trés supérieur
au T1 de l’échantillon (5 fois le T1 ou plus). Dans ces conditions, l’équation (1.47) du signal de
spin écho se réduit à :  
TE
S(TE ) = S0 exp − . (3.13)
T2

124
 3.3 Applications : mesure du T2

Afin de décrire cette décroissance en T2 , il suffira répéter l’acquisition à l’identique en chan-

geant seulement le TE . Ensuite, grâce à une méthode d’ajustement non linéaire comme l’al-
gorithme de Levenberg-Marquard, on fait une régression exponentielle à deux paramètres in-
connus S0 et T2 . Ceci pour extraire le paramètre qui nous intéresse T2 . Un exemple de mesure
de T2 sur des données générées en similation est donné à la figure 3.20. En pratique, puisque
nous nous intéressons à la mesure du T2 du coeur en apnée, nous ne ferons pas les mesures en
spin echo parce que l’apnée serait trop longue. Par conséquent, nous utiliserons une séquence
DIR-FSE synchronisée à l’ECG. Une fois tous les paramètres de la séquence fixés, nous ferons
simplement varier le TE effectif. L’utilisation de la synchronisation cardiaque aura pour effet
que le TR sera relativement court par rapport au T1 du coeur. De plus, le TR sera relativement
variable à cause des variations de cycle cardiaque ce qui engendrera des variations des signaux
mesurés comme le fait apparaître l’équation (1.47). On voit bien que, dans la pratique, on est
assez loin des conditions idéales pour mesurer un T2 .

F IG . 3.20: Exemple de mesure de T2 sur des données faites en simulation avec T2 = 50 ms et S0 =

100. A droite le cas idéal et à gauche les données corrompues par un bruit Ricien. Dans les deux cas
l’algorithme de régression de Levenberg-Marquard a été utilisé. On peut remarquer l’influence du bruit
de faible puissance (σ = 10) sur les mesures de T2 .

Afin de mesurer le T2 sur les images acquises, nous avons créé une interface graphique sous
Matlab (The MathWorks Inc., Natick, MA, USA) que nous nommerons guiT2 7 (figure 3.21).
Cette interface a été créée de façon à être la plus flexible possible. Ainsi, cette interface per-
met de charger directement les images depuis ArchiMed8 , d’afficher les images, de régler les
contrastes et de calculer le T2 sur une région d’intérêt donnée et des cartes de T2 .

Pour les mesures de T2 sur le ventricule gauche, nous avons utilisé le découpage en 6 seg-
ments recommandé par l’"American Heart Association" pour les coupes au milieu des ventri-
cules (Cerqueira et al., 2002). Comme nous pouvons le constater sur la figure 3.22, le repère
permettant de découper le ventricule gauche en 6 segments est la jonction supérieure entre les
ventricules gauche et droit lorsque que l’on se place en petit axe cardiaque. Par conséquent,
nous avons inclus une rotation globale de toutes les images afin de les placer dans l’orienta-
tion souhaitée pour que le découpage automatique du ventricule puisse se faire correctement
et que les segments ainsi découpés puissent être comparables d’un sujet à un autre. Puisque
les acquisitions pour mesurer le T2 seront faites en plusieurs apnées, nous avons également
inclus la possibilité de recaler les images par translations et rotations à partir de repères dé-
finis par l’utilisateur. L’utilisateur a également la possibilité de déplacer et modifier les ROI
7
Ce travail a fait l’objet du stage de Lucien Hammen (2e année, PHELMA, Grenoble).
8
ArchiMed est un logiciel de stockage et d’archivage des images Dicom, des rawdata GE et des fichiers PXI
enregistrés par le SAEC. Ce logiciel a été créé au laboratoire. L’avantage de ce logiciel est qu’il permet de lier
facilement et automatiquement les images Dicom, les rawdata et les PXI.

125
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.21: Interface graphique guiT2 permettant la mesure du T2 .

indépendamment sur chaque image et autant qu’il le souhaite.

3.3.2 T2 du ventricule gauche en systole et diastole

Dans cette partie, nous allons comparer le T2 du ventricule gauche en télésystole et en mé-
sodiastole pour voir si l’on peut mesurer des différences notables de cette grandeur.

3.3.2.1 Matériels et méthodes

Pour comparer les T2 , 14 volontaires sains ont passé un examen d’IRM cardiaque en respec-
tant les règles fixées par le comité de protection des personnes. Il s’agit des mêmes volontaires
et des mêmes images qui nous ont servi à évaluer la méthode adaptative pour faire l’acquisi-
tion des images en sang noir en télésystole. Pour les mesures de T2 , une séquence de DIR-FSE
a été utilisée avec les paramètres donnés par le tableau 3.7. Pour les mesures en mésodiastole,
nous avons utilisé la méthode standard clinique et pour les mesures en télésystole nous avons
utilisé la méthode adaptative.

Les ROI ont été réalisées par un expert. Les ROI ont été tracées sur le ventricule gauche sur
les images en télésystole et les images en mésodiastole. Les images ont été au préalable repla-
cées dans la bonne orientation de telle sorte que chaque segment du coeur se corresponde bien
en télésystole et en mésodiastole et également entre les différents volontaires. Les mesures de
T2 ont été faites sur les 6 segments et sur l’ensemble du ventricule.

126
 3.3 Applications : mesure du T2

F IG . 3.22: Définition standardisée des différents segments du coeur. Extrait de Cerqueira et al. (2002).

Paramètre Valeur
TE de 10 à 70 ms
TR 1RR si HR < 85 bpm
et 2RR sinon
Épaisseur 6 mm
Bande Passante 125 kHz
Refocalisation 155◦
Phase Ny 256
Fréquence Nx 256
ETL 16
TI 500 ms
Épaisseur DIR 18 mm

TAB . 3.7: Paramètres de la séquence DIR-FSE pour la mesure de T2 en télésystole et en mésodiastole.

Au niveau analyse statistique, nous avons d’abord considéré les T2 mesurés sur l’ensemble
du ventricule gauche en télésystole et en mésodiastole. Dans un premier temps, nous avons
fait un test de Kolmogorov-Smirnov pour déterminer si l’on peut considérer que les mesures
suivent une loi normale. Selon le résultat de ce test, nous utilisons ensuite soit le test de Student
apparié s’il est possible de considérer que nos échantillons suivent une loi normale, soit le test
de Wilcoxon apparié dans le cas contraire. Ces tests sont faits entre les mesures réalisées en
télésystole et les mesures faites en mésodiastole.

Dans un second temps, nous avons considéré les données provenant de chaque segment in-
dépendamment. Comme précédemment, nous avons effectué un test de Kolmogorov-Smirnov
pour déterminer si ces mesures suivent une distribution normale. Comme dans le cas où nous
avons considéré le ventricule gauche dans son ensemble, selon le résultat de ce premier test,
nous utilisons soit le test de Student apparié soit le test de Wilcoxon apparié entre les mesures
faites en télésystole et les mesures faites en mésodiastole.

Dans tous les cas, pour l’ajustement T2 nous avons utilisé un modèle exponentiel comme dé-

127
CHAPITRE 3. ADAPTATIONS TEMPORELLES

crit par l’équation (3.13). Nous avons utilisé l’algorithme bien connu de Levenberg-Marquard
pour faire l’ajustement disponible dans la toolbox "Curve Fitting" de Matlab.

Comme la paroi du ventricule gauche est beaucoup plus épaisse en télésystole, nous espé-
rons également pouvoir améliorer les régressions exponentielles en utilisant les données faites
en télésystole. Par conséquent, nous allons voir si les coefficients de détermination (R2 ) entre les
régressions faites sur les données en télésystole et les données en mésodiastole sont meilleurs.
Nous utiliserons les mêmes tests statistiques pour analyser ces données.

3.3.2.2 Résultats
Lorsque l’on considère l’ensemble du ventricule gauche, on trouve un T2 de 53.56 ± 4.12
ms en télésystole et de 53.85 ± 2.9 ms en mésodiastole. Les résultats des tests de Kolmogorov-
Smirnoff sur ces données ne nous ont pas permis de rejeter l’hypothèse que ces données suivent
une loi normale (P = 0.89 pour les données en télésystole et P = 0.88 pour les données en mé-
sodiastole). Le test de Student apparié nous indique qu’il n’y a pas de différence statistique
mesurable entre le T2 mesuré sur l’ensemble du ventricule en télésystole et en mésodiastole
(P = 0.85). L’ensemble de ces mesures est récapitulé dans le tableau 3.8.

Numéro T2 (ms) T2 (ms)

Volontaire Télésystole Mésodiastole
1 56.576 56.415
2 53.465 51.18
3 54.724 56.99
4 59.222 51.735
5 57.482 53.967
6 55.816 51.086
7 51.841 51.024
8 43.966 54.721
9 51.406 56.697
10 49.824 50.047
11 57.169 53.831
12 50.017 59.581
13 54.724 52.784
m±σ 53.56 ± 4.12 53.85 ± 2.9

TAB . 3.8: Mesure de T2 faites pour l’ensemble du ventricule gauche sur les 13 volontaires en télésystole
et en mésodiastole. m ± σ signifie moyenne ± écart-type.

Pour les mesures faites sur les 6 segments du ventricule gauche, comme indiqué sur la
figure 3.22 et le numéro de chaque segment est indiqué sur la figure 3.21, les résultats des tests
de Kolmogorov-Smirnov sont donnés par la table 3.9. Comme précédemment, tous ces tests
ne montrent rien de significatif et l’hypothèse de normalité des données ne peut donc pas être
rejetée.

Le test de Student a ensuite été fait sur les données provenant des 6 segments. Le résultat
de ces tests est donné au tableau 3.10. Une fois de plus, les tests nous montrent qu’il n’y a pas
de différence significative entre les mesures de T2 faites en télésystole et celle faites en méso-
diastole.

Afin d’illustrer et de mieux visualiser ces résultats, la moyenne et l’écart-type des mesures
sur chaque segment sont donnés à la figure 3.23. De la même façon, la moyenne et l’écart-type
des mesures sur les 6 segments sont donnés par volontaire à la figure 3.24.

128
 3.3 Applications : mesure du T2

Télésystole Mésodiastole
T2 (ms) P R2 T2 (ms) P R2
Segment 1 50.28 ± 5.14 0.34 0.96 ± 0.059 54.44 ± 6.55 0.83 0.96 ± 0.044
Segment 2 52.09 ± 3.73 0.73 0.97 ± 0.038 55.26 ± 5.59 0.55 0.97 ± 0.049
Segment 3 56.63 ± 5.71 0.65 0.96 ± 0.038 56.20 ± 3.95 0.33 0.97 ± 0.032
Segment 4 53.81 ± 6.02 0.74 0.96 ± 0.027 51.96 ± 5.89 0.99 0.94 ± 0.054
Segment 5 53.38 ± 5.37 0.82 0.96 ± 0.026 51.76 ± 3.14 0.74 0.94 ± 0.061
Segment 6 54.28 ± 5.82 0.69 0.96 ± 0.054 51.98 ± 4.39 0.95 0.96 ± 0.032

TAB . 3.9: Résultats des tests de Kolmogorov-Smirnov (noté P dans la table) et les mesures de T2 prove-
nant des 6 segments du ventricule gauche en télésystole et en mésodiastole.

P
Segment 1 0.12
Segment 2 0.19
Segment 3 0.79
Segment 4 0.40
Segment 5 0.28
Segment 6 0.33

TAB . 3.10: Résultats des tests de Student apparié (noté P dans la table) entre les données des 6 segments
du ventricule gauche en télésystole et en mésodiastole.

Les coefficients de détermination sur l’ensemble des 6 segments étaient de 0.9635 ± 0.041
pour les régressions faites sur les données en télésystole et de 0.9619 ± 0.046 pour les régres-
sions faites sur les données en mésodiastole. De la même façon, si l’on considère les coefficients
de détermination sur l’ensemble du ventricule gauche on obtient 0.9712±0.039 en télésystole et
0.9725 ± 0.035 en mésodiastole. Les test de Kolmogarov-Smirnov nous indiquent que l’on peut
rejeter l’hypothèse de normalité des données dans les deux cas (P < 0.001). Par conséquent,
nous avons utilisé le test des rangs signés de Wilcoxon qui nous indique qu’il n’y a pas de
différence significative entre les deux distributions (P = 0.63 pour les données de chaque seg-
ment et P = 0.45 pour les données provenant de l’ensemble du ventricule gauche). Nous avons
représenté les R2 par segment cardiaque et par patient aux figures 3.25 et 3.24, respectivement.

3.3.2.3 Discussion
Les résultats des mesures que nous avons présentés ne nous ont pas permis de mettre en
évidence des différences significatives de T2 entre la télésystole et la mésodiastole. Les mesures
de T2 , ainsi que d’autres grandeurs physiques mesurables en IRM, sont reconnues pour aider à
la compréhension de la dynamique des molécules d’eau dans les tissus biologiques. Les temps
de relaxation transversale de ces tissus dépendent de leur environnement physique et chimique
(Stanisz et al., 2005). Par conséquent, nous espérions mettre en évidence des différences de T2
à cause de la contraction et du changement d’environnement physique des molécules d’eau
présentes dans le myocarde. Ainsi, l’élévation du T2 a été démontrée lorsqu’un muscle squelet-
tique (le biceps) est contracté de façon passive (Rump et al., 2006) ou lorsqu’il est stimulé après
un exercice (Adams et al., 1992). Il a également été démontré que cette élévation de T2 était liée
à une élévation du coefficient apparent de diffusion (Ababneh et al., 2008). Cette étude pourrait
servir d’étude préliminaire pour déterminer le nombre de volontaires qu’il faudrait pour une
autre étude plus vaste afin de mettre en évidence une différence si elle existe. S’il n’existe pas
de différence, la méthode adaptative pourrait être utilisée pour mesurer le T2 dans les cas où la
plus longue période de repos du coeur est la télésystole. Ainsi, la mesure du T2 pourrait se faire
dans la plus longue des deux périodes de repos si les deux façons de mesurer le T2 donnent
des résultats comparables comme peut en attester le diagramme de Bland et Altmann à la fi-

129
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.23: Moyenne et écart-type des mesures de T2 pour chaque segment.

gure 3.27 dans le cas des volontaires sains. Il faudrait également étendre cette étude au cas des
patients pour lesquels la mesure de T2 s’avère utile (Marie et al., 2001).

Cependant, les valeurs de T2 mesurées sont parfaitement cohérentes avec les résultats que
l’on trouve dans la littérature lorsque le même type de séquences est utilisé. Marie et al. (2001)
nous donne 50 ± 6 ms sur des coeurs transplantés sans rejet ce qui, on peut le supposer, doit
être proche de la valeur que l’on obtiendrait sur une population saine. On peut noter que cette
étude a été faite à 0.5 T. Cobb et Paschal (2009) ont mesuré à 3 T un T2 sur volontaires sains des
58.8 ± 7.7 ms. On peut également citer He et al. (2006) qui ont mesuré un T2 sur 10 volontaires
de 56.9 ± 8.4 ms. Dans cette dernière étude, le T2 a été mesuré sur le septum interventriculaire
au milieu des ventricules ce qui correspond aux segments 2 et 3 dans notre cas. Une autre étude
trouve un T2 de 40±6 ms (Stanisz et al., 2005) mais cette étude n’a pas été faite in vivo, elle utilise
une séquence différente de type CPMG avec 6000 échos et un modèle multi-exponentiel. Ainsi,
le T2 donné dans cette étude est le T2 moyen qui n’est pas forcément le même que celui que l’on
mesure avec un modèle de type mono-exponentiel. On peut également noter que la qualité des
régressions est plutôt bonne avec des coefficients de détermination élevés (R2 = 0.97 ± 0.039
en télésystole et R2 = 0.97 ± 0.035 en mésodiastole lorsque l’on considère le ventricule dans
son ensemble) comme peuvent en témoigner les cartes données à la figure 3.28.

Il faut aussi noter que pour certains volontaires, tels que 8, 9 et 12, le TR était excessive-
ment variable du fait que le SAEC ne gérait que la synchronisation tous les RR et pas tous les
deux ou trois cycles cardiaques, ce qui nous aurait été utile. Effectivement, dans ces cas là, si
le début d’un cycle cardiaque commence avant que l’IRM ne soit prête à lancer une nouvelle
acquisition, la séquence ne sera pas lancée et sera seulement lancée au cycle cardiaque suivant.
Ceci peut créer de grosses variations de signal à cause de la repousse T1 . Par conséquent, l’ai-

130
 3.3 Applications : mesure du T2

F IG . 3.24: Moyenne et écart-type des T2 sur les 6 segments pour chaque patient.

mantation résiduelle n’est pas la même à chaque TR . La qualité des images peut être très bonne
(voir les figures 3.15, 3.16 et 3.17 par exemple). Ce phénomène explique pourquoi les R2 sont
particulièrement mauvais pour les volontaires 9 et 12 sur la figure 3.26. Nous discuterons de
ces problèmes de façon plus approfondie dans la section 3.3.4.

Comme la méthode adaptative nous permet une bonne visualisation du ventricule droit,
nous allons mesurer le T2 du ventricule droit et comparer ces résultats aux mesures faites sur
le ventricule gauche.

131
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.25: Moyenne et écart-type des coefficients de détermination R2 pour chaque segment du coeur.

F IG . 3.26: Moyenne et écart-type des coefficients de détermination R2 pour chaque patient.

132
 3.3 Applications : mesure du T2

F IG . 3.27: Diagramme de Bland et Altmann des mesures de T2 faites en télésystole et en mésodiastole.

Les points en dehors de l’intervalle de confiance à 95% correspond aux volontaires 9 et 12, volontaires
pour lesquels nous avions les plus mauvais coefficients de détermination à cause des variations de TR .

F IG . 3.28: Exemples de cartes de T2 (ms) et de R2 du volontaire 10 en télésystole et en mésodiastole.

133
CHAPITRE 3. ADAPTATIONS TEMPORELLES

3.3.3 T2 du ventricule droit

3.3.3.1 Matériels et méthodes
Les images utilisées pour faire ces mesures sont les images acquises avec la méthode adap-
tative avec les mêmes volontaires. Pour mesurer le T2 sur le ventricule droit, nous avons utilisé
le même logiciel et les mêmes algorithmes que pour le ventricule gauche. Contrairement au
ventricule gauche, il n’existe pas, à notre connaissance, de découpage normalisé sur le ventri-
cule droit. Nous avons donc choisi de faire une seule ROI sur la paroi inférieure du ventricule
droit. Un exemple de ROI est donné à la figure 3.29. Ces mesures de T2 seront ensuite com-
parées aux mesures de T2 sur l’ensemble du ventricule gauche. Comme précédemment, nous
vérifierons la normalité de la distribution des mesures de T2 sur le ventricule droit grâce au
test de Kolmogorov-Smirnoff. Finalement, nous utiliserons soit le test de Student apparié soit
le test de Wilcoxon apparié selon le résultat du précédent test afin de voir si des différences
significatives peuvent être mises en évidence.

F IG . 3.29: Exemple de ROI sur la paroi inférieure du ventricule droit du volontaire 8.

3.3.3.2 Résultats
Les volontaires numéro 4 et 12 ont été supprimés de l’analyse car la paroi du ventricule
droit était trop fine et, par conséquent, nous n’arrivions pas à placer la ROI correctement. Les
mesures de T2 sur le ventricule droit était de 63.97 ± 5.26 ms. Les mesures pour chaque patient
sont données à la table 3.11. Pour le T2 du ventricule gauche, lorsque l’on enlève les deux pa-
tients supprimés pour cette analyse, on obtient : 53.363 ± 3.98 ms.

Le test de Kolmogorov-Smirnoff nous indique que l’on ne peut pas rejeter l’hypothèse de
normalité des mesures de T2 sur le ventricule droit (P = 0.95). Par conséquent, nous avons
utilisé de t-test de Student apparié entre les données T2 des ventricules gauche et droit. Ce
test nous indique que ces mesures de T2 sont significativement différentes (P < 0.001). On
peut remarquer que les coefficients de détermination sont plutôt bons dans l’ensemble (R2 =
0.96 ± 0.03). Un exemple de carte de T 2 est donné à la figure 3.30. Un exemple d’ajustement T2
sur des données provenant d’un ventricule droit est donné à la figure 3.31.

134
 3.3 Applications : mesure du T2

Numéro T2 (ms) R2
Volontaire
1 68.052 0.93646
2 72.787 0.92306
3 68.357 0.98364
4 × ×
5 65.336 0.99392
6 57.733 0.99233
7 55.122 0.95037
8 62.969 0.95241
9 60.625 0.90334
10 64.188 0.98919
11 68.263 0.98708
12 × ×
13 60.243 0.96911
m±σ 63.97 ± 5.26 0.96 ± 0.03

TAB . 3.11: Mesures de T2 sur le paroi inférieure du ventricule droit en télésystole.

F IG . 3.30: Cartes de T2 (ms) et de R2 du volontaire 8. On remarque que les cartes de T2 et de R2 sont

homogènes sur le ventricule droit.

3.3.3.3 Discussion
Ainsi, nous avons montré que grâce à la méthode adaptative nous pouvions mesurer le T2
de la paroi inférieure du ventricule droit, ce qui n’est pas possible avec la méthode clinique
standard en mésodiastole. Les autres résultats intéressants sont que nous avons quantifié pour
la première fois, à notre connaissance bien sûr, le T2 du ventricule droit et nous avons montré
une différence statistiquement significative avec le T2 du ventricule gauche.

Dans la littérature, on trouve assez peu de données donnant la valeur "normale" du T2 du

ventricule droit. Boxt et al. (1993) ont mesuré sur des cœurs humains artifiellement perfusés des
T2 de 54.6 ± 5.8 ms sur les ventricules gauches et de 59.9 ± 5.8 ms sur les ventricules droits ;
ces différences n’étant pas statistiquement significatives (P = 0.1). Cependant, Scholz et al.
(1991) ont trouvé une différence significative entre les T2 des deux ventricules en utilisant 2
échos d’une séquences à 3 échos à 0.47 T sur 14 volontaires sains. Ces mêmes auteurs (Scholz
et al., 1989) ont également montré que le T2 du ventricule gauche était significativement plus
court que celui du ventricule droit sur des cœurs de chien in vitro. Étant donné le manque de
données dans la littérature pour comparer ces résultats, la disparité des techniques de mesure
et le petit nombre de volontaires, il est difficile d’affirmer que les T2 des ventricules gauche et

135
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.31: Exemple d’ajustement T2 sur le ventricule droit du volontaire 10. On remarque que l’ajuste-
ment est de bonne qualité.

droits sont si différents (environ 10 ms de différence en moyenne). Pour bien faire, il faudrait
faire des mesures sur un grand nombre de volontaires pour s’assurer de la véracité de ces
conclusions. Cependant, la différence de T 2 entre les parois des ventricules gauche et droit a
été expliquée par la différence de concentration en hydroxyproline de ces parois (Scholz et al.,
1989), la concentration en hydroxyproline servant d’indicateur du contenu en collagène.
Normalement, ces mesures ne sont pas entachées de bruit ou d’une surestimation du si-
gnal à cause du signal du sang qui serait mal supprimé puisque nos ROI ont été choisies à
l’intérieur de la paroi ventriculaire où le signal mal supprimé du sang circulant ne devrait pas
intervenir. Cependant, il est souvent très difficile de faire la différence entre la paroi inférieure
du ventricule droit qui est très fine, la graisse sous épicardique, le sang mal supprimé et les tra-
béculations. Par conséquent, même si l’on trouve des différences significatives, il faut prendre
ces résultats sur le ventricule droit avec précaution et proposer des solutions pour mesurer le
T2 du ventricule droit en éliminant les sources d’erreur potentielles qui pourraient entacher ces
mesures telles que le sang mal supprimé et la graisse. Il est aussi possible d’utiliser des plans
de coupes différents ce qui nous permettrait de mieux voir le ventricule droit. Berkowitz et al.
(2009) ont proposé d’utiliser le plan axial pour améliorer l’imagerie du ventricule droit, ceci est
peut-être une piste à exploiter.

3.3.4 Limites de cette étude

L’un des problèmes de cette étude est la mauvaise gestion du temps de répétition par le
SAEC. Effectivement, le SAEC ne sait gérer que la synchronisation sur tous les cycles car-
diaques et, il faudrait pouvoir gérer la synchronisation au moins tous les deux cycles car-
diaques. Ceci permettrait un meilleur contraste et éviterait certaines dépendances du signal
acquis par rapport au TR . Un exemple de rythme cardiaque variant entre 80 et 90 bpm est

136
 3.3 Applications : mesure du T2

donné à la figure 3.32. On peut constater que quand un cycle cardiaque devient un peu trop
court, le cycle suivant n’est pas pris en compte pour faire l’acquisition. Sur l’ensemble des vo-
lontaires sains qui ont participé à cette étude, seuls trois ont posé problème à ce niveau là. Il
s’agit des volontaires 8, 9 et 12. Par conséquent, le TR devient beaucoup plus variable que ne le
sont les cycles cardiaques. Une des améliorations qui seront apportées aux prochaines versions
du SAEC sera la prise en charge du trigger tous les n cycles cardiaques.

F IG . 3.32: Exemple d’acquisition faite en télésystole avec la méthode adaptative. Remarquons que plu-
sieurs cycles cardiaques ne sont pas utilisés pour faire les acquisitions à cause du raccourcissement du
cycle cardiaque (ellipse rouge). Ce problème pourrait être réglé simplement en gérant la synchronisation
tous les n cycles cardiaques.

Comme nous l’avons déjà signalé, lorsque les acquisitions sont faites en télésystole, comme
la préparation et l’acquisition sont faites alors que le coeur est dans deux positions différentes,
on peut avoir des pertes de signal. Ceci pourrait être gênant pour les mesures de T2 , mais il est
difficile de déterminer dans quelle mesure.

La séquence utilisée est une FSE avec des impulsions de refocalisation qui ne font pas 180◦ .
Comme nous l’avons signalé à la section 1.3.3, ceci a pour conséquence que les premiers échos
ne sont pas stables (Le Roux, 2002). Par conséquent, le signal obtenu en utilisant ces échos pour
former l’image au TE le plus court est inférieur à ce qu’il devrait être. Pour limiter ces effets,
nous n’avons pas utilisé le temps d’écho le plus court (environ 5 ms qui est égal à l’echo spacing
c’est-à-dire 2τ sur la figure 1.17) mais le deuxième temps d’écho le plus court (c’est-à-dire 4τ
sur la figure 1.17). Il serait intéressant de développer des séquences permettant d’utiliser les
temps d’échos les plus courts en évitant ce problème d’échos instables, ce qui permettrait l’uti-
lisation des temps d’écho courts pour de meilleures estimations de T2 . Il existe déjà quelques
méthodes de stabilisation de ces échos (Alsop, 1997, Le Roux et Hinks, 1993) mais leurs effets
sur la mesure de T2 n’ont pas été vérifiés à notre connaissance.

Évidement, à cette liste de limites de cette étude il faut ajouter toutes les sources d’erreurs
traditionnelles que l’on retrouve pour mesurer les temps de relaxation. On peut citer le pro-
blème du profil de coupe qui n’est pas idéal. Dans notre cas, des impulsions RF faites avec
l’algorithme de Shinnar-Le Roux ont été utilisés afin que le profil de chaque impulsion de la
séquence soit le plus proche possible de l’idéal. On peut également citer les problèmes liés à
l’homogénéité des antennes émettrices et réceptrices (variations spatiales dues à la sensibilité
des antennes, les problèmes de calibration menant à des angles de bascule qui ne seraient pas
ceux que l’on prescrit, etc.), les effets de volume partiel et les effets de Gibbs au niveau des
contours des objets.

3.3.5 Conclusion
La méthode adaptative nous a permis de mesurer le temps de relaxation transversale du
ventricule gauche et du ventricule droit. Les résultats obtenus sur le ventricule gauche ne per-

137
CHAPITRE 3. ADAPTATIONS TEMPORELLES

mettent pas de mettre en évidence des différences de T2 entre les acquisitions en télésystole et
celles en mésodiastole. Cependant, puisque les mesures entre les deux périodes de repos sont
cohérentes entre elles et avec la littérature, on peut considérer que les deux façons de mesurer le
T2 sont équivalentes. La méthode adaptative pourrait être utilisée pour les patients au rythme
cardiaque élevé pour lesquels la télésystole devient plus longue que la mésodiastole. Pour ce
faire, il faudra bien faire attention à la gestion de la synchronisation qui, comme nous l’avons
montré, peut poser beaucoup de problèmes s’il y a d’importantes variations de rythme car-
diaque. Remarquons, que ce problème se pose également avec la méthode DIR-FSE standard.
Un des avantages à faire ces mesures de T2 serait la conséquence de l’épaississement des parois
ventriculaires, ce qui devrait nous permettre d’avoir des estimations plus précises pour chaque
temps d’écho et de meilleures régressions. Bien sûr, dans ce cas, la bonne gestion de la synchro-
nisation est une condition nécessaire. Les mesures de T2 sur la paroi inférieure du ventricule
droit nous ont permis de donner pour la première fois une estimation du T2 du ventricule droit
in vivo. Rappelons que ces mesures sur le ventricule droit doivent être prises avec précaution
étant donné sa faible épaisseur même en télésystole et les autres problèmes que nous avons
évoqués.

3.4 En respiration libre

Dans cette partie, nous allons proposons d’utiliser la méthode adaptative pour l’acquisition
de DIR-FSE en télésystole mais en respiration libre. Ceci nous permettra d’analyser le com-
portement de la méthode adaptative en respiration libre. Afin de reconstruire les images en
respiration libre, qui ont généralement des artefacts de type fantôme, nous allons utiliser la
reconstruction GRICS dont nous avons parlé à la section 2.4.2. Les résultats préliminaires de
cette étude ont été présentés à l’ISMRM (Lohezic et al., 2009a) suivis d’une étude plus poussée
qui n’a pas encore été publiée. Nous ne présenterons que cette deuxième étude.

3.4.1 Matériels et méthodes

3.4.1.1 Protocole IRM
Onze volontaires sains ont subi une IRM cardiaque pour évaluer le comportement de la
méthode adaptative en respiration libre par à rapport l’apnée. La population étudiée était com-
posée de 3 femmes et de 8 hommes âgés en moyenne de 40.64 ± 16.74 ans, pesant en moyenne
68.95 ± 7.5 kg et mesurant en moyenne 1.74 ± 0.1 m. Cette étude a été approuvée par le comité
d’éthique et conduite en respectant les lois locales sur la recherche clinique. Des consentements
éclairés signés ont été obtenus pour chaque volontaire.

Dans cette étude nous avons utilisé une antenne cardiaque clinique standard à 8 éléments.
Dans le but de voir les ventricules gauche et droit, nous avons fait toutes nos coupes en petit
axe cardiaque au milieu des ventricules. Après les traditionnelles séquences de repérage et de
calibration, nous avons fait une acquisition avec une séquence FIESTA ciné afin que vérifier
le bon placement de la coupe et de nous assurer que les images acquises par la suite étaient
bien en télésystole. Les paramètres de cette séquence sont donnés dans le tableau 3.12. Nous
avons ensuite fait une acquisition en télésystole avec une séquence DIR-FSE avec la méthode
adaptative en apnée, six acquisitions en télésystole en respiration libre et une acquisition en res-
piration libre avec un double gating. Les paramètres de ces séquences en apnée et respiration
libre sont récapitulés dans le tableaux 3.13. Avec de tels paramètres d’acquisition, la longueur
des trains d’échos est de 85 ms en apnée et de 40 ms en respiration libre. Les six acquisitions en
respiration libre seront nécessaires à l’algorithme de reconstruction GRICS pour surdéterminer
les systèmes d’équations pour l’estimation de mouvement et la reconstruction généralisée.

Les signaux physiologiques, le calcul de la prédiction, le trigger delay adaptatif et le déclen-

chement de la séquence sont gérés par le SAEC. Nous avons utilisé deux capteurs ECG de 3

138
 3.4 En respiration libre

Paramètre Valeur
TE 1.632 ms
TR 3.757 ms
Épaisseur 8 mm
Bande Passante 250 kHz
Angle 45◦
Phase Ny 224
Fréquence Nx 224
# Phase/RR 20
# Images/RR 30
Trigger Window 10%

TAB . 3.12: Paramètres des séquences FIESTA ciné.

Apnée Respiration libre

Paramètre Valeur Valeur
TE 35 ms 35 ms
TR 1RR 1RR
Épaisseur 6 mm 6 mm
Bande Passante 250 kHz 250 kHz
Refocalisation 155◦ 155◦
Phase Ny 256 256
Fréquence Nx 256 256
ETL 16 8
TI 500 ms 500 ms
Épaisseur DIR 18 mm 18 mm

TAB . 3.13: Paramètres des séquences DIR-FSE en apnée et en respiration libre.

voies de Schiller et deux ceintures respiratoires pneumatiques ; une placée au niveau du thorax
et l’autre sur l’abdomen. En pratique, pour le calcul de la prédiction nous avons laissé à l’utili-
sateur le choix de la ceinture. Nous avons également utilisé l’ordre deux pour la prédiction en
mettant p1 , ..., p6 à 1 dans les équations (3.5) et (3.6) dans le cas de l’apnée et de la respiration
libre. Le SAEC sera également utilisé pour enregistrer les données telles que les ECG, les cein-
tures respiratoires et les formes d’onde de la séquence. Ceci nous permettra d’évaluer l’erreur
que nous faisons sur le trigger delay.

3.4.1.2 Reconstruction
Les images en respiration libre ont été reconstruites avec l’algorithme GRICS (Odille et al.,
2008b) dont nous avons parlé à la section 2.4.2. GRICS est un algorithme itératif qui résout deux
systèmes couplés. Cet algorithme utilise la redondance des données afin d’avoir assez d’infor-
mations pour estimer les modèles de mouvement et le problème de la reconstruction. Il utilise
d’un côté toutes les informations provenant de chaque élément des antennes en réseau phasé,
et puisque cela ne suffit pas, il utilise également ces mêmes informations acquises plusieurs
fois. Ceci permet de mieux conditionner les systèmes inverses à résoudre (équation (2.41)).

GRICS utilise les signaux physiologiques afin d’estimer le mouvement grâce à un modèle de
mouvement linéaire, c’est-à-dire la relation entre les signaux physiologiques et le mouvement
d’un pixel donné. Pour modéliser les mouvements respiratoires, les ceintures respiratoires suf-
fisent. Cependant, nous utiliserons aussi la dérivée des ceintures respiratoires ce qui permet
de faire la différence entre inspiration et expiration. Dans la mesure où GRICS peut prendre
n’importe quel type de signaux en entrées, on peut également lui fournir un signal physiolo-

139
CHAPITRE 3. ADAPTATIONS TEMPORELLES

gique composite (crée de toutes pièces) qui soit linéairement lié au mouvement cardiaque. Ceci
nous permettra de prendre en compte les erreurs de prédiction et de trigger delay, et donc de
corriger les erreurs que l’on peut faire à l’acquisition. Le signal physiologique composite, noté
φcard (t), sera linéaire sur la durée de la systole et de la diastole. Ce signal peut se noter ainsi :
( t−tQRS (n)
T s (∆n ) si tQRS (n) ≤ t ≤ tQRS (n) + T s (∆n )
φcard (t) = t−(tQRS (n)+T s (∆n )) , (3.14)
1+ T d (∆n )
si tQRS (n) + T s (∆n ) < t < tQRS (n + 1)

avec tQRS (n) le temps où apparaît la n-ième onde R (ou complexe QRS), T s (∆n ), T d (∆n ), les
durées de la systole et de la diastole en fonction de l’intervalles RR ∆n . Les définitions de ces
grandeurs ont été données dans la section 3.2.1. Ainsi, on assignera à chaque train d’échos
une valeur grâce à ce modèle cardiaque en fonction du placement du centre du train d’échos
(tACQ ) par rapport à son placement idéal que l’on recalculera rétrospectivement. La figure 3.33
représente ce signal composite cardiaque avec l’ECG et un train d’échos. La valeur assignée au
train d’échos sera φcard (tACQ ) défini comme sur la figure 3.33.

F IG . 3.33: Illustration du signal composite cardiaque utilisé dans les reconstructions GRICS. Le rec-
tangle de couleur grise représente le placement du train d’échos dans le cycle cardiaque. Dans ce cas,
le train d’échos est légèrement en retard par rapport à l’idéal puisque que le train devrait se terminer à
tQRS (n) + T s (∆). La valeur de ce signal composite qui sera assignée au train d’échos sera φcard (tACQ ).

3.4.1.3 Analyse des données

Afin d’analyser le comportement de la méthode adaptative en respiration libre par rapport
à l’apnée uniquement avec des mesures quantitatives, nous proposons d’analyser l’erreur faite
sur le trigger delay en termes d’erreur quadratique moyenne et de distribution. Puis, pour ana-
lyser la qualité des images, nous avons estimé l’entropie de l’image et l’entropie du gradient
de l’image.

Le rythme cardiaque moyen a été calculé de façon rétrospective pour chaque patient afin
de déterminer s’il y a des différences significatives entre les données acquises en respiration
libre et les données acquises en apnée qui pourraient perturber les analyses sur les données
quantitatives. La variabilité des cycles cardiaques, définie comme l’écart type des intervalles
RR, sera analysée dans le même but. Les différences de rythme cardiaque et de variabilité RR
entre les acquisitions faites en apnée et en respiration libre ont été analysées avec le test de rang
signé de Wilcoxon.

Mesure de l’erreur Deux types de mesures quantitatives ont été utilisés pour évaluer la mé-
thode adaptative en apnée et en respiration libre. Comme précédemment, ces deux mesures

140
 3.4 En respiration libre

sont basées sur l’erreur faite entre le trigger delay appliqué en temps réel TD,applied et le meilleur
trigger delay que nous pouvons calculer rétrospectivement TD,best (voir figure 3.7). La première
mesure quantitative consistera à comparer l’histogramme normalisé de la valeur absolue de
l’erreur entre les deux méthodes. La deuxième mesure sera la RMSE que nous avons définie
par l’équation (3.11). La différence statistique entre les erreurs faites avec les deux méthodes
sera évaluée avec le test de rang sommé de Wilcoxon. Une valeur de P inférieure à 0.05 sera
considérée comme statistiquement significative.

Mesure de l’entropie En traitement d’image, l’entropie de l’image permet de quantifier la

dispersion du signal, par conséquent les artefacts causent une dispersion dans l’image et aug-
mentent l’entropie. L’entropie de la norme du gradient d’une image quantifie plutôt les singu-
larités donc la quantité de structures fines, par conséquent, les artefacts et flou dans une image
auront tendance à rendre les contours flous et à dégrader l’entropie du gradient. Rappelons la
définition de l’entropie. Pour ce faire, considérons une image en niveaux de gris I à N valeurs
discrètes (0 − 255) et pi la probabilité que l’image I prenne la valeur i, alors on définit l’entropie
ainsi :
N
X −1
H(I) = − pi log(pi ). (3.15)
i=0

L’entropie du gradient sera définie de la même manière et nous noterons ∇I le gradient de

l’image et δpi la probabilité que ∇I soit égal à la valeur i. Ainsi, l’entropie du gradient s’écrit :
N
X −1
H(k∇Ik) = − δpi log(δpi ). (3.16)
i=0

Afin de comparer les images, nous comparerons l’entropie et l’entropie de la norme du gradient
des images pour les images obtenues avec les méthodes suivantes :
– avec GRICS,
– en moyennant les données dans la domaine de Fourier obtenues en respiration libre,
– acquises avec la double synchronisation,
– acquises en apnée.

3.4.2 Résultats
Le protocole a été appliqué avec succès sur les 11 volontaires. Le rythme cardiaque moyen
pendant l’acquisition des séquences DIR-FSE avec la méthode adaptative en apnée était 65.8 ±
15.3 bpm contre 64.7 ± 13.5 bpm pour les acquisitions en respiration libre. La variabilité RR était
de 44.6 ± 37.2 ms pour les acquisitions en apnée et de 64.4 ± 32.8 ms pour les acquisitions en
respiration libre. Il n’y a pas eu de différence statistiquement significative de rythme cardiaque
(P = 0.64) entres les acquisitions faites avec les deux modes de respiration. En revanche, pour
la variabilité des cycles cardiaques, on a une différence non significative mais proche de la li-
mite (P = 0.056). Ceci n’est pas étonnant étant donné les phénomènes d’arythmies sinusales
respiratoires (Clynes, 1960). Nous reparlerons de ce phénomène dans la discussion.

Mesure de l’erreur La figure 3.34 représente l’histogramme normalisé de la valeur absolue

de l’erreur faite sur le trigger delay par la méthode adaptative en apnée et en respiration libre.
Par exemple, 75% des trigger delay estimés par la méthode adaptative en apnée présentaient
une erreur en dessous de 40 ms contre seulement 55% en respiration libre. Remarquons que
les résultats sont meilleurs en respiration libre avec la méthode adaptative qu’avec la méthode
du délai fixe de la section 3.2.5 ; ceci peut se voir en comparant les figures 3.10 et 3.34. De plus,
en respiration libre la méthode adaptative fait une erreur de plus de 100 ms dans 13.5% des
cas. Ce pourcentage est réduit à seulement 4.8% en apnée. Cette figure montre que la méthode

141
CHAPITRE 3. ADAPTATIONS TEMPORELLES

F IG . 3.34: Histogramme de l’erreur absolue normalisée faite sur le trigger delay en apnée (noir) et en
respiration libre (gris). Cette figure montre que l’erreur faite en apnée est dans 75% des cas inférieure à
40 ms, dans le cas de la respiration libre nous sommes seulement à 55%.

proposée n’est pas aussi efficace en respiration libre qu’en apnée.

L’erreur quadratique moyenne, donnée à la figure 3.35, est assez importante dans les deux
modes de respiration. Étant donné qu’il y a 12 fois moins de mesures faites en apnée qu’en
respiration libre, les résultats présentés pour l’apnée ont certainement moins de signification
que ceux présentés en apnée dans la section 3.2. La valeur moyenne de l’erreur absolue est de
30±47 9 ms pour les acquisitions en apnée et de 62±109 ms pour les acquisitions en respiration
libre10 . Les différences trouvées sont statistiquement significatives (P < 0.001).

Mesure de l’entropie Les mesures d’entropie et de l’entropie de la norme du gradient des

images sont données à la table 3.14 à la page 144. On remarque sur ce tableau que les scores
réalisés par GRICS sont similaires ou très proches des scores que l’on obtient pour les apnées.
Ce n’est pas le cas pour les images reconstruites par la méthode de moyenne et la double syn-
chronisation.

Nous donnons des exemples d’images des volontaires 4, 7 et 8 aux figures 3.36, 3.37 et 3.38.
On remarque sur ces figures que les images en apnée sont de bonne qualité. Dans tous les cas,
les ventricules gauches et droits sont parfaitement bien définis. Pour la double synchronisation,
l’image semble de qualité assez médiocre pour le volontaire 4 (figure 3.36). Les images acquises
avec la même technique semblent tout à fait acceptables dans le cas des deux autres volontaires
(figures 3.37 et 3.38). Les reconstructions faites en moyennant les 6 acquisitions en respiration
libre sont de qualité correcte mais les contours sont flous et mal délimités. GRICS donne de
9
Rappelons que nous avions obtenu 27 ± 39 ms pour l’étude précédente.
10
Attention, ici on parle bien de la moyenne de la valeur absolue de l’erreur mais de l’écart type de l’erreur sans
en prendre la valeur absolue.

142
 3.4 En respiration libre

F IG . 3.35: Erreur quadratique moyenne en en apnée (noir) et en respiration libre (gris) faite sur le trigger
delay par patient.

bons résultats dans le cas des volontaires 4 et 7, et des résultats semblables à la reconstruction
moyenne dans le cas du dernier volontaire.

F IG . 3.36: Exemple d’images avec les deux reconstructions différentes (GRICS et moyenne), en double
synchronisation et en respiration libre provenant du volontaire 4. Dans ce cas, les acquisitions en apnée
et les acquisitions en respiration libre reconstruites avec GRICS donnent de bons résultats.

3.4.3 Discussion
Dans cette étude, nous avons comparé les résultats obtenus en apnée à ceux obtenus en res-
piration libre. Les résultats sur la mesure des erreurs nous indiquent que notre méthode adap-
tative est moins performante en respiration libre qu’en apnée. Cependant, il faut noter que la
quantité de données en apnée est très faible par rapport à celle que l’on avait pour l’étude pré-
sentée dans la section 3.2, ce qui fait que ces résultats en apnée sont un peu moins fiables que
ceux que nous avons présentés précédemment. Cela dit, les résultats en apnée sont semblables,
en terme d’erreur, à ceux que l’on a déjà présentés. En respiration libre, l’erreur faite restant

143
CHAPITRE 3. ADAPTATIONS TEMPORELLES

Numéro GRICS Moyenne DS Apnée

Volontaire H(I) H(k∇Ik) H(I) H(k∇Ik) H(I) H(k∇Ik) H(I) H(k∇Ik)
1 3.96 3.13 4.03 3.15 4.29 3.26 3.99 3.41
2 3.87 2.91 3.88 2.86 4.14 3.04 3.71 3.07
3 3.55 2.75 3.59 2.76 3.75 2.92 3.5 2.79
4 3.97 3.13 3.96 3.18 4.28 3.5 4.01 3.17
5 3.95 2.97 4.04 2.88 4.05 3.18 3.95 3.12
6 4.13 3.15 4.17 3.61 4.31 3.75 4.08 3.34
7 3.52 2.41 3.51 2.28 3.66 2.53 3.64 2.63
8 4.05 2.96 4.06 2.98 4.15 3.11 4.12 3.22
9 3.79 3.2 4 3.09 4.14 3.51 3.68 3.13
10 3.73 3.05 4.04 3.26 4.12 3.24 3.94 3.31
11 3.92 3 3.89 2.86 4.06 3.15 3.92 3.15

TAB . 3.14: Mesure de l’entropie et de l’entropie de la norme du gradient des images acquises en respira-
tion libre avec différentes méthodes de reconstruction. "GRICS" correspond aux résultats obtenus avec
l’algorithme GRICS en utilisant les 6 acquisitions en respiration libre,"Moyenne" est la moyenne dans
le domaine de Fourier des 6 acquisitions en respiration libre, "DS" correspond à l’acquisition en res-
piration libre en double synchronisation (cardiaque et respiratoire), "Apnée" correspond à l’acquisition
en apnée. Rappelons que l’entropie est notée H(I) et que plus faible elle sera meilleure sera l’image, et
inversement, plus grand est l’entropie de la norme du gradient H(k∇Ik) plus l’image aura des contours
bien définis.

F IG . 3.37: Exemple d’images avec les deux reconstructions différentes (GRICS et moyenne), en double
synchronisation et en respiration libre provenant du volontaire 7. Dans cet exemple les mesures d’erreur
donnent de bons résultats mais les images sont particulièrement bruitées (certainement à cause d’un
problème technique).

assez importante, ces résultats suggèrent que d’autres modèles pourraient être proposés afin
de mieux de prendre en compte la respiration et de mieux modéliser la contribution de la res-
piration sur les variations instantanées de cycle cardiaque. Les résultats quantitatifs obtenus en
terme de qualité image sont pourtant assez encourageants. Les chiffres présentés dans la table
3.14, montrent que les reconstructions avec GRICS sont de meilleure qualité que les images re-
construites en moyennant les différentes acquisitions en respiration libre et les images sont de
qualité très proche de celle obtenue en apnée dans la plupart des cas. Une évaluation qualita-
tive avec plusieurs radiologues devrait nous permettre de quantifier de façon plus précise les
points forts et les points faibles de ces différentes techniques.

L’avantage de cette technique en respiration libre est que l’on pourrait adapter la durée du
train d’échos en fonction de la durée de la télésystole de chaque sujet puisque, dans ce cas, nous
ne sommes pas limités par la durée de l’apnée. Pour ce faire, il faudrait mesurer la durée de la
télésystole de façon rapide et automatique pour chaque patient comme suggéré précédemment
(section 3.2.6).

144
 3.4 En respiration libre

F IG . 3.38: Exemple d’images avec les deux reconstructions différentes (GRICS et moyenne), en double
synchronisation et en respiration libre provenant du volontaire 8.

Afin de prendre en compte les phénomènes d’arythmies sinusales respiratoires ou RSA11 ,

nous avions inclus les ceintures respiratoires ainsi que leurs dérivées dans la modélisation li-
néaire de la variation des cycles cardiaques (équations (3.5) et (3.6)). Ces résultats suggèrent
que la modélisation faite n’est plus tout à fait valable en respiration libre. Il est bien connu qu’il
y a deux réflexes différents causés par la respiration qui engendrent des variations de cycle car-
diaque (Clynes, 1960). Un de ces réflexes est causé par l’inspiration et l’autre par l’expiration
qui ont pour effet une accélération et une décélération du cycle cardiaque. Ces phénomènes
sont liés à l’inhibition vagale. Clynes (1960) a également proposé une modélisation de ces va-
riations en inspiration et en expiration sous la forme de fonction de transfert dans la domaine
de Laplace ou d’équations différentielles ordinaires dans le domaine temporel. Pour l’inspira-
tion, il propose :
V −kp2
= , (3.17)
R (1 + τ1 p)(1 + τ2 p)
avec V l’inhibition vagale sous la forme d’un taux de déclenchement dans le domaine de La-
place, R la circonférence du thorax dans le domaine de Laplace, p la variable de Laplace et τi
des constantes de temps à déterminer. De façon similaire, il propose la fonction de transfert
suivante dans le cas de l’expiration :

V k 0 p2
= . (3.18)
R (1 + τ1 p)(1 + τ2 p)(1 + τ3 p)
Ces fonctions de transfert prennent en entrée la circonférence du thorax et donnent en sortie
l’inhibition vagale. Il propose ensuite de lier le rythme cardiaque y (sous la forme d’une solu-
tion périodique) à l’inhibition vagale par une équation différentielle :

1 d2 y
+ y = 0, (3.19)
4π 2 r02 − (V0 + ∆V ) dt2
avec r0 le rythme cardiaque en l’absence d’inhibition vagale, V0 l’inibition vagale "normale"
dans le domaine temporel et ∆V les changements dus à la respiration. Ses équations ont l’avan-
tage de clairement faire apparaître un lien complexe entre les changements de rythme car-
diaque et la respiration. De plus, si on réécrivait les équations (3.17) et (3.18) sous leurs formes
différentielles, on ferait apparaitre le fait que seule la dérivée seconde de la circonférence du
thorax à un effet sur les variations des cycles cardiaques. On peut supposer que cette dérivée
seconde pourrait nous apporter de précieuses informations qui nous permettraient de mieux
modéliser ces variations de rythme cardiaque en respiration libre. Ce point précis devra être
appronfondi. Cependant, la modélisation de Clynes (1960) n’est pas récente et beaucoup de
nouveaux résultats sur ces phénomènes de RSA ont été publiés ces dernières années Ben La-
mine et al. (2004), Kotani et al. (2008), Sin et al. (2010), Strauss-Blasche et al. (2000), Tzeng et al.
11
Respiratory Sinus Arrythmia

145
CHAPITRE 3. ADAPTATIONS TEMPORELLES

(2009). Certains remettent même beaucoup d’éléments en cause Tzeng et al. (2009), et d’autres
Sin et al. (2010) donnent des résultats contraires à ceux de Clynes (1960). Ceci pour dire que le
RSA est encore un sujet de recherche très actif dans le domaine de la physiologie.

3.4.4 Conclusion
Dans cette partie, nous avons montré qu’il était possible d’utiliser la méthode de synchro-
nisation adaptative en respiration libre. Les résultats obtenus suggèrent qu’il serait possible
d’améliorer les résultats en respiration libre pour atteindre ceux obtenus en apnée. Nous avons
suggéré dans la discussion les causes probables de l’augmentation de l’erreur faite en respira-
tion libre comparée à celle faite en apnée. Nous avons également suggéré une solution possible
pour améliorer les résultats en nous basant sur les connaissances que l’on peut avoir sur les
phénomènes d’arythmie sinusale respiratoire et ceci sans alourdir de trop la modélisation ; ce
qui permettrait de rester compatible avec les applications temps réel que nous visons.

Les images obtenues en respiration libre avec la reconstruction GRICS sont pourtant de
qualité comparable à celles obtenues en apnée et de bien meilleure qualité que la reconstruction
"moyenne" des différentes acquisitions en respiration libre. Bien sûr, une meilleure prise en
compte des phénomènes d’arythmie sinusale respiratoire améliorerait les résultats en terme de
qualité-image.

3.5 Conclusion globale

Dans ce chapitre nous avons abordé l’adaptation temporelle des séquences d’acquisition
dans le cadre de l’imagerie cardiaque. Ceci constitue un point essentiel de l’IRM adaptative qui
est bien trop souvent négligé. Effectivement, le mouvement est généralement abordé comme
un problème uniquement spatial et les variations dues à la non reproductibilité des cycles car-
diaques (ou même respiratoires) sont considérées comme négligeables. Dans le cas des rythmes
cardiaques moyens, cette hypothèse peut tout à fait se justifier étant donné la longueur de l’ac-
quisition par rapport à la période de repos du coeur considérée (mésodiastole) mais ce n’est
pas vrai dans le cas général.

Afin de prendre en compte les variations de cycle cardiaque de cycle en cycle nous avons
proposé un nouveau principe qui consiste à placer les acquisitions de façon adaptative tou-
jours dans la même position du coeur. Pour mettre en oeuvre ce principe, nous avons utilisé
un filtre de Kalman et un modèle cardiaque afin de calculer de manière optimale (au sens des
moindres carrés) le meilleur instant pour lancer la préparation DIR et faire l’acquisition des
données avec la FSE. Cette méthode s’adapte de cycle en cycle dès que de nouvelles données
sont disponibles. Cette technique nous a permis de faire des acquisitions en sang noir et en
télésystole de façon systématique sur tous nos volontaires sains, ce qui n’avait jamais été fait.
L’une des difficultés pour acquérir des images en sang noir et en télésystole est que le temps
d’inversion nécessaire à l’annulation du sang est particulièrement long et que la télésystole est
courte. Nous avons montré que notre méthode adaptative donnait de meilleurs résultats en
apnée en termes d’erreur de placement de la fenêtre d’acquisition et de qualité-image que la
méthode du délai fixe qui ne prend pas en compte les variations des cycles cardiaques.

La méthode adaptative est générale et applicable pour tous les types de séquences syn-
chronisées sur l’ECG, pas seulement celles avec de longs temps de préparation. Nous l’avons
d’ailleurs utilisée avec des FIESTA ciné. Dans le cas d’une séquence sans préparation, le pro-
blème serait plus simple. Effectivement, dans ce cas une prédiction à un pas12 et l’utilisation
d’un modèle cardiaque adapté suffiraient.
12
C’est-à-dire : prédire uniquement la longueur du prochain cycle cardiaque.

146
 3.5 Conclusion globale

La méthode adaptative permet de faire de façon systématique des images en systole avec
différents temps d’écho effectifs. Cela nous a donc permis de mesurer le T2 pendant la télésys-
tole. Nous avons comparé ces mesures de T2 avec la méthode traditionnelle pour mesurer le T2
en mésodiastole. Nous n’avons trouvé aucune différence statistique entre les mesures en télé-
systole et en mésodiastole. En pratique, on pourra donc mesurer le T2 aussi bien en télésystole
qu’en mésodiastole. Un des avantages à faire les mesures de T2 en télésystole serait dû à l’épais-
sissement des parois ventriculaires, ce qui devrait nous permettre d’avoir des estimations plus
précises pour chaque temps d’écho et de meilleures régressions. Nous avons également mesuré
le T2 de la paroi inférieure du ventricule droit ce qui nous a permis de donner pour la première
fois une estimation du T2 du ventricule droit in vivo. Comme nous l’avons déjà précisé, ces me-
sures sur le ventricule droit doivent être prises avec précaution étant donné sa faible épaisseur
même en télésystole, et ce problème s’ajoute aux autres problèmes évoqués lorsque l’on mesure
un T2 .

Les essais en respiration libre nous permettent de voir la limite de la modélisation que nous
avons proposée. Effectivement, les erreurs faites sur le trigger delay avec la méthode adaptative
en respiration libre sont plus grandes que les erreurs faites en apnée. Cependant, nous avons
montré que l’utilisation d’une reconstruction adaptative qui prend en compte le mouvement et
l’erreur faite sur le trigger delay nous permet de reconstruire des images de bonne qualité. Ces
résultats montrent la nécessité de bien prendre en compte la respiration dans la modélisation
du rythme cardiaque dans le cas de la respiration libre à cause des phénomènes d’arythmie
sinusale respiratoire.

147
Chapitre 4

Adaptations spatiales

En IRM, l’estimation du mouvement est un problème fondamental, aussi bien pour la cor-
rection prospective que rétrospective des mouvements comme nous l’avons montré à la sec-
tion 2.4. Pour la correction prospective en imagerie cardiaque, on utilise la plupart du temps
des navigateurs afin d’estimer les mouvements et d’appliquer les corrections nécessaires. L’uti-
lisation des navigateurs rend souvent les séquences de plus en plus complexes et peut pertur-
ber les signaux RMN utilisés pour reconstruire les images. Par conséquent, nous proposons
ici une méthode d’estimation temps réel et paramétrique des mouvements pour le correction
prospective des mouvements. Cette méthode est basée sur l’utilisation des capteurs physio-
logiques et est compatible avec tout type de séquence. Nous aborderons ensuite le problème
de l’acquisition de données pour que l’algorithme GRICS puisse mieux estimer le mouvement
pour avoir des images de meilleur qualité.

4.1 Estimation de mouvement temps réel

Les travaux décrits dans cette partie ont été présentés à l’ISMRM (Fernandez et al., 2008a)
et au GRAMM sous la forme d’une présentation orale (Fernandez et al., 2008c).

4.1.1 Estimation de mouvement en traitement d’images

En traitement d’images, il existe de nombreuses méthodes pour estimer le mouvement d’un
objet entre deux images d’un même objet. Il existe des méthodes rigides, non rigides, paramé-
triques et non paramétriques. Ces méthodes s’appliquent soit de façon globale, c’est-à-dire que
la même transformation est appliquée à tous les pixels, soit de façon locale c’est-à-dire que
chaque pixel peut être transformé de façon différente. En règle générale, les méthodes para-
métriques sont rigides et s’appliquent de façon globale alors que les méthodes non rigides
sont non paramétriques et s’appliquent de façon locale. Ici, nous allons rapidement donner les
grandes lignes de ce qui se fait dans ce domaine et le lecteur intéressé trouvera de plus amples
informations dans les références suivantes : Maintz et Viergever (1998), Pluim et al. (2003), Rue-
ckert et Aljabar (2010). Pour estimer les mouvements, on cherche très souvent à maximiser un
critère de similarité tel que l’information mutuelle (Pluim et al., 2003) ou encore les corrélations
locales (Netsch et al., 2001).

Dans le cas d’estimations de mouvements non rigides, on considère le mouvement comme

un champ de déplacement qui peut s’écrire de la façon suivante :

I 0 (x0 , y 0 ) = I(f (x, y)), (4.1)

avec I(x, y) une image 2D en niveau de gris, I 0 (x0 , y 0 ) l’image après transformation spatiale
en utilisant le champ de déplacement f . Pour estimer ces champs de déplacement, les algo-
rithmes les plus connus sont ceux dit du flux optique basés sur des méthodes de résolution
variationnelle mais il en existe bien d’autres. On peut citer Horn et Schunck (1981), Lucas et

149
CHAPITRE 4. ADAPTATIONS SPATIALES

Kanade (1981) ou encore Brox (2005), Brox et al. (2004). Dans le cadre de notre application à la
correction prospective des mouvements, nous avons vu à la section 2.4.1 que nous ne pouvions
corriger au mieux que les mouvements que l’on peut représenter par des transformations af-
fines. Nous allons donc nous intéresser plus particulièrement aux transformations affines, qui
sont des transformations un peu plus générales que les transformations composées unique-
ment de translations et de rotations.

Les transformations affines sont des transformations paramétriques qui peuvent se dé-
composer en plusieurs transformations élémentaires. Ces transformations élémentaires sont la
translation, la rotation, le changement d’échelle et le cisaillement. Si nous considérons un point
r = (x, y, 1)t de l’espace image et r0 le point transformé, on peut alors écrire la transformation
affine sous la forme :
r0 = Ar (4.2)
 0      
x 1 0 Tx cos θ − sin θ 0 sx 0 0 1 shx 0 x
y 0  = 0 1 Ty   sin θ cos θ 0  0 sy 0 shy 1 0 y  (4.3)
1 0 0 1 0 0 1 0 0 1 0 0 1 1
avec Tx et Ty , les translations selon x et y, θ l’angle de rotation, sx et sy les paramètres de remise
à l’échelle et shx et shy les paramètres de cisaillement. Les transformations affines s’écrivent
plus généralement sous la forme :
 
axx axy Tx
A = ayx ayy Ty  . (4.4)
0 0 1

La figure 4.1 donne une représentation graphique de chaque transformation élémentaire qui
compose une transformation affine.

F IG . 4.1: Transformations spatiales élémentaires formant une transformation affine. La première ligne
de cette figure représente l’objet original avant transformation.

150
 4.1 Estimation de mouvement temps réel

Le problème maintenant est d’estimer les paramètres P = (axx , axy , ayx , ayy , Tx , Ty )t des
transformations affines entre deux images. Une possibilité pour estimer ces transformations
a été proposée par Netsch et al. (2001), initialement présentée dans le cadre d’applications de
recalage multimodal 3D avec uniquement 3 translations et 3 angles de rotation. Nous avons
donc adapté cet algorithme pour qu’il fonctionne en deux dimensions et pour qu’il estime des
transformations affines. Cet algorithme est basé sur la maximisation d’une mesure de simila-
rité qui est la corrélation locale. Celui-ci a l’avantage d’être très peu sensible aux variations de
contraste entre les différentes images1 .

Considérons une image de référence r et une image f dont on souhaite connaître les para-
mètres P de transformation affine A pour passer de r à f et vice-versa. On aura donc

f (r) = T(p, r) (4.5)

f (r) = r(Ar)

en notant T(p, r) la transformation de l’image r en lui appliquant les transformations A de

paramètres p. On définit également n(j) le voisinage du pixel j. Avec ces notations, on peut
définir les corrélations locales en considérant N pixels de nos images :
!2
(ri − r¯j )(fi − f¯j )
P
N
1 X i∈n(j)
LC(r, f ) = , (4.6)
2 (fi − f¯j )2
P P
N
j=1
(r i − r¯j )
i∈n(j) i∈n(j)

avec rj et fj la valeur moyenne des pixels dans le voisinage n(j). En utilisant cette définition
de LC, on obtient forcément une valeur entre 0 et 1, avec 0 lorsqu’il n’y a aucune corrélation
entre les données et 1 lorsqu’elle sont parfaitement corrélées. Afin d’estimer les paramètres p
on cherchera à minimiser 1 − LC(r, f ) au lieu de maximiser LC(r, f ). Ceci nous permettra de
réécrire LC(r, f ) sous la forme d’une somme de termes quadratiques et d’utiliser la méthode de
Gauss-Newton afin de trouver de façon itérative les paramètres p qui minimisent 1 − LC(r, f )
(Netsch et al., 2001). Cet algorithme a été implémenté et validé sous Matlab.

4.1.2 Objectifs
L’objectif de cette étude est d’estimer les transformations affines du cœur dues à la respira-
tion à partir des signaux physiologiques en temps réel. Nous considérerons donc des images
synchronisées sur l’activité cardiaque.

Dans la plupart des applications cliniques, les informations physiologiques données par
les capteurs externes, tels que les ECG ou les signaux respiratoires, sont simplement utilisées
pour synchroniser l’acquisition afin de "geler" le mouvement cardiaque et/ou respiratoire. Elles
sont utilisées dans certains cas pour vérifier la bonne tenue des apnées ou pour s’assurer que
le patient examiné va bien. De plus, il a été montré que les signaux physiologiques standard
pouvaient être utilisés pour estimer les mouvements induits par la respiration (Odille et al.,
2007a, Pasquier et al., 2006). L’idée est alors d’utiliser ces informations disponibles (les capteurs
externes) afin d’estimer les mouvements. Par rapport aux navigateurs, les signaux physiolo-
giques ont deux avantages :
– ils donnent des informations en continu, par rapport à la fréquence d’échantillonnage des
navigateurs, qui peuvent être utilisées à tout moment ;
– ils ne perturbent pas les signaux RMN puisqu’il n’y a pas d’impulsions RF ni de gradients
supplémentaires.
Ce dernier point est vrai à partir du moment où nous utilisons des capteurs compatibles IRM
ce qui, bien évidemment, sera le cas dans cette étude. Puisque nous cherchons à estimer des
1
contrairement aux méthodes basées sur le flux optique dont la première hypothèse est qu’il y a conservation du
signal entre l’image d’origine et l’image transformée.

151
CHAPITRE 4. ADAPTATIONS SPATIALES

paramètres de mouvement pour la correction prospective, il faudra garder à l’esprit que le mé-
thode proposée doit être temps réel.

Dans la suite de cette section nous décrivons une méthode compatible temps réel pour es-
timer les paramètres de mouvement à partir des signaux physiologiques. Cette méthode sera
composée de deux étapes : une calibration d’un modèle linéaire et une d’utilisation de ce mo-
dèle linéaire.

4.1.3 Matériels et méthodes

Le principe des étapes de calibration puis d’utilisation du modèle, ou estimation de mou-
vement, est représenté schématiquement à la figure 4.2 et est décrit dans les sections suivantes.

F IG . 4.2: Schéma de principe de la méthode proposée composée de deux étapes : la calibration du modèle et
l’estimation temps réel des paramètres de mouvement pouvant être appliqués à la correction prospective
des mouvements.

4.1.3.1 Acquisition IRM et signaux physiologiques

Afin d’éviter tous les problèmes liés aux mouvements cardiaques, nous avons utilisé une
séquence rapide de type spin echo avec un train de lecture EPI (SE-EPI) single shot multiphase2
synchronisée à l’ECG. La séquence était composée d’une impulsion d’excitation de 90◦ , d’une
impulsion de refocalisation de 180◦ suivie d’un train de lecture EPI. Dans le but d’accélérer
l’acquisition au maximum, nous avons utilisé l’algorithme SENSE (Pruessmann et al., 1999)
avec un facteur d’accélération de 2. La matrice d’acquisition était de 158 dans la direction de
2
multiphase signifie ici que l’acquisition est répétée à l’identique au cours de temps un certain nombre de fois

152
 4.1 Estimation de mouvement temps réel

fréquence et de 68 dans la direction de phase pour une image reconstruite de 64 × 64. Étant
donné les distorsions dues au train de lecture EPI, les données supplémentaires acquises sont
utilisées pour corriger et améliorer la qualité des images reconstruites. Nous avons également
utilisé des coupes relativement épaisses de 20 mm afin d’avoir suffisamment de signal. Les
paramètres d’acquisition sont regroupés dans la table 4.1.

Paramètre Valeur
TE 22.7 ms
Bande passante 500 kHz
Taille des images 64 × 64
Taille des données acquises 158 × 68
Épaisseur de coupe 20 mm
Facteur accélération SENSE 2
Résolution 5.625 × 5.625

TAB . 4.1: Paramètres d’acquisition des Spin-Echo-EPI

L’utilisation d’une telle séquence nous permet de réduire au maximum le temps d’acqui-
sition d’une coupe. Avec ces paramètres, le temps d’acquisition d’une coupe était d’environ
15 ms. La synchronisation cardiaque a été faite grâce au SAEC avec une méthode adaptative.
Cette méthode consiste à estimer la longueur du prochain cycle cardiaque en supposant qu’il
est égale au précédent c’est-à-dire que ∆n+1 = ∆n 3 . Nous avons utilisé un trigger délai fixe
de 650 ms de façon à acquérir nos images en mésodiastole. Ainsi, avec cette séquence et cette
synchronisation, nous sommes capables d’acquérir une image basse résolution par cycle car-
diaque. Étant donnée la durée d’acquisition d’une image par rapport à la mésodiastole et à
la durée d’un cycle cardiaque, ce dispositif expérimental nous permet de nous affranchir du
mouvement cardiaque et des non reproductibilités.

Les signaux physiologiques ont été enregistrés de façon synchrone à l’acquisition des images
grâce au SAEC. Les signaux physiologiques enregistrés étaient les signaux issus de deux cein-
tures respiratoires et des deux capteurs ECG. Une ceinture respiratoire était placée au niveau
du thorax et l’autre au niveau de l’abdomen. Le premier ECG était placé horizontalement au
niveau du sternum et l’autre verticalement également au niveau du sternum. Les fenêtres d’ac-
quisition ont été enregistrées afin de pouvoir échantillonner les signaux physiologiques sur la
même base que les images et ainsi à faire correspondre une image à un échantillon de signaux
physiologiques. Les signaux considérés pour la calibration et la validation du modèle sont les
signaux respiratoires, l’amplitude des ondes R extraite des ECG et les ECG eux mêmes. Ceci
nous permettra de vérifier les corrélations entre les signaux physiologiques dont nous dispo-
sons et les paramètres de mouvement. A noter que les artefacts de gradients présents sur les
ECG ont été réduits par la méthode LMS de Abächerli et al. (2005) en temps réel. Un exemple
de signaux synchronisés acquis avec ce dispositif expérimental est donné à la figure 4.3.

4.1.3.2 Calibration du modèle

Dans le but d’estimer les mouvements en temps réel à partir des M signaux physiologiques,
nous allons utiliser un modèle linéaire entre les paramètres de mouvement et les signaux phy-
siologiques. Les mouvements sont estimés sur une région d’intérêt choisie manuellement avec
l’algorithme que nous avons présenté à partir des K images SE-EPI. La région d’intérêt choisie
est de forme carrée et elle est placée de sorte à inclure le coeur entier et le diaphragme comme
indiqué sur la figure 4.2. L’image de référence est choisie de telle sorte que cette image corres-
ponde à la position de fin d’expiration. Ainsi, nous obtenons pour chaque image k un vecteur
de paramètres Pk .
3
il s’agit de l’ancêtre de la méthode présentée au chapitre 3.

153
CHAPITRE 4. ADAPTATIONS SPATIALES

F IG . 4.3: Exemple de signaux acquis avec la séquence de SE-EPI et les différents signaux physiologiques
considérés.

Les signaux physiologiques sont ré-échantillonnés sur la même base temporelle que celle
des images. Cette base temporelle est déterminée à partir des fenêtres d’acquisition enregistrées
par le SAEC. Comme la fenêtre d’acquisition dure 15 ms, nous avons moyenné les signaux phy-
siologiques sur le durée de la fenêtre. Ainsi, nous obtenons pour chaque image k un vecteur Sk
contenant la valeur des signaux.

Nous avons choisi d’utiliser un modèle linéaire de la forme :

M
X
Pk (i) = αij Sk (j) (4.7)
j=1
Pk (i) = αi Sk , (4.8)

en notant Pk (i) le i-ème élément du vecteur de paramètres Pk correspondant à l’image k et

Sk (j) le j-ème élément du vecteur de signaux physiologiques Sk correspondant à l’image k. En
regroupant les paramètres de mouvement des K images dans une matrice P de taille N × K
et les M signaux physiologiques dans une matrice S de taille M × K, on peut réécrire cette

154
 4.1 Estimation de mouvement temps réel

dernière équation sous la forme matricielle suivante :

P = αS (4.9)
    
P1 (1)P2 (1) · · · PK (1) α11 α12 · · · α1M S1 (1)S2 (1) · · · SK (1)
 P1 (2)P2 (2) · · · PK (2)   α21 α22 · · · α2M   S1 (2)S2 (2) · · · SK (2) 
 =  ..  . (4.10)
    
 .. .. ..   .. ..
 . .   . .  . . 
P1 (N )P2 (N ) · · · PK (N ) αN 1 αN 2 · · · αN M S1 (M )S2 (M ) · · · SK (M )

Le problème est maintenant de calculer la matrice α qui sera de taille N × M . Il s’agit d’un
problème de régression multivariable et il existe plusieurs solutions pour résoudre ce problème
qui peut s’écrire sous la forme générale suivante :

P = αS + ε (4.11)

avec ε l’erreur de modélisation. La solution la plus simple et la plus connue est la régression en
moindres carrés ordinaires (Ordinary Least Squares ou OLS) qui résout l’équation (4.9) au sens
des moindres carrés, ce qui donne la solution :

α = PS† (4.12)

avec S† la pseudo-inverse

−1
S† = St SSt . (4.13)
La calcul de cette pseudo-inverse ne pourra être effectué que si St S est de rang plein. Pour ce
faire, il faut que le nombre d’images ou de vecteurs de paramètres K soit supérieur au nombre
d’entrées M . Ceci pour que le système soit surdéterminé et non sous déterminé. Si l’on a des si-
gnaux d’entrées colinéaires la matrice S t S contiendra des valeurs propres nulles et ne sera donc
pas inversible. Dans ce cas, il existe plusieurs solutions comme la régression en composantes
principales (Principal Component Regression ou PCR), la régression en moindres carrés partiels
(Partial Least Square Regression ou PLSR) (Abdi, 2003, Ablitt et al., 2004, Geladi et Kowalski,
1986, McIntosh et al., 1996), des régressions bayésiennes avec des cointraintes de régularité et
de forme (Cai et Dunson, 2007) et certainement bien d’autres encore.

Dans notre cas, afin éviter les problèmes dus à l’inversion de la matrice S t S, nous avons ac-
quis un nombre d’images très supérieur (10 fois) au nombre de signaux physiologiques. Nous
avons également cherché à savoir quelle méthode de régression donnait les meilleurs résultats
pour notre application. Nos avons testé et comparé OLS, PCR et PLSR. L’expérience nous a
montré que les différentes méthodes donnaient les mêmes résultats à 10−6 prés sur les coeffi-
cients de la matrice α. Par conséquent, nous avons choisi d’utiliser la méthode la plus simple à
savoir OLS.

Afin de vérifier l’hypothèse de l’existence d’une relation linéaire entre les signaux physio-
logiques et les paramètres de mouvement, nous commencerons par calculer les coefficients
de corrélation linéaire entre les signaux physiologiques et les paramètres de mouvement es-
timés avec l’algorithme de Netsch et al. (2001). Nous calculerons également la signification
statistique de ces coefficients de corrélation à partir d’eux-mêmes et du nombre d’échantillons
(Hays, 1994). Ces coefficients nous permettront également de décider quels sont les signaux
physiologiques les mieux corrélés avec les paramètres de mouvement. On s’attend à une forte
corrélation entre les paramètres de mouvement et les ceintures respiratoires et l’amplitude des
ondes R (Felblinger et Boesch, 1997) mais à une corrélation faible avec les ECG.

4.1.3.3 Utilisation et validation du modèle

Une fois le modèle α calibré, l’utilisation pour estimer les paramètres de mouvement se fera
simplement en appliquant le modèle
P̂k = αSk (4.14)

155
CHAPITRE 4. ADAPTATIONS SPATIALES

avec Sk correspondant à de nouveaux signaux physiologiques enregistrés pendant une sé-

quence d’intérêt. Ces signaux sont différents de ceux utilisés pour calibrer le modèle.

Pour valider ce modèle ainsi que l’approche proposée en elle-même, deux sujets sains ont
subi une IRM cardiaque. Nous avons utilisé l’IRM 1.5 T et l’antenne cardiaque à 8 éléments.
Pour le premier sujet, 5 séries de 60 images ont été acquises en respiration libre et en petit
axe cardiaque avec la séquence SE-EPI synchronisée que nous avons décrite. L’acquisition de
chaque série dure environ une minute. Pour le deuxième sujet, nous avons acquis 10 séries de
60 images de la même façon. Dans chaque cas, les signaux physiologiques et les signaux prove-
nant de l’IRM ont été enregistrés. Pour calibrer le modèle nous avons utilisé la première série
de chaque patient et nous avons utilisé les séries suivantes pour valider la méthode proposée.
Les séries suivantes seront appelées séries de test. A noter que pour mieux faire ressortir les
variations des signaux physiologiques, ceux-ci seront centrés et réduits.

Afin d’évaluer cette méthode, une fois le modèle calibré avec la première série, les para-
mètres de mouvement sont ensuite estimés pour les séries test avec le modèle ainsi calibré. Ces
paramètres de mouvement sont appliqués aux différentes images des séries de test afin de les
recaler. Nous utilisons l’algorithme de Netsch et al. (2001) pour estimer le mouvement des sé-
ries de test et pour les recaler.

Nous proposons plusieurs mesures afin de valider cette méthode. La première mesure est
une mesure d’erreur quadratique moyenne relative (Relative Root Mean Square Error ou RMSE)
Eα faite sur les paramètres estimés par notre méthode par rapport aux paramètres P estimés
par l’algorithme Netsch et al. (2001) qui est utilisé ici comme un gold standard. Nous comparons
l’erreur Eα à l’erreur quadratique moyenne relative EId par rapport aux paramètres estimés
par l’algorithme Netsch et al. (2001) lorsqu’aucune estimation de mouvement n’est faite, c’est-
à-dire lorsque l’on considère qu’il n’y a pas de mouvement et que la transformation affine à
appliquer est l’identité. Ces erreurs sont calculées pour chaque paramètre n composant une
transformation affine et sont définies par :
v
u L
uP  2
u P̂k (n) − Pk (n)
1 t k=1
Eα (n) = (4.15)
N max P (n) − min P (n)
v
u L
uP
u (Idk (n) − Pk (n))2
1 k=1
t
EId (n) = (4.16)
N max P (n) − min P (n)
(4.17)

avec L correspondant au nombre d’images des séries de test.

La seconde mesure que nous proposons est de comparer les informations mutuelles nor-
malisées (Normalized Mutual Information ou NMI) entre les images d’origine (non recalées),
les images recalées par l’algorithme Netsch et al. (2001) et les images recalées avec les para-
mètres estimés par la méthode proposée. Cette information mutuelle sera calculée par rapport
à l’image de référence choisie en fin d’expiration. L’information mutuelle entre deux images X
et Y pouvant avoir NX et NY niveaux de gris est définie par :

x −1 N
NX y −1  
X p(xi , yj )
I(X, Y ) = p(xi , yj ) log (4.18)
p(xi )p(yj )
i=0 j=0

avec p(xi ) la probabilité que X prenne la valeur xi et p(xi , yj ) la probabilité jointe que X prenne
la valeur xi alors que Y prends la valeur yj . L’information mutuelle normalisée est alors définie

156
 4.1 Estimation de mouvement temps réel

par :
I(X, Y ) H(X) + H(Y ) − H(X, Y )
In (X, Y ) = = (4.19)
H(X, Y ) H(X, Y )
avec H l’entropie définie par l’équation (3.15).

La dernière mesure sera l’évaluation de l’erreur quadratique moyenne en millimètres sur

les paramètres de translation faite avec notre méthode comparée à l’algorithme de Netsch et al.
(2001). Nous calculerons cette erreur sur les translations selon la direction x, la direction y et en
prenant en compte ces deux directions.

4.1.4 Résultats
Les coefficients de corrélation ont été estimés entre les paramètres de mouvement estimés
avec Netsch et al. (2001) et les signaux physiologiques pour les deux volontaires. Pour ce faire
nous avons utilisé l’ensemble des données provenant des 300 images pour le volontaire 1 et des
500 images pour le volontaire 2. Ces coefficients et leurs significations sont donnés aux tables
4.2 et 4.3 pour les volontaires 1 et 2, respectivement.

ECG1 ECG2 CR1 CR2 AR1 AR2

axx 0.0521 0.1715† 0.3996† 0.6457† −0.3288† 0.0808
axy 0.0163 0.1743† 0.2969† 0.5070† −0.1749† 0.1476†
ayx 0.0680 0.0791 0.1475† 0.1496† −0.1293† −0.0967
ayy 0.1208† −0.0087 0.2159† −0.0026 −0.0539 −0.1438†
Tx −0.0320 −0.1619† 0.3457† −0.5533† 0.2281† −0.1079
Ty −0.1429† −0.0399 −0.2660† −0.1263† 0.1680† 0.1813†

TAB . 4.2: Coefficient de corrélation entre paramètres de mouvement et signaux physiologiques pour le
volontaire numéro 1. CR signifie Ceinture Respiratoire et AR Amplitude des ondes R. Le signe † signifie
que les coefficients correspondants sont statistiquement significatifs (p < 0.05).

ECG1 ECG2 CR1 CR2 AR1 AR2

axx −0.0059 −0.1873† 0.7496† 0.7269† −0.1862† −0.3313†
axy 0.0383 −0.0799 0.5226† 0.3605† 0.0637 −0.2043†
ayx 0.1004† −0.0328 0.1474† 0.1226† −0.0372 −0.0030
ayy −0.0301 −0.0892† 0.3231† 0.3638† −0.0755 −0.1962†
Tx −0.0192 0.1481† −0.6510† −0.5506† 0.0514 0.2805†
Ty −0.0413 0.1428† −0.4443† −0.4625† 0.1892† 0.1733†

TAB . 4.3: Coefficient de corrélation entre paramètres de mouvement et signaux physiologiques pour le
volontaire numéro 2. CR signifie Ceinture Respiratoire et AR Amplitude des ondes R. Le signe † signifie
que les coefficients correspondants sont statistiquement significatifs (p < 0.05).

Ces coefficients nous montrent que le modèle linéaire entre paramètre de mouvement et
signaux physiologiques est tout à fait valable. On remarque une très bonne corrélation des
paramètres de mouvement avec les ceintures respiratoires et, dans une moindre mesure, avec
l’amplitude des ondes R. La corrélation avec les ECG est, quant à elle, très faible voire inexis-
tante comme prévu. On peut cependant remarquer la corrélation avec l’ECG2 est meilleur que
celle de l’ECG1 et statistiquement plus significative. L’ECG2 étant celui qui était placé verticale-
ment, dans le "sens" du mouvement respiratoire, il est donc possible que certaines informations
sur ce mouvement soient présentes.

Les mesures d’erreur quadratique moyenne relative sur les différents paramètres des trans-
formations affines sont données aux figures 4.4 et 4.5 pour les patients 1 et 2, respectivement.

157
CHAPITRE 4. ADAPTATIONS SPATIALES

On remarque que la RMSE est réduite de façon conséquente, de 0 à 60% selon les paramètres,
lorsque notre méthode d’estimation de mouvement est utilisée. Puisque nous comparons la
RMSE entre notre méthode et l’algorithme de Netsch et al. (2001), et entre l’identité et l’algo-
rithme de Netsch et al. (2001), cela nous indique que notre méthode donne toujours des meilleur
résultats que lorsque l’objet est considéré statique. Etant donné que nos images ont été acquises
en petit axe cardiaque, la majorité des mouvements sont dans le sens supérieur-inférieur ce qui
est représenté par l’axe x dans les figures 4.4 et 4.5. Ceci explique les différences entre les para-
mètres (axx , axy , Tx ) et (ayx , ayy , Ty ).

F IG . 4.4: Erreur quadratique moyenne relative sur les paramètres estimés des transformations affines.
Cette mesure a été faite sur l’ensemble des séries de test pour le sujet numéro 1.

Les informations mutuelles normalisées entre l’image de référence et les images obtenues
avec :
– notre méthode,
– l’algorithme de Netsch et al. (2001),
– et les images originales
sont données aux figures 4.6 et 4.7 correspondant aux volontaires 1 et 2, respectivement. On
remarque sur ces figures que notre méthode donne des résultats en terme de NMI soit aussi
bons que ceux obtenus avec l’algorithme de Netsch et al. (2001) soit meilleurs. Ceci signifie que
les paramètres de transformations affine estimés avec la méthode proposée sont tout aussi va-
lables que ceux donnés par l’algorithme de référence.

La dernière mesure consiste à comparer l’erreur quadratique moyenne (MSE) faite sur les
translations entre l’algorithme de Netsch et al. (2001) et notre méthode. Ces erreurs sont don-
nées aux tables 4.4 et 4.5 pour les volontaires 1 et 2, respectivement. Ces mesures en milli-

158
 4.1 Estimation de mouvement temps réel

F IG . 4.5: Erreur quadratique moyenne relative sur les paramètres estimés des transformations affines.
Cette mesure a été faite sur l’ensemble des séries de test pour le sujet numéro 2.

mètres nous confirment que les estimations de mouvement données par notre méthode sont
très proches de ce que donne l’algorithme de référence.

Série test Tx Ty Txy

1 0.28 0.17 0.33
2 0.81 0.43 0.92
3 0.63 0.56 0.84
4 0.48 0.34 0.60
m±σ 0.47 ± 0.27 0.34 ± 0.17 0.58 ± 0.3

TAB . 4.4: Erreur quadratique moyenne (MSE) en mm faite par la méthode proposée sur les translations
par rapport à l’algorithme de Netsch et al. (2001) pour le volontaire 1. Tx et Ty représentent la MSE
selon x et y, respectivement, et Txy représente la MSE lorsque Tx et Ty sont tous les deux pris en compte.
m ± σ représentent la moyenne et écart type sur les séries de test.

4.1.5 Discussion
Les résultats présentés ici nous montrent que la méthode proposée est capable d’estimer
les paramètres de transformation affine en temps réel une fois le modèle calibré. Les mesures
de corrélation nous indiquent que la modélisation linéaire est tout à fait valable. Elles nous
indiquent également que les signaux physiologiques les mieux corrélés avec les paramètres de
mouvement estimés sont les ceintures respiratoires et l’amplitude des ondes R. Les mesures de
RMSE nous montrent que l’utilisation de notre méthode donne toujours des résultats meilleurs

159
CHAPITRE 4. ADAPTATIONS SPATIALES

F IG . 4.6: Information mutuelle normalisée pour les 4 séries de test du volontaire 1 et pour les différentes
méthodes de recalage : 1 - pas de recalage 2 - paramètres de mouvement estimés avec l’algorithme de
Netsch et al. (2001) et 3 - avec notre méthode.

que lorsque l’on ne fait rien, c’est-à-dire que notre méthode devrait toujours permettre d’amé-
liorer l’application pour laquelle elle serait utilisée. Les informations mutuelles normalisées
estimées montrent que notre méthode fait aussi bien en terme de recalage voire mieux que l’al-
gorithme de Netsch et al. (2001). Ceci nous montre que les paramètres estimés avec notre mé-
thode sont aussi valables que ceux estimés par l’algorithme malgré les erreurs constatées sur
les paramètres avec la RMSE. Les mesures d’erreurs faites sur les translations sont inférieures
au millimètre ce qui nous permet de dire que la méthode proposée est suffisamment précise
pour être considérée comme un candidat potentiel pour une application cardiaque dont nous
allons discuter.

Comme nous l’avons déjà signalé, le cœur en petit axe cardiaque a essentiellement un mou-
vement dans la direction SI ce qui correspond à l’axe x de nos notations. Par conséquent, il y a
peu de mouvement dans la direction y ce qui rend ce mouvement particulièrement difficile à
estimer à partir des images que nous avons. Il devient donc très difficile de trouver une relation
entre ces paramètres potentiellement mal estimés et variant assez peu. Ceci explique les diffé-
rences de résultat entre les paramètres (axx , axy , Tx ) et les autres (ayx , ayy , Ty ). Ce phénomène se
remarque aisément en comparant les résultats obtenus pour ces deux groupes de paramètres.
On peut le voir sur les RMSE des figures 4.4 et 4.5 et sur les coefficients de corrélation des tables
4.2 et 4.3.

En pratique, il y a peu de signaux physiologiques utilisables. Nous avons vu que l’ECG

160
 4.1 Estimation de mouvement temps réel

F IG . 4.7: Information mutuelle normalisée pour les 9 séries de test du volontaire 2 et pour les différentes
méthodes de recalage : 1 - pas de recalage 2 - paramètres de mouvement estimés avec l’algorithme de
Netsch et al. (2001) et 3 - avec notre méthode.

n’était pas directement utilisable et notre SAEC, tel qu’il est à l’heure actuel, ne nous permet
pas d’extraire les amplitudes des ondes R en temps réel de façon suffisamment précise. Par
conséquent, il ne nous reste plus que les ceintures respiratoires. Il est bien sûr possible d’utili-
ser des signaux composites pour représenter le mouvement cardiaque à partir d’informations
comme la longueur des intervalles RR ou à partir de modèle du cycle cardiaque ou de modèle
du mouvement cardiaque. Par exemple, Odille et al. (2008a) proposent un modèle sinusoïdal
fonction des intervalles RR, ou encore Vuissoz et al. (2009b) proposent un modèle linéaire du-
rant la systole et un autre modèle linéaire pour la diastole. Ce dernier modèle est similaire à
celui décrit dans la section 3.4.1.2. Les signaux de type navigateur sont également utilisables
avec notre modèle mais, dans notre cas, nous rencontrerions les mêmes problèmes et difficultés
que ceux que nous avons signalés en introduction de ce chapitre.

Il faut également noter les différentes sources d’erreur pouvant provenir des données d’en-
trée du modèle (les signaux physiologiques), des données de sortie du modèle (les paramètres
de mouvement) ou du modèle lui-même (α). Effectivement, les données issues des signaux
physiologiques sont toujours bruitées en particulier les ECG. Les ceintures respiratoires, étant
donné leur conceptions, ont souvent une dérive (composante continue variable) au cours du
temps ce qui peut être un problème pour ce genre de modèle linéaire. Au niveau des données
de sortie du modèle, les erreurs proviennent essentiellement des imprécisions de l’algorithme
d’estimation de mouvement paramétrique. En pratique ces erreurs sont difficiles à évaluer car,
en imagerie médicale, nous ne disposons que très rarement des mesures vraies pour comparer
et évaluer les résultats de ce genre d’algorithme. On peut imaginer utiliser des images syn-
thétiques, mais dans le cas de l’estimation de transformations affines, il existe le plus souvent
plusieurs solutions possibles. Il est donc difficile de déterminer laquelle de ces transformations
est la meilleure. Au niveau de la modélisation, il a été montré qu’il fallait environ une dizaine
de modes propres pour représenter 90% des mouvements du thorax (Odille, 2007). Même si
ces travaux ont été faits en considérant des champs de déplacements élastiques, cela signifie

161
CHAPITRE 4. ADAPTATIONS SPATIALES

Série test Tx Ty Txy

1 0.34 0.28 0.44
2 0.43 0.32 0.54
3 0.52 0.32 0.61
4 0.21 0.20 0.29
5 0.25 0.32 0.41
6 0.31 0.28 0.42
7 0.30 0.32 0.44
8 0.23 0.41 0.47
9 0.33 0.34 0.47
m±σ 0.33 ± 0.1 0.31 ± 0.07 0.45 ± 0.09

TAB . 4.5: Erreur quadratique moyenne (MSE) en mm faite par la méthode proposée sur les translations
par rapport à l’algorithme de Netsch et al. (2001) pour le volontaire 2. Tx et Ty représentent la MSE
selon x et y, respectivement, et Txy représente la MSE lorsque Tx et Ty sont tous les deux pris en compte.
m ± σ représentent la moyenne et écart type sur l’ensemble des séries de test.

qu’il nous faudrait au moins 10 capteurs de "modes propres" indépendants pour que les esti-
mations de mouvement tendent vers une solution exacte avec la modélisation linéaire. Cepen-
dant, comme dans notre cas nous avons beaucoup moins de paramètres de mouvement nous
pouvons penser qu’un nombre restreint de capteurs devrait suffire à modéliser correctement
nos paramètres de mouvement.

Les mesures utilisées pour évaluer cette méthode sont pour la plupart simplement basées
sur la comparaison de résultats donnés par différentes méthodes, aucune de ces méthodes
n’étant parfaite. Toutes ces mesures prises ensemble nous permettent cependant de conclure
sur le bon fonctionnement de notre méthode. L’évaluation aurait été un peu plus facile si nous
avions pris un modèle pour représenter les mouvements plus simple avec des translations et
des rotations. Cependant, l’avantage de la transformation affine est de prendre en compte les
sorties de plan de coupe dues à la respiration entre deux images en les approximant à l’intérieur
du plan par des remises à l’échelle et du cisaillement. Évidement pour pallier complètement
ces problèmes il faudrait travailler en 3D.

Un des avantages de cette méthode par rapport aux traditionnels navigateurs est que l’uti-
lisation des signaux physiologiques ajoute une forme de contrainte sur les paramètres estimés.
Par conséquent, ceci assure la consistance entre les estimations faites à différents moments ce
qui n’est pas forcément le cas avec les algorithmes d’estimation de mouvement ou encore avec
les navigateurs. Effectivement, il n’est pas rare de voir des algorithmes d’estimation de mouve-
ment, paramétriques ou non, diverger et donner des solutions aberrantes. De façon similaire,
lorsque l’on utilise des navigateurs 1D positionnés sur l’hémidiaphragme droit il y a toujours
une phase de calibration d’environ 30 s qui permet de déterminer la position de fin d’expira-
tion. Pendant cette première phase, seule la séquence de navigation est utilisée. Ensuite, lorsque
les séquences d’imagerie et de navigation sont jouées de façon entrelacée, il n’est pas rare que la
séquence d’imagerie perturbe la séquence de navigation et vice-versa. Ceci a pour conséquence
que les estimations de mouvement faites sur les navigateurs seront imprécises voire fausses.
Notre méthode devrait permettre d’éviter ce problème et de s’assurer de la consistance des es-
timations grâce à l’utilisation des signaux physiologiques.

Il existe un certain nombre d’applications potentielles pour la méthode proposée, qui de-
viendrait particulièrement intéressante pour les acquisitions longues qui ne pourraient pas ce
faire en apnée. L’angiographie des coronaires par résonance magnétique est une application in-
téressante de cette méthode mais nécessiterait quand même de définir une fenêtre d’acceptation
des données. Dans ce cas, notre méthode permettrait d’agrandir la fenêtre d’acceptation des

162
 4.2 DIR-FSE avec navigateurs embarqués pour GRICS

données et d’éviter l’utilisation des navigateurs. Dans la plupart des applications d’imagerie
cardiaque si nous ne souhaitons pas définir de fenêtre d’acceptation, nous avons vu à la section
2.2 que lorsque l’on suit un organe donné mais qu’un autre organe statique est présent dans le
champ de vue alors l’objet statique créera des artefacts de type fantôme. On pourrait recons-
truire les images en utilisant GRICS qui devrait a priori être capable de supprimer les fantômes
provenant des objet statiques. Dans ce cas, on peut s’interroger sur l’apport d’une méthode par
rapport à l’autre. Il faudrait donc valider la méthode proposée dans la cadre d’une application
où elle pourrait être utilisée seule comme par exemple la spectroscopie cardiaque ou l’imagerie
temps réel. Dans le cadre de la spectroscopie cardiaque, on peut facilement suivre une voxel et
le replacer à chaque nouvelle acquisition. Ce genre d’applications nous permettrait d’éviter les
problèmes d’artefacts et faciliterait certainement l’utilisation de la spectroscopie cardiaque.

La méthode peut être facilement étendue à trois dimensions car l’algorithme de Netsch et al.
(2001) est au départ un algorithme 3D. Il y aurait 12 paramètres de mouvement à estimer dans
le cas 3D. Par contre, il faudrait changer l’acquisition des données images pour la calibration.
On pourrait, par exemple, faire 8 coupes entrelacées avec une SE-EPI multi-coupes. Cepen-
dant, l’amélioration de la résolution des images pour la calibration du modèle nous permet-
trait d’augmenter la précision des estimations des paramètres de mouvement. Des séquences
de type SSFSE ou des méthodes mettant en oeuvre un sous-échantillonage telles que SENSE ou
k − t SENSE sont tout à fait envisageables. De plus, de nouveaux types de capteurs en cours
de développement au laboratoire, tels que des accéléromètres ou des ceintures optiques, de-
vraient permettre de mieux représenter le mouvement pour obtenir de meilleures estimation
de ce mouvement.

4.1.6 Conclusion
Dans cette partie, nous avons proposé une méthode originale qui permet l’estimation de
mouvement en temps réel sans perturber les signaux RMN utilisés pour reconstruire les images.
Cette méthode est parfaitement adaptée à la correction prospective des mouvements. Nous
avons montré avec différents types de mesures que notre méthode donne des résultats consis-
tants et suffisamment précis pour pouvoir être considérée comme un candidat potentiel pour
la correction prospective des mouvements physiologiques. Nous avons également montré que
l’utilisation de peu de signaux physiologiques (amplitude des R extraite de l’ECG et ceintures
respiratoires) suffisait pour faire des estimations paramétriques de mouvement avec une bonne
précision.

4.2 DIR-FSE avec navigateurs embarqués pour GRICS

Dans cette partie, nous proposons de rajouter un navigateur embarqué dans une séquence
de DIR-FSE afin d’obtenir une information additionnelle sur le mouvement respiratoire pour
reconstruire les images en respiration libre avec l’algorithme GRICS. Cette information peut
être utilisée seule ou avec les ceintures respiratoires. Cela pourrait permettre de simplifier l’uti-
lisation de GRICS. Nous représentons ici les résultats préliminaires de ces travaux.

4.2.1 Principes et théorie

4.2.1.1 Séquence DIR-FSE-NAV
Comme nous l’avons dit dans la section 1.3.3, les premiers échos d’une séquence de type
FSE avec des impulsions de refocalisation inférieure à 180◦ ne sont pas stables (Le Roux, 2002).
Dans notre cas, nous utilisons généralement des angles de refocalisation de 155◦ à 1.5 T et de
137◦ à 3 T. Ceci a pour but de limiter le SAR. Par conséquent, étant donné l’encodage de phase

163
CHAPITRE 4. ADAPTATIONS SPATIALES

utilisé avec les FSE, l’utilisation du premier écho au centre de l’espace k peut être particuliè-
rement gênant pour le contraste obtenu sur l’image finale. Par exemple, dans le cadre d’une
mesure de T2 cela perturberait l’estimation que l’on ferait du T2 . Les temps d’écho accessibles
avec une FSE sont des multiples de l’espace inter-échos (ou echo spacing esp, il s’agit du temps
entre deux impulsions de refocalisation) et dépendent donc du nombre d’échos dans le train.
Effectivement, dans le cas des FSE, chaque écho du train est encodé en phase de façon différente
puis ces différents échos sont répartis de telle sorte que les échos ayant le TE le plus proche de
la valeur souhaitée soit placé au centre de l’espace k. On parle dans ce cas de TE effectif. La
figure 4.8 représente graphiquement la répartition des différents échos du train dans le cas où
nous avons 4 échos dans le train.

F IG . 4.8: Représentation du placement des différents échos d’une FSE dans l’espace k avec un train de
4 échos. Les 4 TE effectifs disponibles sont représentés.

Nous avons donc choisi d’utiliser le premier écho en tant que navigateur embarqué. Cette
technique, que nous appelons navigateurs embarqués, a été proposée par (Spraggins, 1990)
pour les séquences ciné cardiaques bSSFP. La difficulté dans ce cas est que l’on ne peut pas
utiliser un navigateur classique placé sur le diaphragme car cela perturberait l’état d’équilibre
nécessaire aux séquences bSSFP. Par conséquent, (Spraggins, 1990) a proposé d’utiliser un écho
sans encodage de phase, entrelacé avec les données encodées en phase, pour extraire les in-
formations de mouvement. D’autres méthodes plus récentes consistent à utiliser uniquement
quelques points acquis au centre de l’espace k disponibles juste après l’excitation (Brau et Brit-
tain, 2006, Crowe et al., 2004). Ces méthodes sont généralement utilisées pour faire du self-gating
c’est-à-dire du gating cardiaque et/ ou respiratoire directement à partir des données RMN.

Dans notre cas, étant donné que nous ne souhaitons pas utiliser le premier écho pour les
données image, nous utiliserons donc le premier écho qui ne sera pas encodé en phase pour en
extraire des informations de mouvement. Un tel écho est la ligne centrale de l’espace k et peut
être vu comme la projection de l’image sur l’axe défini par la direction de fréquence. Le reste
des échos du train sera encodé de la même façon que la séquence standard (figure 4.8). Nous
avons représenté cette séquence à la figure 4.9.

Comme nous souhaitons utiliser cette méthode en imagerie cardiaque morphologique, nous
utiliserons donc cette séquence avec une préparation DIR qui sera synchronisée avec l’activité
cardiaque.

4.2.1.2 Traitement des navigateurs

L’algorithme de reconstruction GRICS estime de façon itérative le modèle linéaire entre
les informations liées aux mouvements qu’on lui fournit en entrée (ceintures respiratoires par
exemple) et le mouvement de chaque pixel. Par conséquent, nous n’avons nullement besoin de
lui fournir des informations chiffrées sur le mouvement respiratoire mais seulement des infor-
mations relatives, c’est-à-dire par rapport à une référence à déterminer.

164
 4.2 DIR-FSE avec navigateurs embarqués pour GRICS

F IG . 4.9: Séquence d’échos de spins rapides avec navigateur intégré (FSE-NAV). Les données de na-
vigation acquises sont représentées en rouge et les données image en bleu. L’espace inter-échos esp est
représenté ici par 2τ .

Le premier algorithme pour estimer les mouvements à partir des navigateurs était simple-
ment basé sur le maximum de l’inter-corrélation des profils d’un navigateur n dans l’espace
image sn (x) et du navigateur de référence sr (x) (Ehman et Felmlee, 1989) tous les deux com-
posés de N points. Cet algorithme consistait donc à trouver :
x2
!
X
dˆ = arg max (c(d)) = arg max |sn (x − d)||sr (x)| . (4.20)
d d
x=x1

Dans ce cas on calcule généralement d sur un intervalle D entre les positions spatiales x1 et X2 .
Une autre méthode proposée par Wang et al. (1996) consistait à minimiser l’erreur quadratique
suivante :
x2
X
l(d) = ksn (x − d) − sr (x)k2 . (4.21)
x=x1

Le problème est qu’en pratique les profils des navigateurs peuvent varier de façon significative
au cours du temps. Cela peut, par exemple, provenir du fait queles séquences d’imagerie et de
navigation peuvent se perturber. On préfère généralement utiliser les informations de phase et
le théorème du décalage de Fourier. Si l’on considère que notre navigateur n est simplement le
navigateur de référence décalé spatialement on a donc :

F {sn (x)} = F {sr (x − d)} , (4.22)

 
2π
Sn (k) = Sr (k) exp − kd . (4.23)
N

Si ensuite on considère que le navigateur de référence est dans l’espace de Fourier de la forme :

Sr (k) = |Sr (k)| exp (−φ(k)) (4.24)

on peut alors extraire les déplacements d de l’équation (4.22) en calculant :

N
d= (arg {Sn∗ (k)Sn (k + 1)} − arg {Sr∗ (k)Sr (k + 1)}) . (4.25)
2π

165
CHAPITRE 4. ADAPTATIONS SPATIALES

Comme les données sont généralement bruitées, on préfère généralement utiliser la méthode
de Ahn et Cho (1987) qui consiste à faire la moyenne de l’ensemble des points S ∗ (k)S(k + 1)
disponibles afin d’être plus robuste au bruit. Ce qui nous donne :
    
N/2−2 N/2−2
ˆ N   X
∗
  X
∗

dAhn = arg Sn (k)Sn (k + 1) − arg Sr (k)Sr (k + 1)  . (4.26)
2π    
k=−N/2 k=−N/2

Nous utiliserons la méthode de Ahn et Cho (1987) pour extraire les informations de mouvement
des navigateurs. A noter qu’il existe plusieurs améliorations de cette méthode pour l’estimation
des déplacements soit dans le but de prendre en compte le bruit dans l’espace de Fourier (Foo
et King, 1999) soit pour limiter la complexité calculatoire (Nguyen et al., 2001).

4.2.2 Matériels et méthodes

Cette méthode a été évaluée sur l’IRM 3 T (Signa HDxt, GE Healthcare, Waukesha, WI,
USA) sur fantôme et sur un volontaire (femme, 32 ans, 70 kg, 1.70 m). Les essais sur fantôme
ont été faits avec la plateforme mobile présentée à la section 2.2.1.3 qui nous permet de créer
un mouvement proche du mouvement respiratoire dans la direction haut-bas. Nous avons uti-
lisé une antenne cardiaque à 8 éléments. L’antenne était posée sur une structure en bois et le
fantôme mobile était au centre de cette structure. Pour être plus proche du mouvement res-
piratoire réel, il aurait fallu créer un mouvement dans la longueur de l’aimant mais nous ne
disposons pas encore d’une telle plateforme mobile. Pour le volontaire, nous avons utilisé la
même antenne. Les signaux physiologiques ont été traités et enregistrés par le SAEC comme
précédemment. Nous avons utilisé deux capteurs ECG pour la synchronisation cardiaque ex-
terne et deux ceintures respiratoires ont été utilisées pour la reconstruction GRICS.

Le protocole de test était composé d’une acquisition avec la séquence DIR-FSE en apnée
pour servir de référence et comparer les reconstructions en respiration libre, puis de 4 acquisi-
tions en respiration libre avec la séquence DIR-FSE-NAV. Rappelons que l’algorithme GRICS a
besoin d’une certaine redondance des données afin de surdéterminer les systèmes d’équations
pour l’estimation du modèle de mouvement et la reconstruction généralisée. Pour le fantôme
et le volontaire, nous avons utilisé un TI de 600 ms et une synchronisation tous les 2RR. Pour le
volontaire, toutes les coupes ont été faites en petit axe. Le temps d’inversion utilisé ici est plus
long qu’à 1.5 T car le T1 du sang est plus long à 3 T. Nous avons donc augmenté le TI en accord
avec la formule de Fleckenstein (3.2). La valeur du T1 du sang est souvent considérée comme
étant de l’ordre de 1500 à 1600 ms (Greenman et al., 2003, Noeske et al., 2000, Schar et al., 2004)
même si certains auteurs rapportent des valeurs plus élevées de l’ordre de 1900 ms (Stanisz
et al., 2005). La longueur du train d’échos a été fixée à 8 pour l’expérience faite sur fantôme et
à 8 puis à 16 pour le volontaire. L’acquisition en apnée a uniquement été faite avec un train
d’échos de 16 car l’apnée était trop longue avec un train d’échos de 8. Les autres paramètres de
la séquence sont récapitulés dans la table 4.6.

Afin de vérifier la possibilité d’utiliser les informations de déplacement extraites des navi-
gateurs, nous calculerons expérimentalement les corrélations linéaires entre les informations
des navigateurs et les ceintures respiratoires. Nous calculerons la signification statistique de
ces coefficients de corrélation à partir d’eux-mêmes et du nombre d’échantillons (Hays, 1994).
Ensuite, les données en respiration libre seront reconstruites en faisant la moyenne des diffé-
rents jeux de données, puis avec l’algorithme GRICS en utilisant, soit les ceintures respiratoires
et leurs dérivées, soit les déplacements extraits des navigateurs, soit les deux. Comme il n’y
pour le moment qu’un seul volontaire, les image seront simplement visuellement comparées
les unes avec les autres.

166
 4.2 DIR-FSE avec navigateurs embarqués pour GRICS

Paramètre Valeur
TE 35 ms
TR 2RR
Épaisseur 5 mm
Bande Passante 125 kHz
Refocalisation 137◦
Phase Ny 256
Fréquence Nx 256
ETL 8 ou 16
TI 600 ms
Épaisseur DIR 15 mm

TAB . 4.6: Paramètres de la séquence utilisés pour l’évaluation de la séquence DIR-FSE-NAV.

4.2.3 Résultats
Les corrélations linéaires entre les ceintures et les déplacements estimés à partir des navi-
gateurs avec l’algorithme de Ahn et Cho (1987) sont regroupées dans la table 4.7. Ce tableau
nous indique une excellente corrélation dans le cas du volontaire (−0.93 ± 0.03) ce qui n’est pas
le cas pour le fantôme (−0.46 ± 0.08).

ETL 8 ETL 16
Fantôme −0.40† −0.43† −0.45† −0.57†
Volontaire −0.94† −0.91† −0.93† −0.93† −0.96† −0.94† −0.87† −0.98†

TAB . 4.7: Coefficients de corrélation linéaire entre les déplacements extraits des navigateurs pour les
différentes acquisitions en respiration libre et la ceinture respiratoire pour les essais sur fantôme et sur
volontaire. Le signe † signifie que les coefficients correspondants sont statistiquement significatifs (p <
0.05).

Les images reconstruites avec l’algorithme GRICS sur le fantôme sont données à la figure
4.10. On remarque sur cette figure que l’image reconstruite avec GRICS est moins floue, avec
des contours beaucoup plus nets, que l’image moyenne. L’image reconstruite seulement avec
les navigateurs n’est pas d’aussi bonne qualité que celle reconstruite avec les ceintures. Ceci
n’est pas étonnant étant donné les faibles coefficients de corrélation obtenus avec le fantôme.

Les images reconstruites sur le volontaire sont données aux figures 4.11 et 4.12 avec les
ETL de 16 et de 8, respectivement. On remarque sur cette figure que la qualité des images re-
construites avec les ceintures respiratoires et les navigateurs seuls sont équivalentes. L’image
reconstruite avec les ceintures et les navigateurs est de qualité supérieure.

4.2.4 Discussion
Le but de cette étude préliminaire était double. Nous cherchions soit à avoir une informa-
tion en plus de celle fournie par les capteurs externes soit à simplifier l’utilisation de GRICS
sans avoir à utiliser le SAEC et donc à rendre son déploiement plus simple. Les résultats pré-
sentés sur le volontaire sont encourageants. Les résultats obtenus sur le fantôme avec le navi-
gateur ne sont pas bons et laissent penser qu’un élément durant cette expérience n’était pas
correct. L’expérience sur fantôme est donc à refaire. Cette séquence DIR-FSE-NAV pourrait être
très utile pour faire des mesures de T2 du myocarde en respiration libre avec l’algorithme pro-
posé par Lohezic et al. (2010a,b) qui a les avantages de GRICS mais sans ses inconvénients car
cette méthode exploite redondance directement à partir des différentes acquisitions faites avec
les différents temps d’écho. Comme il s’agit de résultats préliminaires, il faudra donc continuer

167
CHAPITRE 4. ADAPTATIONS SPATIALES

F IG . 4.10: Images reconstruites sur le fantôme mobile avec les différentes méthodes utilisées. La ceinture
respiratoire est utilisée avec sa dérivée.

F IG . 4.11: Images reconstruites sur le volontaire avec les différentes méthodes utilisées et un train
d’échos de 16. La ceinture respiratoire est utilisée avec sa dérivée.

168
 4.2 DIR-FSE avec navigateurs embarqués pour GRICS

F IG . 4.12: Images reconstruites sur le volontaire avec les différentes méthodes utilisées et un train
d’échos de 8. La ceinture respiratoire est utilisée avec sa dérivée.

à exploiter cette direction.

L’avantage des navigateurs traditionnels placés sur l’hémidiaphragme droit par rapport
aux lignes centrales de l’espace k est qu’ils n’imposent a priori pas de contraintes sur l’orienta-
tion de la coupe. Effectivement, pour que la technique des lignes centrales ou des navigateurs
embarqués fonctionnent correctement, il faut que la direction de fréquence soit dans la direc-
tion du mouvement. Ceci impose donc la direction de sélection de coupe. Dans le cas des FSE,
on peut toujours pour la séquence d’imagerie inverser les directions de phase et de fréquence
en respectant les conditions CPMG, l’important étant de ne pas modifier les gradients de sé-
lection de coupe. D’un autre coté, dans la cas du navigateur embarqué, on est sûr de ne pas
perturber l’aimantation dans la coupe d’intérêt ce qui peut ne pas être le cas avec les naviga-
teurs diaphragmatiques. Effectivement, dans ce dernier cas, l’interaction entre les aimantations
mesurées pour les navigateurs et pour l’image dépend beaucoup du placement d’un volume
excité par rapport à l’autre et des impulsions RF utilisées. Ce qui signifie, qu’en pratique, le
positionnement des navigateurs diaphragmatiques et du volume d’intérêt doit être fait avec
précaution. De plus Spincemaille et al. (2007a) ont montré que les lignes centrales, ou simple-
ment le centre de l’espace, était bien corrélé au mouvement du diaphragme et des ceintures
mais qu’ils étaient très dépendant de l’orientation des coupes.

Il existe bien d’autres possibilités pour utiliser des navigateurs diaphragmatiques avec une
séquence DIR-FSE. On peut citer par exemple Spincemaille et al. (2007b) qui propose de com-
biner l’utilisation des navigateurs avec une technique pour acquérir différentes coupes à dif-
férentes positions du diaphragme connue sous le nom de "Simultaneous Multiple Volume"
ou "SMV" (Kolmogorov et al., 2004, 2003) et avec une technique d’ordonnancent des lignes de
phase en fonction du déplacement mesuré avec le navigateur, technique nommée "Phase Or-
dering With Automatic Window Selection" ou "PAWS" (Jhooti et al., 2000). Dans ces travaux,
les auteurs proposent d’acquérir les navigateurs (sur le diaphragme) une première fois avant

169
CHAPITRE 4. ADAPTATIONS SPATIALES

la préparation DIR afin que l’algorithme SMV determine la coupe qui sera acquise, ce qui per-
met de déterminer où sera placée la préparation DIR. Un suivi de plan de coupe est également
utilisé en considérant que le coeur se déplace de 0.6 fois le déplacement du diaphragme (Wang
et al., 1995) et une implusion de 180◦ est ajoutée après la préparation DIR afin de limiter les
pertes de signal dues aux navigateurs. Ensuite le navigateur est acquis pour effectuer le même
type de suivi de coupe et pour déterminer quelles sont les lignes de phase à acquérir grâce à
l’algorithme PAWS et la position du diaphragme ou quelles sont les lignes à rejeter. Cette mé-
thode semble donner de bons résultats mais elle pourrait ne pas fonctionner correctement en
cas de dérive respiratoire importante du diaphragme pendant l’acquisition. La méthode que
nous proposons est plus simple à mettre en oeuvre au niveau séquence et acquisition et, en cas
de dérive importante, les images finales pourront toujours être reconstruites tant que le mou-
vement reste mesurable.

L’utilisation des données provenant des lignes centrales de l’espace k a été très récemment
publiée mais avec des séquences de type bSSFP pour faire des cinés cardiaques en respiration
libre et sans ECG (Odille et al., 2010). L’utilisation de ces navigateurs semble donner d’aussi
bons résultats que les résultats obtenus à Nancy en utilisant les signaux externes (ECG et cein-
tures) (Vuissoz et al., 2010a, 2009b). Ces résultats nous laissent penser que la méthode que nous
proposons devrait donner de bons résultats. On peut imaginer utiliser un autre écho, le dernier
par exemple, afin d’obtenir plus d’informations pour mieux modéliser le mouvement et ajouter
une certaine dynamique.

4.2.5 Conclusion
Ces résultats préliminaires sur l’utilisation des lignes centrales de l’espace k embarquées
dans une séquence DIR-FSE sont encourageants. Les signaux extraits des naviagateurs sont,
dans le cas du volontaire, bien corrélés avec les signaux respiratoires couramment utilisés par
l’algorithme GRICS. Les images reconstruites pour le volontaire avec les naviagteurs sont de
qualité comparable à celles reconstruites avec les ceintures. On remarque une certaine amélio-
ration lorsque les ceintures et les navigateurs sont utilisés. Cette étude doit être poursuivie sur
une population plus large afin de valider la méthode proposée. Cette méthode trouvera tout à
fait sa place dans le cadre une application de mesure de T2 du myocarde en respiration libre
avec la méthode de reconstruction proposée par (Lohezic et al., 2010a,b).

170
Conclusions et perspectives

Dans cet ultime chapitre, nous récapitulons les différentes contributions en IRM cardiaque
de ces travaux de recherche. Les différentes méthodes proposées dans le présent document
ont montrées leurs potentiels dans un contexte clinique. Cependant, les résultats obtenus ont
également mis en évidence que plusieurs points restent à traiter. Les différentes perspectives
de ces travaux font l’objet de la dernière partie de ce chapitre.

Conclusions
Les notions essentielles de la RMN et de l’IRM ont été revues brièvement dans la chapitre
1. Nous avons également rappelé le principe des séquences couramment utilisées en IRM car-
diaque comme les séquences de type FSE ou FIESTA. Pour pouvoir adapter les séquences d’ac-
quisition aux spécificités de chaque personne, il est impératif de bien comprendre le fonction-
nement des organes d’intérêt ; le cœur dans notre cas. Nous avons donc rappelé le fonction-
nement du cœur ainsi que son rôle. Ceci nous a permis de décrire le mouvement cardiaque
qui est intrinsèque au fonctionnement du cœur. Ce dernier est aussi animé d’un mouvement
d’origine respiratoire qui se traduit essentiellement par des mouvements de translation dans la
direction supérieure-inférieure et dans la direction antéro-postérieure. Les techniques utilisées
couramment en clinique en IRM cardiaque pour s’affranchir de ces mouvements ont été dé-
crites en détails. Ces techniques sont la synchronisation cardiaque, respiratoire et l’apnée. Elles
ont chacune leurs intérêts et nous avons vu qu’elles étaient leurs limites dues aux non repro-
ductibilités des cycles cardiaques et des mouvements induits par la respiration. Nous avons
également vu les différentes approches qui ont été proposées dans la littérature pour prendre
en compte les mouvements et les variabilités physiologiques de chaque patient. Tous ces diffé-
rents points importants ont fait l’objet du chapitre 2. De cet état de l’art, nous avons tiré deux
directions de recherche privilégiées. La première étant l’adaptation temporelle des séquences
d’acquisition aux variations des cycles cardiaques et la deuxième étant l’adaptation spatiale.

Comme nous l’avons signalé au chapitre 3, la non reproductibilité des cycles cardiaques est
assez rarement prise en compte et est très souvent négligée. Une méthode a été proposée afin
de prendre en compte ces variations dans le contexte d’une application à l’imagerie en sang
noir en télésystole. Comme nous l’avons montré, pour cette application la prise en compte des
variations des cycles cardiaques est essentielle. La méthode proposée est basée sur une tech-
nique récursive bien connue, le filtrage de Kalman, qui est particulièrement bien adaptée aux
applications temps réel. Le bon fonctionnement du principe proposé a été démontré sur une po-
pulation de sujets sains et plusieurs applications cliniques potentielles ont été proposées. Cette
nouvelle méthode nous pemet de faire de l’imagerie en télésystole de façon systématique. Ceci
nous a permis de comparer le temps de relaxation transversale T2 du myocarde durant la té-
lésystole et la mésodiastole. Une estimation du T2 du ventricule droit a également été donnée
grâce à cette méthode. Même si la méthode adaptative proposée à la section 3.2 a uniquement
été appliquée à l’imagerie sang noir en télésystole et aux ciné FIESTA, cette méthode est géné-
rale et peut s’appliquer à toutes les séquences synchronisées à l’ECG. Dans certains cas, cette
méthode peut être plus simple à mettre en place comme dans le cas des séquences sans pré-
paration longue. Cependant, cette technique trouve tout son intérêt lorsqu’elle est utilisée avec

171
Conclusions et perspectives

des séquences utilisant des préparations longues. La méthode adaptative a aussi été appliquée
en respiration libre suivie d’une reconstruction intégrant les mouvements. Dans ce cas, nous
avons vu que notre méthode est moins performante en respiration libre qu’en apnée en terme
d’erreur faite sur le trigger delay. Cependant, les images obtenues après reconstruction sont de
bonne qualité et elles sont bien en télésystole.

Dès le chapitre 2, nous avons signalé que l’un des points les plus importants pour faire de
la correction prospective de mouvement était d’estimer ces mouvements en temps réel et de
façon suffisamment précise. Ainsi, une méthode originale a été proposée qui permet l’estima-
tion de mouvements en temps réel sans perturber les signaux RMN utilisés pour reconstruire
les images. La méthode proposée est basée sur l’utilisation de sources d’information externes,
telles que les ceintures respiratoires et les ECG, dont nous disposons généralement en IRM
cardiaque. Cette méthode a été conçue pour être parfaitement adaptée à la correction prospec-
tive des mouvements. Nous avons montré avec différents types de mesures que notre méthode
donne des résultats consistants et suffisamment précis pour pouvoir être considérée comme un
candidat potentiel pour la correction prospective des mouvements physiologiques. Nous avons
également montré que l’utilisation de peu de signaux physiologiques (amplitude des ondes R
extraites de l’ECG et ceintures respiratoires) suffisait pour faire des estimations paramétriques
de mouvement avec une bonne précision. Quelques résultats préliminaires sur l’utilisation de
lignes centrales de l’espace k ont également été présentés et montrent un bon potentiel.

Perspectives
La méthode adaptative pour l’imagerie en sang noir et en télésystole introduit cependant
un problème qui pourrait être gênant, surtout dans le plan basal. Cependant, la solution à ce
problème est parfaitement connue. Effectivement, comme nous l’avons signalé, lorsque l’on
fait de l’imagerie sang noir en télésystole avec les méthodes présentées au chapitre 3, la pré-
paration DIR n’est plus faite dans une position proche de celle où se trouve le cœur lors de
l’acquisition FSE. Nous avons montré que ceci pouvait avoir pour conséquence des pertes de
signal au niveau des ventricules, en apnée et en respiration libre. Afin d’éviter ceci, il serait utile
de positionner les préparations DIR en fonction du mouvement cardiaque de telle sorte que les
préparations et les acquisitions soient faites sur les mêmes zones anatomiques des ventricules.
On peut très bien imaginer une technique similaire à celle présentée au chapitre 4.1 pour adap-
tativement placer les préparations et les acquisitions sur les zones anatomiques d’intérêt.

A la section 3.4, nous avons comparé les résultats obtenus avec la méthode adaptative en
respiration libre par rapport à ceux obtenus en apnée. Les résultats en respiration libre laissent
à penser qu’une meilleure modélisation des phénomènes d’arythmie sinusale respiratoire per-
mettrait de mieux prédire la durée des cycles cardiaques. Pour ce faire, il est impératif de com-
prendre ce phénomène de RSA qui semblent ne pas être bien, ou pas suffisamment bien, connu
d’après ce que l’on trouve dans la littérature. Il faut donc étudier plus en détail ce phéno-
mène pour comprendre les liens entre durée des cycles cardiaques, respiration, circonférence
du thorax, oxymétrie et, peut-être d’autres grandeurs. Pour comprendre ces liens qui semblent
particulièrement complexes, on peut imaginer utiliser des outils provenant de l’intelligence ar-
tificielle et du traitement du signal.

La modélisation des variations des intervalles RR utilisée dans ces travaux a plusieurs avan-
tages. Sa formulation linéaire est bien adaptée au filtrage de Kalman, elle est valable pour tout
le monde. De plus, cette modélisation pourrait être adaptée à chaque sujet ou patient en ajou-
tant quelques paramètres de réglage à déterminer en fonction de la physiologie de chacun. Par
exemple, on pourrait très bien intégrer un modèle cardiaque à la modélisation en un autre le
filtre de Kalman afin d’adapter le modèle cardiaque avec les informations dont nous disposons.
Ce point particulier nécessite de plus amples recherches en apnée et en respiration libre sur une

172
importante population de sujets sains et de patients ayant des maladies cardiaques.

Coté clinique, la méthode adaptative pour l’imagerie en télésystole devrait être privilégiée
dans un certain nombre de pathologies liées au ventricule droit. Par exemple, nous pouvons
citer la dysplasie ou cardiomyopathie arrythmogène du ventricule droit qui se caractérise sou-
vent par des infiltrations graisseuses de la paroi du ventricule droit. L’imagerie sang noir en
télésystole pourrait aussi être utile pour mesurer l’épaisseur du péricarde dans les cas suspec-
tés de péricardite chronique constrictive. Cette méthode pourrait aussi être utile dans les cas
de myocardites car les inflammations du myocarde de ce genre sont souvent plus facilement
visibles en télésystole. Pour montrer l’utilité de cette méthode, il faut lancer une étude en colla-
boration avec les radiologues sur des patients suspectés d’avoir les infections que nous avons
citées.

Cette méthode adaptative pourrait tout à fait faire l’objet d’un prototype en vue d’être dis-
tribuée plus largement et, éventuellement, de devenir un produit. Cependant, il faut déjà mon-
trer son potentiel en clinique. Il reste quand même quelques problèmes techniques à regler avec
les ingénieurs de GE avant de pouvoir en faire un prototype capable de fonctionner seul sans
le SAEC.

Les différentes méthodes proposées durant ces travaux peuvent être utilisées ensemble. On
peut très bien utiliser la séquence DIR-FSE-NAV présentée à la section 4.2 pour l’imagerie en
télésystole et utiliser les signaux issus des navigateurs embarqués pour estimer les durées des
cycles cardiaques avec le filtre de Kalman. La méthode d’estimation de mouvement temps réel
peut également être utilisée avec l’imagerie en télésystole.

Une application intéressante de la méthode d’estimation de mouvement temps réel de la

section 4.2 serait l’angiographie des coronaires par IRM avec une séquence 3D. On peut éga-
lement combiner cette méthode avec le système de prédiction des cycles cardiaques pour faire
de l’imagerie cardiaque 3D et sang noir du cœur. On peut supposer que faire ces acquisitions
en télésystole permettrait de voir différemment les coronaires et surtout de mieux voir les in-
flammations et les plaques au niveau des parois artérielles.

173
Troisième partie

Annexes

175
Annexe A

Filtrage de Kalman

Considérons un système avec une représentation d’état discrète et, pour faire simple, li-
néaire décrit par les équations ci-dessous :
(
xn+1 = Fn xn + un
(A.1)
yn = Gn xn + vn ·
Le vecteur d’état xn est défini comme un ensemble suffisant de variables permettant de
décrire la dynamique du système. On peut noter qu’il existe bien des variantes de ce genre
de systèmes qui ne sont pas nécessairement linéaires. Généralement, le vecteur d’état est in-
connu et pas mesurable, mais on connaît un ensemble de données d’observation, noté yn le
vecteur d’observation, qui est utilisé pour estimer le vecteur d’état xn . La première équation
(A.1), appelée équation d’évolution, décrit l’évolution du vecteur d’état xn via la matrice de
transition ou d’évolution Fn . Dans cette même équation, un est le bruit d’évolution et repré-
sente la confiance que l’on peut avoir dans la modélisation de l’évolution du vecteur d’état
xn . La deuxième équation (A.1), appelée équation d’observation, décrit le lien entre le vecteur
d’état et le vecteur d’observation via la matrice de mesure ou d’observation Gn . Dans cette der-
nière équation, vn est le bruit d’observation et représente la confiance que l’on peut avoir dans
la modélisation des observations par rapport au vecteur d’état xn . Pour simplifier, on peut
considérer que un et vn suivent une distribution gaussienne centrée de variance-covariance
constante. Les matrices de variance-covariance de un et vn , notées respectivement Qun et Qvn ,
sont généralement mises à des valeurs traduisant la confiance que l’on a dans la modélisation
de notre système comme expliqué ci-dessus.

Si on suppose que xn suit une distribution gaussienne, la solution optimale au sens des
moindres carrés a été présentée par Kalman (1960) et est depuis connue sous le nom filtre
de Kalman. Il s’agit d’un processus récursif de prédiction et de correction dans lequel les
moyennes et écarts types des grandeurs d’intérêt sont propagés de façon récursive. Ces cal-
culs récursifs peuvent s’écrire sous la forme suivante :

−1
Kn = Fn Qen,n−1 GH e H u
n Gn Qn,n−1 Gn + Qn ,
αn = yn − Gn x̂n|y1 ..yn−1 ,
x̂n+1|y1 ..yn = Fn x̂n|y1 ..yn−1 + Kn αn , (A.2)
Qen = Qen,n−1 − Fn Kn Gn Qen,n−1 ,
Qen+1,n = Fn Qen FH
n + Qvn ,

où Qe n,n−1 est la matrice de corrélation de l’erreur entre xn et x̂n|y1 ..yn−1 . x̂n|y1 ..yn−1 est l’esti-
mation de xn connaissant les données observées y jusqu’au temps n − 1. Qe n est la matrice
de corrélation de l’erreur entre xn et x̂n|y1 ..yn . Kn s’appelle généralement le gain de Kalman
et αn est le vecteur d’innovation. x̂n+1|y1 ..yn est l’estimation de xn+1 connaissant les données
observées : c’est la prédiction du vecteur d’état à l’instant n + 1. Une fois que la prédiction du

177
ANNEXE A. FILTRAGE DE KALMAN

vecteur d’état a été calculée, la prédiction des prochaines données observées peut être calculée
grâce à la matrice de mesure :

ŷn+1|y1 ..yn = Gn x̂n+1|y1 ..yn . (A.3)

En théorie, la représentation d’état discrète n’a pas besoin d’être linéaire et les bruits n’ont
pas besoin d’être gaussiens. Il faut seulement que les moyennes et variances des variables aléa-
toires puissent être estimées correctement par mise à jour à chaque itération. Il faut aussi que
ces deux moments (moyennes et variances) puissent être estimés via un estimateur linéaire.
Ceci est démontré de façon claire dans van der Merwe (2004). On peut également trouver de
plus amples informations sur le filtrage de Kalman dans Haykin (1996).

178
Annexe B

Détails des séquences

Cette annexe a pour but de lister les différentes séquences qui ont été modifiées durant
ces travaux et qui sont couramment utilisées pour les protocoles de recherche, le but étant de
donner les éléments utiles à ceux qui souhaiteront continuer à utiliser ces séquences avec les
prochaines versions logicielles de l’IRM.

Chez General Electric (GE) les séquences se présentent sous la forme de fichiers écrits en
EPIC ou EPIC+1 . Ces fichiers sont ensuite compilés pour former deux exécutables : un exécu-
table pour la partie prescription de la séquence (choix des paramètres d’acquisition, des plans
de coupe, des options etc.) et un second pour la partie exécution temps réel de la séquence.

B.1 fgrext
La plupart des séquences fournies par General Electric peuvent être utilisées avec le trigger,
ou déclenchement, externe à l’aide d’un signal TTL envoyé sur J6 ou J7 à l’arrière du MGD2
sur la carte STIF3 . Il suffit alors de changer la valeur d’une variable qui est accessible depuis
l’interface graphique de prescription des séquences en mode recherche. Cependant, ce trigger
externe ne peut être enclenché pour deux de ces séquences. Il s’agit de fgre4 et de son équivalent
3D efgre3d. Dans ces deux cas, il ne s’agit pas de triggering mais de gating c’est-à-dire qu’au lieu
d’attendre qu’un événement de déclenchement ait lieu pour déclencher l’acquisition, on fait les
acquisitions et on interroge un module qui nous indique si un événement a eu lieu ou non. Ces
deux méthodes d’acquisitions sont très utilisées en imagerie cardiaque et l’événement en ques-
tion est la détection d’une onde R sur l’ECG. Par exemple, la méthode de triggering est utilisée
pour les DIR-FSE (voir la section 3.1) et celle du gating pour les cinés (voir la section 2.3.1). Notre
problème est que dans le cas du gating, l’événement qui nous est indiqué à travers une fonction
f bas-niveau est l’apparition ou non d’une onde R sur l’entrée ECG standard, c’est-à-dire l’en-
trée qui se trouve en face avant de l’IRM. Par conséquent, il n’est pas possible de faire des cinés
ou des séquences en contraste de phase en utilisant une des entrées extérieures et notre plate-
forme SAEC pour détecter les ondes R. La séquence fgrext a été créée pour répondre à ce besoin.

La séquence fgrext est directement basée sur fgre qui contient la plupart des séquences
d’écho de gradient rapides 2D. Pour prendre en compte les différentes entrées externes, il a
fallu recréer une fonction f2 semblable à la fonction f mais capable de prendre en compte les
entrées externes. En effet, en temps normal, le code de la fonction f n’est pas distribué, essen-
tiellement pour des raisons de sécurité5 . Cependant, grâce aux accords de recherche avancés
1
EPIC signifie Environnement for Pulse sequence programming In C, il s’agit de l’environnement de programma-
tion de séquences des machines GE. Attention, EPIC+ n’a rien à voir avec C++, il s’agit d’une extension d’EPIC
introduisant un système de modules.
2
MGD signifie Multi-Generational Data acquisition
3
STIF signifie Sequence and Trigger related functions Interface
4
fgre signifie Fast Gradient Recalled Echo
5
Effectivement, certains changements "bas niveau" peuvent, éventuellement, avoir des effets indésirables pou-

179
ANNEXE B. DÉTAILS DES SÉQUENCES

entre GE et le laboratoire IADI, j’ai pu avoir un accès total à toutes ces fonctions. Cette fonction
a été créée sur les serveurs de Waukesha avant d’être réintroduite sous forme de librairie au
laboratoire IADI pour être intégrée dans la séquence fgre. Étant donné que les entrées externes
fonctionnent différemment des entrées standard, un certain nombre de différences d’implé-
mentation sont à garder en tête et des variables supplémentaires doivent être réglées sur le
"User CV’s Screen" dans l’interface de l’IRM. Le mode d’empoi de cette séquence est dispo-
nible sur le serveur "commun" du laboratoire IADI.

Toutes les cinés faites pour l’évaluation de la méthode adaptative pour l’acquisition en té-
lésystole (chapitre 3) ont été faites avec cette séquence. Cette séquence a également été utilisée
avec la méthode adaptative pour l’acquisition en télésystole comme indiqué à la section 3.2.6
page 117 (Bonnemains et al., 2009). De plus, cette séquence a été utilisée sur volontaires sains
pour voir l’influence de différents systèmes de trigger cardiaque couramment utilisés en cli-
nique à Nancy sur la mesure du débit aortique grâce à une séquence de contraste de phase.
Dans ce cas, nous avons dans un premier temps utilisé un système de monitorage Maglife de
Schiller Medical possédant une sortie ECG optique qui est ensuite démodulée et transformée
en signal électique par un convertisseur afin d’être branchée dans l’entrée standard en face
avant de l’IRM (ce système sera nommé système 1). Dans un second temps, nous avons utilisé
une sortie binaire optique du Maglife qui sera ensuite convertie en signal TTL et branchée dans
une des entrées externes (ce système sera nommé système 2). Dans les deux cas, nous avons
utilisé des capteurs ECG standard avec une bande passante de 20 Hz et des capteurs avec une
bande passante plus large de 60 Hz. Le résultat sur ces courbes de débit est donné à la figure
B.1.

Sur la figure B.1, on remarque que l’utilisation du deuxième système de synchronisation

(celui qui utilise l’entrée externe) permet de prendre en compte l’onde R détectée de façon
beaucoup plus précoce. Ceci signifie qu’il faut faire attention dans la pratique quotidienne à la
mise en cascade de ce genre de systèmes (Maglife, convertisseur, système GE) car ils intègrent
tous des traitements qui, mis bout à bout, engendrent un retard qui peut être gênant même si
tous ces systèmes, utilisés indépendamment, fonctionnent parfaitement bien. Les mêmes tests
ont également été faits avec le SAEC et l’entrée externe et nous avons obtenu des résultats
similaires à ceux obtenus avec le système 2.

B.2 fgrekt
La séquence fgrekt est également basée sur la séquence produit fgre et intègre une couver-
ture de l’espace k-t inspirée de celle utilisée dans k-t-SENSE (Tsao et al., 2003). Deux paramètres
ont été rajoutés. Le premier que nous nommerons N permet d’acquérir une ligne sur N de l’es-
pace k. Ensuite, on acquiert les lignes adjacentes aux lignes déjà acquises toujours en prenant
une ligne sur N . On répète l’opération jusqu’à ce que l’ensemble des données de l’image soit
acquis. Ce schéma d’acquisition permet de créer Ny /N groupes de lignes pour l’acquisition
d’une image, avec Ny le nombre de lignes de phase. Un second paramètre permet d’activer
un mélange de ces Ny /N groupes de lignes du schéma précédemment décrit de telle sorte que
chaque groupe soit le plus différent possible du précédent. La figure B.2 devrait permettre de
clarifier la situation.

Cette séquence est généralement utilisée en FIESTA multiphase (répétée dans le temps)
avec le mélange des groupes. Ces données sont ensuite utilisées pour reconstruire des cinés
cardiaques avec GRICS (Vuissoz et al., 2010a, 2009b). L’idée de ce schéma d’acquisition était
que les données couvrent au mieux l’espace des mouvements cardio-respiratoires afin que l’al-
gorithme de reconstruction GRICS estime au mieux le modèle de mouvement.
vant mettre en jeu la sécurité des patients. N’oublions pas que nous travaillons sur des machines cliniques et que
chaque changement doit être réversible et "non-invasif".

180
 B.3 fsegrics

F IG . B.1: Influence sur les courbes de débit aortique du système de synchronisation. Courbes de débit
aortique faites avec une séquence de contraste de phase. On remarque que l’utilisation du système de
synchronisation 2 (celui qui utilise l’entrée externe) permet de prendre en compte l’onde R détectée de
façon beaucoup plus précoce.

Cette séquence intègre également deux signaux de sortie TTL supplémentaires nommés
start et stop. Le premier de ces signaux est une impulsion TTL d’une durée de 10 ms (valeur
par défaut mais réglable) qui est actif avant le début de la séquence et permet donc de signa-
ler qu’une séquence va commencer. Le deuxième est une impulsion TTL de même durée actif
après la fin de la séquence et permet de signaler la fin d’une séquence. Ces signaux ont été
intégrés afin de démarrer et d’arrêter automatiquement l’enregistrement des signaux physio-
logiques avec le SAEC et d’automatiser l’utilisation de GRICS.

Sur les machines GE, il est possible de lancer automatiquement un exécutable avec un cer-
tain nombre de paramètres d’entrée à la fin d’une séquence. Cette séquence utilise cette exé-
cution automatique afin de sauvegarder un fichier décrivant l’ordre de parcours de l’espace k.
Cet exécutable permettra à terme de transférer automatiquement les fichiers de données brutes,
entre autres, vers un cluster de calcul pour GRICS.

B.3 fsegrics
Cette séquence est basée sur la séquence produit des fse. Pas de gros changement par rap-
port à l’original, elle intègre essentiellement les signaux start et stop et un exécutable pour
sauvegarder un fichier, différent du précédent, décrivant l’ordre de parcours de l’espace k. A
l’heure actuelle, elle est utilisée pour l’automatisation de GRICS dans le cadre de l’imagerie en
sang noir et en mésodiastole en respiration libre. Cette séquence peut aussi être utilisée avec le
SAEC pour faire de l’imagerie en télésystole.

181
ANNEXE B. DÉTAILS DES SÉQUENCES

F IG . B.2: Les deux types d’acquisition possibles d’une image avec la séquence fgrekt. Cet exemple a été
fait avec Ny = 64 et N = 8. A gauche, le schéma d’acquisition classique où une ligne sur N est acquise.
A droite, le schéma d’acquisition où les différents groupes sont mélangés.

B.4 fsenav
Cette séquence a été décrite en détails à la section 4.2. Elle est également basée sur la sé-
quence produit des fse et intégre l’acquisition d’une ligne centrale supplémentaire de l’espace k
par train d’échos. Ce navigateur 1D a jusqu’à présent été utilisé comme information de mouve-
ment dans la reconstruction GRICS mais pourrait être utilisé pour faire un trigger respiratoire.

B.5 fsekft
Cette séquence est très similaire à l’original. Dans le cas d’une DIR-FSE, cette séquence per-
mettait de contrôler l’épaisseur de coupe de la réinversion du module DIR indépendamment
de l’épaisseur de coupe. Elle permettait aussi de sauvegarder des fichiers de façon automatique
et de limiter le nombre de changements de variable à faire pour l’imagerie en télésystole. Cette
séquence a été utilisée pour faire toutes les DIR-FSE présentées au chapitre 3.

B.6 ssfsekft
Cette séquence a été développée dans le but d’avoir une séquence single shot multiphase
(répétée dans le temps) d’une meilleure résolution spatiale que les SE-EPI. Cette séquence est
basée sur la séquence de ssfse c’est-à-dire Single Shot Fast Spin Echo. A l’origine, cette séquence
n’est pas multiphase. Le premier travail a donc été de rendre cette séquence multiphase dans le
but d’acquérir une ou plusieurs coupes par cycle cardiaque ou tous les deux cycles cardiaques.
A l’heure actuelle, cette séquence fonctionne en version 14. Il reste encore à intégrer un module
DIR pour la suppression du signal du sang. Je prévoyais initialement d’utiliser cette séquence
à la place de la SE-EPI pour la calibration de la méthode d’estimation des mouvements temps
réel présentée à la section 4.1. Malheureusement, je n’ai eu le temps de finir cette séquence pour
l’appliquer à la méthode d’estimation de mouvement temps réel.

182
 B.7 fgremotion

B.7 fgremotion
Cette séquence est basée sur la séquence fgre et permet de déplacer le plan de coupe dans
les trois directions en temps réel. Dans l’implémentation actuelle, on peut appliquer un mou-
vement sinusoïdal indépendant dans chaque direction en spécifiant l’amplitude, la fréquence
et la phase des sinusoïdes. Ceci avait pour but de trouver comment faire pour utiliser les in-
formations données par la méthode d’estimation de mouvement temps réel. Faute de temps,
et à cause du nombre de problèmes techniques à régler cette méthode d’estimation temps réel
n’a pas été appliquée pour le moment. Cependant, cette séquence a servi à faire les images des
figures 2.16 et 2.17 pour montrer l’effet sur l’image d’un mouvement du plan de coupe lorsque
que l’objet est fixe.

183
Annexe C

Contributions et publications

Les recherches effectuées dans ce cadre ont fait l’objet d’un certain nombre de publications
dans des journaux internationaux et des communications dans des conférences nationales et
internationales (Bonnemains et al., 2009, Fernandez et al., 2008a,b, 2010a, 2009a,b,c, 2010b,c,
2008c, Lohezic et al., 2009a,b, 2010a,b, Odille et al., 2007c, Oster et al., 2009b, Vuissoz et al., 2010a,
2009a,b, 2010b,c). Nous énumérons ci-dessous uniquement la liste des communications accep-
tées ou déjà parues :

C.1 Journaux Internationaux

2010
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Fel-
blinger, "Adaptive Black Blood Fast Spin Echo for End-Systolic Rest Cardiac Imaging",
Magnetic Resonance in Medicine, 64 :1760-1771, 2010.

C.2 Conférences Internationales

2010
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-
ger, "Adaptive Method for Black Blood Cardiac Imaging in End-Systolic Rest Improves
Visualization of the Right Ventricular Wall" in Proc. of the annual meeting of the International
Society for Magnetic Resonance in Medicine, Stockholm, Sweden, 2010. p. 3615.
– M. Lohezic, A. Menini, B. Fernandez, D. Mandry, P.-A. Vuissoz and J. Felblinger, "Free
Breathing Myocardial T2 Measurements" in Proc. of the annual meeting of the International
Society for Magnetic Resonance in Medicine, Stockholm, Sweden, 2010. p. 2958.
– P.-A. Vuissoz, F. Odille, B. Fernandez, M. Lohezic, A. Benhadid, D. Mandry and J. Fel-
blinger, "High Spatial and Temporal Resolution Free Breathing Cardiac CINE-GRICS :
512x512 vs 128x128 matrix" in Proc. of the annual meeting of the International Society for Ma-
gnetic Resonance in Medicine, Stockholm, Sweden, 2010. p. 5016.
– P.-A. Vuissoz, F. Odille, B. Fernandez, M. Lohezic, A. Benhadid, D. Mandry and J. Fel-
blinger, "Analysis of Cardio-Respiratory Motion of the Heart Using GRICS (first insights)"
in Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine,
Stockholm, Sweden, 2010. p. 3601.
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Fel-
blinger, "Beat to Beat Management of Heart Cycle Changes for Black Blood Imaging in
End-Systolic Rest" in ISMRM Workshop on Current Concepts of Motion Correction for MRI
and MRS, Kitzbühel, Tyrol, Austria, 2010.
– M. Lohezic, A. Menini, B. Fernandez, D. Mandry, P.-A. Vuissoz and J. Felblinger, "Mo-
tion Corrected T2 Mapping : Application to Free-Breathing Myocardial Measurements"

185
ANNEXE C. CONTRIBUTIONS ET PUBLICATIONS

in ISMRM Workshop on Current Concepts of Motion Correction for MRI and MRS, Kitzbühel,
Tyrol, Austria, 2010.
– P.-A. Vuissoz, D. Mandry, B. Fernandez, M. Lohezic, A. Benhadid, F. Odille and J. Fel-
blinger, "Left ventricular function assessment on free breathing acquisitions using CINE-
GRICS" in ISMRM Workshop on Current Concepts of Motion Correction for MRI and MRS,
Kitzbühel, Tyrol, Austria, 2010.
2009
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-
ger, "Adaptive Trigger Delay Using a Predictive Model Applied to Black Blood Fast Spin
Echo Cardiac Imaging in Systole" in Proc. of the annual meeting of the International Society
for Magnetic Resonance in Medicine, Honolulu, Hawaii, USA, 2009. p. 4719.
– J. Oster, B. Fernandez, M. Lohezic, D. Mandry, P.-A. Vuissoz, O. Pietquin and J. Fel-
blinger, "Adaptive Heart Rate Prediction for Black-Blood Systolic Imaging" in Proc. of
the annual meeting of the International Society for Magnetic Resonance in Medicine, Honolulu,
Hawaii, USA, 2009. p. 3935.
– M. Lohezic, B. Fernandez, J. Oster, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-
ger, "Free breathing black-blood systolic imaging using heart rate prediction and motion
compensated reconstruction" in Proc. of the annual meeting of the International Society for
Magnetic Resonance in Medicine, Honolulu, Hawaii, USA, 2009. p. 4629.
– P.-A. Vuissoz, F. Odille, B. Fernandez, M. Lohezic, A. Benhadid, D. Mandry and J. Fel-
blinger, "High Frame Rate Cardio-Respiratory Imaging Using Model-Based Reconstruc-
tion" in Proc. of the annual meeting of the International Society for Magnetic Resonance in Me-
dicine, Honolulu, Hawaii, USA, 2009. p. 4612.
– P.-A. Vuissoz, F. Odille, B. Fernandez, M. Lohezic, A. Benhadid, D. Mandry and J. Fel-
blinger, "Model-Based Reconstruction for Free-Breathing Cardiac CINE Imaging Using
GRICS" in Proc. of the annual meeting of the International Society for Magnetic Resonance in
Medicine, Honolulu, Hawaii, USA, 2009. p. 816.
2008
– B. Fernandez, M. Lohezic, P.-A. Vuissoz, and J. Felblinger, "New Approach for Affine
Transform Parameter Estimation for Prospective Motion Correction Using External Sen-
sors" in Proc. of the annual meeting of the International Society for Magnetic Resonance in Me-
dicine, Toronto, Ontario, Canada, 2008. p. 3118.
2007
– F. Odille, P.-A. Vuissoz, C. Pasquier, B. Fernandez and J. Felblinger, "Motion Artifact
Correction in Cardiac MRI as an Irregularly Sampled Parrallel Imaging Reconstruction"
in Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine,
Berlin, Germany, 2007. p. 872.

C.3 Conférences Nationales

2009
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-
ger, "Amélioration de l’Imagerie du Ventricule Droit en IRM Cardiaque en Sang Noir par
une Méthode Adaptative" in Actes des journées de Recherche Clinique Claude Huriet, Nancy,
France, 2009.
– M. Lohezic, A. Menini, B. Fernandez, D. Mandry, P.-A. Vuissoz and J. Felblinger, "Me-
sure de T2 sur le Myocarde en Respiration Libre" in Actes des journées de Recherche Clinique
Claude Huriet, Nancy, France, 2009.
– L. Bonnemains, P.-A. Vuissoz, B. Fernandez, J. Oster, P.-Y. Marie and J. Felblinger,
"Impact de la Prédiction Automatisée de la Systole et de la Diastole sur la Mesure des
Volumes Ventriculaire en IRM" in Actes des journées de Recherche Clinique Claude Huriet,
Nancy, France, 2009.

186
 C.3 Conférences Nationales

– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-

ger, "Synchronisation Adaptative Utilisant un Modèle Prédictif : Application à l’Imagerie
Cardiaque par résonance Magnétique en Sang Noir et en Systole" in Actes des journées de
Recherche en Imagerie et Technologies de la Santé (RITS’09), Lille, France, 2009.
2008
– B. Fernandez, J. Oster, M. Lohezic, D. Mandry, O. Pietquin, P.-A. Vuissoz and J. Felblin-
ger, "Synchronisation Adaptative Utilisant un Modèle Prédictif : Application à l’Imagerie
Cardiaque par résonance Magnétique en Sang Noir et en Systole" in Actes des journées de
Recherche Clinique Claude Huriet, Nancy, France, 2008.
– B. Fernandez, P.-A. Vuissoz and J. Felblinger, "Utilisation des Capteurs Externes pour
l’Estimation des Paramètres de Transformation Affine pour la Correction Prospective des
Mouvements" in Actes du 12ème Congrès du Groupe de Recherche sur les Applications du Ma-
gnétisme en Médecine (GRAMM’08), Lyon, 2008.

187
Bibliographie

Z. Q. A BABNEH, R. A BABNEH, S. E. M AIER, C. S. W INALSKI, K. O SHIO, A. M. A BABNEH et

R. V. M ULKERN : On the correlation between T2 and tissue diffusion coefficients in exercised
muscle : Quantitative measurements at 3T within the tibialis anterior. Magnetic Resonance
Materials in Physics, Biology and Medicine, 21(4):273–278, 2008.
R. A BÄCHERLI, C. PASQUIER, F. O DILLE, M. K RAEMER, J.-J. S CHMID et J. F ELBLINGER : Sup-
pression of MR gradient artefacts on electrophysiological signals based on an adaptive real-
time filter with LMS coefficient updates. Magma, 18:41–50, 2005.
H. A BDEL -ATY, P. B OYÉ, A. Z AGROSEK, R. WASSMUTH, A. K UMAR, D. M ESSROGHLI, P. B OCK,
R. D IETZ, M. G. F RIEDRICH et J. S CHULZ -M ENGER : Diagnostic performance of cardiovas-
cular magnetic resonance in patients with suspected acute myocarditis : Comparison of dif-
ferent approaches. Journal of the American College of Cardiology, 45:1815–1822, 2005.
H. A BDEL -ATY, O. S IMONETTI et M. G. F RIEDRICH : T2 -weighted cardiovascular magnetic
resonance imaging. Journal of Magnetic Resonance Imaging, 26:452–459, 2007.
H. A BDEL -ATY, A. Z AGROSEK, J. S CHULZ -M ENGER, A. J. TAYLOR, D. M ESSROGHLI, A. K U -
MAR , M. G ROSS , R. D IETZ et M. G. F RIEDRICH : Delayed enhancement and T2-weighted
cardiovascular magnetic resonance imaging differentiate acute from chronic myocardial in-
farction. Circulation, 109:2411–2416, 2004.
H. A BDI : Partial least squares (PLS) regression. Encyclopedia of Social Sciences Research Methods,
p. 792–795, 2003.
N. A. A BLITT, J. G AO, J. K EEGAN, L. S TEGGER, D. N. F IRMIN et G. . YANG : Predictive cardiac
motion modeling and correction with partial least squares regression. IEEE Transactions on
Medical Imaging, 23(10):1315–1324, 2004.
U. R. A CHARYA, M. S ANKARANARAYANAN, J. N AYAK, C. X IANG et T. TAMURA : Automatic
identification of cardiac health using modeling techniques : A comparative study. Information
Sciences, 178:4571–4582, 2008.
G. R. A DAMS, M. R. D UVOISIN et G. A. D UDLEY : Magnetic resonance imaging and electro-
myography as indexes of muscle function. Journal of applied physiology, 73(4):1578–1583, 1992.
C. B. A HN et Z. H. C HO : New phase correction method in NMR imaging based on autocorre-
lation and histogram analysis. IEEE Transactions on Medical Imaging, MI-6(1):32–36, 1987.
M. A KSOY : Real time prospective motion-correction II - practical solutions. In Proc. of In-
ternational Society for Magnetic Resonance in Medicine Workshop on Current Concepts of Motion
Correction for MRI and MRS, Kitzbühel, Tyrol, Austria, 2010.
D. C. A LSOP : The sensitivity of low flip angle RARE imaging. Magnetic Resonance in Medicine,
37:176–184, 1997.
B. S. A RMSTRONG : Optical markers and detection accuracy. In Proc. of International Society for
Magnetic Resonance in Medicine Workshop on Current Concepts of Motion Correction for MRI and
MRS, Kitzbühel, Tyrol, Austria, 2010.

189
BIBLIOGRAPHIE

R. A SHMAN : The normal duration of the Q-T interval. American Heart Journal, 23:522–534,
1942.

D. ATKINSON et D. L. G. H ILL : Reconstruction after rotational motion. Magnetic Resonance in

Medicine, 49(1):183–187, 2003.

D. ATKINSON, D. L. G. H ILL, P. N. R. S TOYLE, P. E. S UMMERS, S. C LARE, R. B OWTELL et S. F.

K EEVIL : Automatic compensation of motion artifacts in MRI. Magnetic Resonance in Medicine,
41(1):163–170, 1999.

D. R. B AILES, D. J. G ILDERDALE et G. M. B YDDER : Respiratory ordered phase encoding

(ROPE) : A method for reducing respiratory motion artefacts in MR imaging. Journal of com-
puter assisted tomography, 9(4):835–838, 1985.

R. B AMMER, M. A KSOY et C. L IU : Augmented generalized SENSE reconstruction to correct for

rigid body motion. Magnetic Resonance in Medicine, 57(1):90–102, 2007.

P. G. B ATCHELOR, D. ATKINSON, P. I RARRAZAVAL, D. L. G. H ILL, J. H AJNAL et D. L ARKMAN :

Matrix description of general motion correction applied to multishot images. Magnetic Reso-
nance in Medicine, 54(5):1273–1280, 2005.

H. B AZETT : An analysis of the time-relations of electrocardiograms. Heart, 7:353–370, 1920.

D. E. B EISCHER et J. C. K NEPTON : Influence of strong magnetic fields on the electrocardiogram

of squirrel monkeys. Aerospace medicine, 35:939–944, 1964.

S. B EN L AMINE, P. C ALABRESE, H. P ERRAULT, T. D INH, A. E BERHARD et G. B ENCHETRIT :

Individual differences in respiratory sinus arrhythmia. American Journal of Physiology - Heart
and Circulatory Physiology, 286(6):H2305–2312, Jan 2004.

S. J. B ERKOWITZ, R. M ACEDO, A. A. M ALAYERI, S. M. S HEA, C. H. L ORENZ, H. C ALKINS,

J. V OGEL -C LAUSSEN, H. TANDRI et D. A. B LUEMKE : Axial black blood turbo spin echo
imaging of the right ventricle. Magnetic Resonance in Medicine, 61:307–314, 2009.

M. A. B ERNSTEIN, K. F. K ING et X. J. Z HOU : Handbook of MRI Pulse Sequences. Elsevier Acade-

mic Press, 2004.

J. M. B LACKALL, S. A HMAD, M. E. M IQUEL, J. R. M C C LELLAND, D. B. L ANDAU et D. J.

H AWKES : MRI-based measurements of respiratory motion variability and assessment of
imaging strategies for radiotherapy planning. Physics in Medicine and Biology, 51(17):4147–
4169, 2006.

F. B LOCH, W. W. H ANSEN et M. PACKARD : Nuclear induction. Physical Review, 69(3-4):127,

Feb 1946.

C. B OMMA, D. D ALAL, H. TANDRI, K. P RAKASA, K. N ASIR, A. R OGUIN, C. T ICHNELL,

C. J AMES, J. A. L IMA, H. C ALKINS et D. A. B LUEMKE : Regional differences in systolic and
diastolic function in arrhythmogenic right ventricular dysplasia/cardiomyopathy using ma-
gnetic resonance imaging. American Journal of Cardiology, 95:1507–1511, 2005.

C. B OMMA, J. R UTBERG, H. TANDRI, K. N ASIR, A. R OGUIN, C. T ICHNELL, R. R ODRIGUEZ,

C. J AMES, E. K ASPER, P. S PEVAK, D. A. B LUEMKE et H. C ALKINS : Misdiagnosis of arrhyth-
mogenic right ventricular dysplasia/cardiomyopathy. Journal of Cardiovascular Electrophysio-
logy, 15:300–306, 2004.

L. B ONNEMAINS, P.-A. V UISSOZ, B. F ERNANDEZ, J. O STER, P.-Y. M ARIE et J. F ELBLINGER :

Impact de la prédiction automatisée de la systole et de la diastole sur la mesure des volumes
ventriculaire en IRM. In Actes des journées de Recherche Clinique Claude Huriet, Nancy, France,
2009.

190
 BIBLIOGRAPHIE

P. B ORNERT, B. A LDEFELD et K. N EHRKE : Improved 3D spiral imaging for coronary MR an-

giography. Magnetic Resonance in Medicine, 45(1):172–175, 2001.

L. M. B OXT, D. H SU, J. K ATZ, P. D ETWEILER, S. M C L AUGHLIN, T. J. K OLB et H. M. S POTNITZ :

Estimation of myocardial water content using transverse relaxation time from dual spin-echo
magnetic resonance imaging. Magnetic resonance imaging, 11(3):375–383, 1993.

A. C. S. B RAU et J. H. B RITTAIN : Generalized self-navigated motion detection technique :

Preliminary investigation in abdominal imaging. Magnetic Resonance in Medicine, 55(2):263–
270, 2006.

A. B ROADMAN, F. S CHLINDWEIN, A. R OCHA et A. L EITE : A study on the optimun order of

autoregressive models for heart rate variability. Physiological Measurement, 23:324–336, 2002.

M. A. B ROWN et R. C. S EMELKA : MR imaging abbreviations, definitions, and descriptions : A

review. Radiology, 213:647–662, 1999.

T. B ROX : From pixels to regions : partial differential equations in image analysis. Thèse de doctorat,
Faculty of Mathematics and Computer Science, Saarland University, Germany, April 2005.

T. B ROX, A. B RUHN, N. PAPENBERG et J. W EICKERT : High accuracy optical flow estimation ba-
sed on a theory for warping. In T. PAJDLA et J. M ATAS, éds : European Conference on Computer
Vision (ECCV), vol. 3024 de LNCS, p. 25–36, Prague, Czech Republic, May 2004. Springer.

G. D. B UCKBERG, A. M AHAJAN, B. J UNG, M. M ARKL, J. H ENNIG et M. B ALLESTER -R ODES :

MRI myocardial motion and fiber tracking : a confirmation of knowledge from different ima-
ging modalities. European Journal of Cardio-thoracic Surgery, 29(SUPPL. 1):S165–S177, 2006.

M. B UEHRER, S. K OZERKE et P. B OESIGER : Trigger delay adaptation during coronary MRA by

prediction of heart rate variations. In Proc. of the annual meeting of the International Society for
Magnetic Resonance in Medicine, p. 2240, Miami, Florida, USA, 2005.

R. F. B USSE, H. H ARIHARAN, A. V U et J. H. B RITTAIN : Fast spin echo sequences with very long
echo trains : Design of variable refocusing flip angle schedules and generation of clinical T2
constrast. Magnetic Resonance in Medicine, 55:1030–1037, 2006.

M. B YDDER, D. ATKINSON, D. J. L ARKMAN, D. L. G. H ILL et J. V. H AJNAL : Smash navigators.

Magnetic Resonance in Medicine, 49(3):493–500, 2003.

B. C AI et D. D UNSON : Bayesian multivariate isotonic regression splines : Applications to

carcinogenicity studies. Journal of the American Statistical Association, 102:1158–1171, 2007.

M. D. C ERQUEIRA, N. J. W EISSMAN, V. D ILSIZIAN, A. K. J ACOBS, S. K AUL, W. K. L ASKEY, D. J.

P ENNELL, J. A. R UMBERGER, T. RYAN et M. S. V ERANI : Standardized myocardial semen-
tation and nomenclature for tomographic imaging of the heart : A statement for healthcare
professionals from the cardiac imaging committee of the council on clinical cardiology of the
american heart association. Circulation, 105(4):539–542, 2002.

D. W. C HAKERES, A. K ANGARLU, H. B OUDOULAS et D. C. Y OUNG : Effect of Static Magnetic

Field Exposure of Up to 8 Tesla on Sequential Human Vital Sign Measurements. Journal of
Magnetic Resonance Imaging, 18:346–352, 2003.

A. B. C HERYAUKA, J. N. L EE, A. A. S AMSONOV, M. D EFRISE et G. T. G ULLBERG : MRI diffusion

tensor reconstruction with PROPELLER data acquisition. Magnetic resonance imaging, 22(2):
139–148, 2004.

M. C LYNES : Computer analysis of reflex control and organization : Respiratory sinus arrhyth-
mia. Science, 131:300–302, 1960.

191
BIBLIOGRAPHIE

J. G. C OBB et C. B. PASCHAL : Improved in vivo measurement of myocardial transverse re-

laxation with 3 Tesla magnetic resonance imaging. Journal of Magnetic Resonance Imaging, 30
(3):684–689, 2009.

M. A. C OBOS G IL et J. C. G. R UBIRA : Who was the creator of bazett’s formula ? Revista espanola
de cardiologia, 61(8):896–897, 2008.

A. P. C RAWLEY, M. L. W OOD et R. M. H ENKELMAN : Elimination of transverse coherences in

FLASH MRI. Magnetic Resonance in Medicine, 8:248–260, 1988.

M. E. C ROWE, A. C. L ARSON, Q. Z HANG, J. C ARR, R. D. W HITE, D. L I et O. P. S IMONETTI :

Automated rectilinear self-gated cardiac cine imaging. Magnetic Resonance in Medicine, 52
(4):782–788, 2004.

B. C UMMINGS : Cardiac anatomy, circulation, 2004. URL http://www.biologycorner.

com/anatomy/circulatory/images/heart03.jpg. Pearson Education Inc., Publi-
shing as Benjamin Cummings.

J.-N. D ACHER, J. C AUDRON, J. FARES et P. G ERMAIN : Chronic constrictive pericarditis : MR

imaging features - Comment je fais une IRM pour péricardite chronique constrictive ? Journal
de radiologie, 91(5 C2):623–629, 2010.

R. D AMADIAN : Tumor detection by nuclear magnetic resonance. Science, 171:1151–1153, 1971.

J. G. D ELFINO, M. B HASIN, R. C OLE, R. L. E ISNER, J. M ERLINO, A. R. L EON et J. N. O SHINSKI :

Comparison of myocardial velocities obtained with magnetic resonance phase velocity map-
ping and tissue doppler imaging in normal subjects and patients with left ventricular dys-
synchrony. Journal of Magnetic Resonance Imaging, 24(2):304–311, 2006.

J. H. D UYN : Steady state effects in fast gradient echo magnetic resonance imaging. Magnetic
Resonance in Medicine, 37:559–568, 1997.

F. E CKNER, B. B ROWN, D. D AVIDSON et S. G LAGOV : Dimensions fo normal human hearts :

after standard fixation by controlled pressure coronary perfusion. Archive of Pathology, 88:
497–507, 1969.

R. R. E DELMAN, W. J. M ANNING, D. B URSTEIN et S. PAULIN : Coronary arteries : Breath-hold

MR angiography. Radiology, 181(3):641–643, 1991.

R. L. E HMAN et J. P. F ELMLEE : Adaptive technique for high-definition MR imaging of moving

structures. Radiology, 173(1):255–263, 1989.

R. L. E HMAN, M. T. M C N AMARA et M. PALLACK : Magnetic resonance imaging with respira-

tory gating : Techniques and advantages. American Journal of Roentgenology, 143(6):1175–1182,
1984.

A. D. E LSTER : Gradients echo MRI imaging : Techniques and acronyms. Radiology, 186:1–8,
1993.

J. F ELBLINGER et C. B OESCH : Amplitude demodulation of the electrocardiogram signal (ECG)

for respiration monitoring and compensation during MR examinations. Magnetic Resonance
in Medicine, 38:129–136, 1997.

J. F ELBLINGER et C. B OESCH : Patient monitoring in the MR environment. Medical Radiology.

Diagnostic Imaging and Radiation Oncology, p. 105–112, 1998.

J. F ELBLINGER, J. S LOTBOOM, R. K REIS, B. J UNG et C. B OESCH : Restoration of electrophysiolo-

gical signals by inductive effects of magnetic field gradients during MR sequences. Magnetic
Resonance in Medicine, 41:715–721, 1999.

192
 BIBLIOGRAPHIE

B. F ERNANDEZ, M. L OHEZIC, P.-A. V UISSOZ et J. F ELBLINGER : New approach for affine trans-
form parameter estimation for prospective motion correction using external sensors. In Proc.
of the annual meeting of the International Society for Magnetic Resonance in Medicine, p. 3118,
Toronto, Ontario, Canada, 2008a.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Synchronisation adaptative utilisant un modèle prédictif : Application à l’image-
rie cardiaque par résonance magnétique en sang noir et en systole. In Actes des journées de
Recherche Clinique Claude Huriet, Nancy, France, 2008b.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Adaptive black blood fast spin echo for end-systolic rest cardiac imaging. Magnetic
Resonance in Medicine, 64:1760–1771, 2010a.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Adaptive trigger delay using a predictive model applied to black blood fast spin
echo cardiac imaging in systole. In Proc. of the annual meeting of the International Society for
Magnetic Resonance in Medicine, p. 4719, Honolulu, Hawaii, USA, 2009a.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Amélioration de l’imagerie du ventricule droit en IRM cardiaque en sang noir
par une méthode adaptative. In Actes des journées de Recherche Clinique Claude Huriet, Nancy,
France, 2009b.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Synchronisation adaptative utilisant un modèle prédictif : Application à l’image-
rie cardiaque par résonance magnétique en sang noir et en systole. In Actes des journées de
Recherche en Imagerie et Technologies de la Santé, Lille, France, 2009c.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Adaptive method for black blood cardiac imaging in end-systolic rest improves
visualization of the right ventricular wall. In Proc. of the annual meeting of the International
Society for Magnetic Resonance in Medicine, p. 3615, Stockholm, Sweden, 2010b.

B. F ERNANDEZ, J. O STER, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Beat to beat management of heart cycle changes for black blood imaging in end-
systolic rest. In Proc. of International Society for Magnetic Resonance in Medicine Workshop on
Current Concepts of Motion Correction for MRI and MRS, Kitzbühel, Tyrol, Austria, 2010c.

B. F ERNANDEZ, P.-A. V UISSOZ et J. F ELBLINGER : Utilisation des capteurs externes pour l’es-
timation des paramètres de transformation affine pour la correction prospective des mouve-
ments. In Actes du 12ème Congrès du Groupe de Recherche sur les Applications du Magnétisme en
Médecine, Lyon, France, 2008c.

R. W. F ISCHER, R. M. B OTNAR, K. N EHRKE, P. B OESIGER, W. J. M ANNING et D. C. P ETERS :

Analysis of residual coronary artery motion for breath hold and navigator approaches using
real-time coronary MRI. Magnetic Resonance in Medicine, 55(3):612–618, 2006.

S. E. F ISCHER, S. A. W ICKLINE et C. H. L ORENZ : Novel real-time R-wave detection algortihm

based on vectocardiogram for accurate gated magnetic resonance acquisitions. Magnetic Re-
sonance in Medicine, 42:361–370, 1999.

J. L. F LECKENSTEIN, B. T. A RCHER, B. A. B ARKER, J. T. VAUGHAN, R. W. PARKEY et R. M.

P ESHOCK : Fast short-tau inversion-recovery MR imaging. Radiology, 179:499–504, 1991.

T. K. F. F OO et K. F. K ING : A computationally efficient method for tracking reference position

displacements for motion compensation in magnetic resonance imaging. Magnetic Resonance
in Medicine, 42(3):548–553, 1999.

193
BIBLIOGRAPHIE

K. P. N. F ORBES, J. G. P IPE, C. R. B IRD et J. E. H EISERMAN : PROPELLER MRI : Clinical testing

of a novel technique for quantification and compensation of head motion. Journal of Magnetic
Resonance Imaging, 14(3):215–222, 2001.

C. T. G AFFEY, T. S. T ENFORDE et E. E. D EAN : Alterations in the electrocardiograms of baboons

exposed to DC magnetic fields. Bioelectromagnetics, 1:209, 1980.

P. G ELADI et B. R. K OWALSKI : Partial least-squares regression : a tutorial. Analytica Chimica

Acta, 185(C):1–17, 1986.

R. L. G REENMAN, J. E. S HIROSKY, R. V. M ULKERN et N. M. R OFSKY : Double inversion black-

blood fast spin-echo imaging of the human heart : A comparison between 1.5T and 3.0T.
Journal of Magnetic Resonance Imaging, 17(6):648–655, 2003.

M. W. G ROCH, D. A. T URNER et W. D. E RWIN : Respiratory gating in magnetic resonance ima-

ging : Improved image quality over non-gated images for equal scan time. Clinical imaging,
15(3):196–201, 1991.

E. M. H AACKE et J. L. PATRICK : Reducing motion artifacts in two-dimensional fourier trans-

form imaging. Magnetic resonance imaging, 4(4):359–376, 1986.

E. M. H AACKE, R. W. B ROWN, M. R. T HOMPSON et R. V ENKATESAN : Magnetic Resonance

Imaging : Physical Principles And Sequence Design. Wiley-Liss, 1999.

E. L. H AHN : Spin echoes. Physical Review, 80(4):580–594, Nov 1950.

S. S. H AYKIN : Adaptive Filter Theory., chap. 7, p. 302–334. Infornation and system sciences
series. Prentice Hall, Inc., Upper Saddle River, New Jersey 07458, 3rd édn, 1996.

S. S. H AYKIN : Kalman Filtering and Neural Networks., chap. 3, p. 23–65. John Wiley & Sons, Inc.,
New York, NY, USA, 2001. ISBN 0471369985.

W. L. H AYS : Statistics. Harcourt Brace, Fort Worth, Texas, USA, fifth édn, 1994.

T. H E, P. D. G ATEHOUSE, L. J. A NDERSON, M. TANNER, J. K EEGAN, D. J. P ENNELL et D. N.

F IRMIN : Development of a novel optimized breathhold technique for myocardial T2 measu-
rement in thalassemia. Journal of Magnetic Resonance Imaging, 24:580–585, 2006.

J. H ENNIG : Multiecho sequences with low refocusiong flip angles. Journal of Magnetic Reso-
nance, 78:397–407, 1988.

J. H ENNIG, A. N AUERTH et H. F RIEDBURG : RARE imaging : A fast imaging method for clinical
MR. Magnetic Resonance in Medicine, 3:823–833, 1986.

J. H ENNIG et K. S CHEFFLER : Hyperechoes. Magnetic Resonance in Medicine, 46:6–12, 2001.

J. H ENNIG, M. W EIGEL et K. S CHEFFLER : Multiecho sequences with variables refocusing filp

angles : Optimization of signal behavior using smooth transitions between pseudo steady
states (TRAPS). Magnetic Resonance in Medicine, 49:527–535, 2003.

J. H ENNIG, M. W EIGEL et K. S CHEFFLER : Calculation of flip angles for echo trains with prede-
fined amplitudes with the extended phase graph (EPG)-algorithm : Principles and applica-
tions to hyperecho and TRAPS sequences. Magnetic Resonance in Medicine, 51:68–80, 2004.

J. H ENNIG : K-space sampling strategies. European Radiology, 9:1020–1031, 1999.

E. A. H OFFMAN et E. L. R ITMAN : Invariant total heart volume in the intact thorax. American
Journal of Physiology - Heart and Circulatory Physiology, 18(4), 1985.

B. K. P. H ORN et B. G. S CHUNCK : Determining optical flow. Artificial Intelligence, 17(1-3):185–

203, 1981.

194
 BIBLIOGRAPHIE

J. H ORNEGGER : Pattern recognition methods to detect position. In Proc. of International Society

for Magnetic Resonance in Medicine Workshop on Current Concepts of Motion Correction for MRI
and MRS, Kitzbühel, Tyrol, Austria, 2010.

G. H UTCHINS et O. A NAYA : Measurement of cardiac size, chamber volumes and valve orificies
at autopsy. Johns Hopkins Medical Journal, 133:96–106, 1973.

Y. I WADATE, K. K ANDA, A. YAMAZAKI, S. K OSUGI et T. T SUKAMOTO 1 : Navigator echo ana-

lysis hybridizing magnitude and phase edge detection. In Proc. of the annual meeting of the
International Society for Magnetic Resonance in Medicine, p. 1468, Toronto, Ontario, Canada,
2008.

C. J AHNKE, K. N EHRKE, I. PAETSCH, B. S CHNACKENBURG, R. G EBKER, E. F LECK et E. N A -

GEL : Improved bulk myocardial motion suppression for navigator-gated coronary magnetic
resonance imaging. Journal of Magnetic Resonance Imaging, 26(3):780–786, 2007.

C. J AHNKE, I. PAETSCH, K. N EHRKE, B. S CHNACKENBURG, A. B ORNSTEDT, R. G EBKER,

E. F LECK et E. N AGEL : A new approach for rapid assessment of the cardiac rest period
for coronary MRA. Journal of Cardiovascular Magnetic Resonance, 7(2):395–399, 2005.

C. J AHNKE, I. PAETSCH, S. A CHENBACH, B. S CHNACKENBURG, R. G EBKER, E. F LECK et E. N A -

GEL : Coronary MR imaging : Breath-hold capability and patterns, coronary artery rest per-
iods, and β-blocker use. Radiology, 239:71–78, 2006.

P. J EHENSON, D. D UBOSC, T. L AVERGNE, L. G UIZE, F. G UÉRIN, M. D ESGEORGES et A. S YROTA :

Change in human cardiac rhythm induced by a 2-T static magnetic field. Radiology, 166:227–
230, 1988.

P. J HOOTI, P. D. G ATEHOUSE, J. K EEGAN, N. H. B UNCE, A. M. TAYLOR et D. N. F IRMIN : Phase

ordering with automatic window selection (PAWS) : A novel motion- resistant technique for
3D coronary imaging. Magnetic Resonance in Medicine, 43(3):470–480, 2000.

B. J UNG, D. F ÖLL, P. B ÖTTLER, S. P ETERSEN, J. H ENNIG et M. M ARKL : Detailed analysis

of myocardial motion in volunteers and patients using high-temporal-resolution MR tissue
phase mapping. Journal of Magnetic Resonance Imaging, 24(5):1033–1039, 2006.

R. E. K ALMAN : A new approach to linear filtering and prediction problems. Transactions of the
ASME - Journal of Basic Engineering, 82:35–45, 1960.

J. K EEGAN, P. G ATEHOUSE, G. . YANG et D. F IRMIN : Coronary artery motion with the respi-
ratory cycle during breath-holding and free-breathing : Implications for slice-followed coro-
nary artery imaging. Magnetic Resonance in Medicine, 47(3):476–481, 2002.

J. K EEGAN, P. D. G ATEHOUSE, S. K. P RASAD et D. N. F IRMIN : Improved turbo spin-echo

imaging of the heart with motion-tracking. Journal of Magnetic Resonance Imaging, 24:563–
570, 2006.

P. K ELLMAN, C. C HEFD ’ HOTEL, C. H. L ORENZ, C. M ANCINI, A. E. A RAI et E. R. M C V EIGH :

Fully automatic, retrospective enhancement of real-time acquired cardiac cine MR images
using image-based navigators and respiratory motion-corrected averaging. Magnetic Reso-
nance in Medicine, 59(4):771–778, 2008.

D. H. K IM, E. A DALSTEINSSON et D. M. S PIELMAN : Simple analytic variable density spiral

design. Magnetic Resonance in Medicine, 50:214–219, 2003.

W. Y. K IM, M. S TUBER, K. V. K ISSINGER, N. T. A NDERSEN, W. J. M ANNING et R. M. B OTNAR :

Impact of bulk motion on right coronary MR angiography and vessel wall imaging. Journal
of Magnetic Resonance Imaging, 14:383–390, 2001.

195
BIBLIOGRAPHIE

D. W. K ITZMAN, D. G. S CHOLZ, P. T. H AGEN, D. M. I LSTRUP et W. D. E DWARDS : Age-related

changes in normal human hearts during the first 10 decades of life. part II (maturity) : A
quantitative anatomic study of 765 specimens from subjects 20 to 99 years old. Mayo Clinic
proceedings, 63(2):137–146, 1988.
A. K OLIN : Electromagnetic blood flow meters. Science, 130:1088–1097, 1959.
V. K OLMOGOROV, T. D. N GUYEN, A. N UVAL, P. S PINCEMAILLE, M. R. P RINCE, R. Z ABIH et
Y. WANG : Multiprocessor scheduling implementation of the simultaneous multiple volume
(SMV) navigator method. Magnetic Resonance in Medicine, 52(2):362–367, 2004.
V. N. K OLMOGOROV, R. WATTS, M. R. P RINCE, R. Z ABIH et Y. WANG : Simultaneous mul-
tiple volume (SMV) acquisition algorithm for real-time navigator gating. Magnetic resonance
imaging, 21(9):969–975, 2003.
K. K OTANI, K. TAKAMASU, Y. J IMBO et Y. YAMAMOTO : Postural-induced phase shift of respira-
tory sinus arrhythmia and blood pressure variations : insight from respiratory-phase domain
analysis. American Journal of Physiology - Heart and Circulatory Physiology, 294(3):H1481–1489,
Jan 2008.
S. K OZERKE, M. B. S CHEIDEGGER, E. M. P EDERSEN et P. B OESIGER : Heart motion adapted cine
phase-contrast flow measurements through the aortic valve. Magnetic Resonance in Medicine,
42(5):970–978, 1999.
A. C. L ARSON, R. D. W HITE, G. L AUB, E. R. M C V EIGH, D. L I et O. P. S IMONETTI : Self-gated
cardiac cine MRI. Magnetic Resonance in Medicine, 51(1):93–102, 2004.
P. C. L AUTERBUR : Image formation by induced local interactions : Examples employing nu-
clear magnetic resonance. Nature, 242(5394):190–191, 1973.
P. L E R OUX : Non-CPMG fast spin echo with full signal. Journal of Magnetic Resonance, 155:278–
292, 2002.
P. L E R OUX et R. S. H INKS : Stabilization of echo amplitudes in FSE sequences. Magnetic
Resonance in Medicine, 30:183–191, 1993.
Z.-P. L IANG et P. C. L AUTERBUR : Principles of Magnetic Resonance Imaging : A signal Processing
Prespective. IEEE Press Series in Biomedical Engineering, 2000.
G. L IU et G. W RIGHT : Adapting trigger delays to heart rate for coronary MR angiography.
In Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine, p.
2157, Seattle, Washington, USA, 2006.
M. L OHEZIC, B. F ERNANDEZ, J. O STER, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -
BLINGER : Free breathing black-blood systolic imaging using heart rate prediction and mo-
tion compensated reconstruction. In Proc. of the annual meeting of the International Society for
Magnetic Resonance in Medicine, p. 4629, Honolulu, Hawaii, USA, 2009a.
M. L OHEZIC, A. M ENINI, B. F ERNANDEZ, D. M ANDRY, P.-A. V UISSOZ et J. F ELBLINGER : Me-
sure de T2 sur le myocarde en respiration libre. In Actes des journées de Recherche Clinique
Claude Huriet, Nancy, France, 2009b.
M. L OHEZIC, A. M ENINI, B. F ERNANDEZ, D. M ANDRY, P.-A. V UISSOZ et J. F ELBLINGER : Free
breathing myocardial T2 measurements. In Proc. of the annual meeting of the International So-
ciety for Magnetic Resonance in Medicine, p. 2958, Stockholm, Sweden, 2010a.
M. L OHEZIC, A. M ENINI, B. F ERNANDEZ, D. M ANDRY, P.-A. V UISSOZ et J. F ELBLINGER : Mo-
tion corrected T2 mapping : Application to free-breathing myocardial measurements. In Proc.
of International Society for Magnetic Resonance in Medicine Workshop on Current Concepts of Mo-
tion Correction for MRI and MRS, Kitzbühel, Tyrol, Austria, 2010b.

196
 BIBLIOGRAPHIE

C. H. L ORENZ, J. S. PASTOREK et J. M. B UNDY : Delineation of normal human left ventricular

twist throughout systole by tagged cine magnetic resonance imaging. Journal of Cardiovascu-
lar Magnetic Resonance, 2(2):97–108, 2000.

B. L UCAS et T. K ANADE : An iterative image registration technique with an application to

stereo vision. In Proceedings of imaging understanding workshop, p. 121–130, Washington, D.C.,
1981.

J. B. A. M AINTZ et M. A. V IERGEVER : A survey of medical image registration. Medical image

analysis, 2(1):1–36, 1998.

G. M ALFATTO, M. FACCHINI et A. Z AZA : Characterization of the non-linear rate-dependency

of QT intervals in humans. Europace, 5:163–170, 2003.

D. M ANDRY : Analyse et Gestion des Mouvements Physiologiques En IRM Thoraco-Abdominale.

Thèse de doctorat, Nancy-Université, Henry Poincaré, Nancy-1, 2009.

D. M ANKE, K. N EHRKE et P. B ÖRNERT : Novel prospective respiratory motion correction ap-

proach for free-breathing coronary MR angiography using a patient-adapted affine motion
model. Magnetic Resonance in Medicine, 50(1):122–131, 2003.

D. M ANKE, K. N EHRKE, P. B ÖRNERT, P. R ÖSCH et O. D ÖSSEL : Respiratory motion in coro-

nary magnetic resonance angiography : A comparison of different motion models. Journal of
Magnetic Resonance Imaging, 15(6):661–671, 2002a.

D. M ANKE, P. R ÖSCH, K. N EHRKE, P. B ÖRNERT et O. D ÖSSEL : Model evaluation and calibration

for prospective respiratory motion correction in coronary MR angiography based on 3-D
image registration. IEEE Transactions on Medical Imaging, 21(9):1132–1141, 2002b.

P. M ANSFIELD : Multi-planar image formation using NMR spin echoes. Journal of Physics C :
Solid State Physics, 10(3):L55–L58, 1977.

P. M ANSFIELD et A. M AUDSLEY : Planar spin imaging by NMR. Journal of Physics C : Solid State
Physics, 9(15):L409–L412, 1976.

P. Y. M ARIE, M. A NGIOÏ, J. P. C ARTEAUX, J. M. E SCANYE, S. M ATTEI, K. T ZVETANOV, O. C LAU -

DON , N. H ASSAN , N. D ANCHIN , G. K ARCHER , A. B ERTRAND , P. M. WALKER et J. P. V ILLE -
MOT : Detection and prediction of acute heart transplant rejection with the myocardial T2
determination provided by a black-blood magnetic resonance imaging sequence. Journal of
the American College of Cardiology, 37:825–831, 2001.

A. R. M C I NTOSH, F. L. B OOKSTEIN, J. V. H AXBY et C. L. G RADY : Spatial pattern analysis of

functional brain images using partial least squares. NeuroImage, 3(3 I):143–157, 1996.

K. M C L EISH, D. L. G. H ILL, D. ATKINSON, J. M. B LACKALL et R. R AZAVI : A study of the

motion and deformation of the heart due to respiration. IEEE Transactions on Medical Imaging,
21(9):1142–1150, 2002.

C. H. M EYER, B. S. H U, D. G. N ISHIMURA et A. M ACOVSKI : Fast spiral coronary artery ima-

ging. Magnetic Resonance in Medicine, 28:202–213, 1992.

R. M EZRICH : A perspective on k-space. Radiology, 195:297–315, 1995.

S. M ILLMAN, I. I. R ABI et J. R. Z ACHARIAS : On the nuclear moments of indium. Physical

Review, 53(5):384–391, Mar 1938.

V. M UTHURANGU, P. L URZ, J. D. C RITCHELY, J. E. D EANFIELD, A. M. TAYLOR et M. S. H ANSEN :

Real-time assessment of right and left ventricular volumes and function in patients with
congenital heart disease by using high spatiotemporal resolution radial k-t SENSE. Radiology,
248(3):782–791, 2008.

197
BIBLIOGRAPHIE

K. N EHRKE et P. B ÖRNERT : Prospective correction of affine motion for arbitrary MR sequences

on a clinical scanner. Magnetic Resonance in Medicine, 54(5):1130–1138, 2005.

K. N EHRKE, P. B ÖRNERT, D. M ANKE et J. C. B ÖCK : Free-breathing cardiac MR imaging : Study

of implications of respiratory motion - initial results. Radiology, 220(3):810–815, 2001.

T. N ETSCH, P. R ÖSCH, A. VAN M UISWINKEL et J. W EESE : Towards real-time multi-modality

3D medical image registration. Proceeding International Conference on Computer Vision ICCV,
p. 501–508, 2001.

F. H. N ETTER : The Netter Collection of Medical Illustrations, The Heart, vol. 5. Ciba Pharmaceutical
Company, 1992.

T. D. N GUYEN, Y. WANG, R. WATTS et I. M ITCHELL : k-space weighted least-squares algorithm

for accurate and fast motion extraction from magnetic resonance navigator echoes. Magnetic
Resonance in Medicine, 46(5):1037–1040, 2001.

R. N OESKE, F. S EIFERT, K. . R HEIN et H. R INNEBERG : Human cardiac imaging at 3T using

phased array coils. Magnetic Resonance in Medicine, 44(6):978–982, 2000.

F. O DILLE, N. C ÎNDEA, D. M ANDRY, C. PASQUIER, P. . V UISSOZ et J. F ELBLINGER : Generali-

zed MRI reconstruction including elastic physiological motion and coil sensitivity encoding.
Magnetic Resonance in Medicine, 59(6):1401–1411, 2008a.

F. O DILLE, C. PASQUIER, P.-A. V UISSOZ, M. C LAUDON et J. F ELBLINGER : Linear predictive

modeling of patient motion using external sensors. In Proc. of the annual meeting of the Inter-
national Society for Magnetic Resonance in Medicine, p. 02524, Berlin, Germany, 2007a.

F. O DILLE, S. U RIBE, P. G. B ATCHELOR, C. P RIETO, T. S CHAEFFTER et D. ATKINSON : Model-

based reconstruction for cardiac cine MRI without ECG or breath holding. Magnetic Reso-
nance in Medicine, 63:1247–1257, 2010.

F. O DILLE : Imagerie Adaptative en IRM : Utilisation des Informations de Mouvements Physiologiques

pour l’Optimisation des Processus d’Acquisition et de Reconstruction. Thèse de doctorat, Nancy-
Université, Laboratoire IADI, Novembre 2007.

F. O DILLE, C. PASQUIER, R. A BÄCHERLI, P.-A. V UISSOZ, G. P. Z IENTARA et J. F ELBLINGER :

Noise cancellation signal precessing method and computer system for improved real-time
electrocardiogram artifact correction during MRI data acquisition. IEEE Transactions on Bio-
medical Engineering, 54:630–640, 2007b.

F. O DILLE, P.-A. V UISSOZ, P.-Y. M ARIE et J. F ELBLINGER : Generalized reconstruction by in-

version of coupled systems (GRICS) applied to free-breathing MRI. Magnetic Resonance in
Medicine, 60:146–157, 2008b.

F. O DILLE, P.-A. V UISSOZ, C. PASQUIER, B. F ERNANDEZ et J. F ELBLINGER : Motion artifact

correction in cardiac MRI as an irregularly sampled parrallel imaging reconstruction. In
Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine, p. 872,
Berlin, Germany, 2007c.

J. N. O SHINSKI, L. H OFLAND, S. M UKUNDAN J R ., W. T. D IXON, W. J. PARKS et R. I. P ETTIGREW :

Two-dimensional coronary MR angiography without breath holding. Radiology, 201(3):737–
743, 1996.

J. O STER, O. P IETQUIN, R. A BÄCHERLI, M. K RAEMER et J. F ELBLINGER : Independent com-

ponent analysis-based artefact reduction : application to the electrocardiogram for improved
magnetic resonance imaging triggering. Physiological Measurement, 30(12):1381–1397, 2009a.

198
 BIBLIOGRAPHIE

J. O STER, O. P IETQUIN, M. K RAEMER et J. F ELBLINGER : Nonlinear bayesian filtering for denoi-

sing of electrocardiograms acquired in a magnetic resonance environment. IEEE Transactions
on Biomedical Engineering, 57(7):1628–1638, 2010.

J. O STER : Traitement temps-réel des signaux électrophysiologiques acquis dans un environnement

d’Imagerie par Résonance Magnétique. Thèse de doctorat, Nancy-Université, Laboratoire IADI,
Novembre 2009.

J. O STER, B. F ERNANDEZ, M. L OHEZIC, D. M ANDRY, O. P IETQUIN, P.-A. V UISSOZ et J. F EL -

BLINGER : Adaptive heart rate prediction for black-blood systolic imaging. In Proc. of the
annual meeting of the International Society for Magnetic Resonance in Medicine, p. 3935, Hono-
lulu, Hawaii, USA, 2009b.

J. O STER, O. P IETQUIN, G. B OSSER et J. F ELBLINGER : Adaptive RR prediction for cardiac MRI.

In Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing, p.
513–516, Las Vegas, Nevada, USA, 2008.

C. B. PASCHAL et H. D. M ORRIS : K-space in the clinic. Journal of Magnetic Resonance Imaging,

19:145–159, 2004.

C. PASQUIER, F. O DILLE, R. A BAECHERLI, P.-A. V UISSOZ, M. C LAUDON et J. F ELBLINGER :

Modeling of organ’s motion using external sensors. In Proc. of the annual meeting of the Inter-
national Society for Magnetic Resonance in Medicine, p. 03201, Seattle, Washington, USA, 2006.

C. PASQUIER : Capteurs de Mouvement Dédiés à l’Imagerie Adaptative en IRM : Dévoloppement

Technique et Méthologique. Thèse de doctorat, Nancy-Université, Henry Poincaré, Nancy-1,
2007.

J. PAULY, P. L. R OUX, D. N ISHIMARA et A. M ACOVSKI : Parameter relations for the Shinnar-Le

Roux selective excitation pulse design algorithm. IEEE Transactions on Medical Imaging, 10
(1):53–65, March 1991.

R. D. P ETERS et S. H INKS : Method and system for retrospective phase correction for fast spin
echo magnetic resonance imaging. United States Patent, p. US006803763B2, 2004.

D. W. P ETRIE, A. F. C OSTA, A. TAKAHASHI, Y. . Y EN et M. D RANGOVA : Optimizing spherical

navigator echoes for three-dimensional rigid-body motion detection. Magnetic Resonance in
Medicine, 53(5):1080–1087, 2005.

J. G. P IPE : Motion correction with propeller MRI : Application to head motion and free-
breathing cardiac imaging. Magnetic Resonance in Medicine, 42(5):963–969, 1999.

J. G. P IPE, V. G. FARTHING et K. P. F ORBES : Multishot diffusion-weighted FSE using PROPEL-

LER MRI. Magnetic Resonance in Medicine, 47(1):42–52, 2002.

J. G. P IPE et N. Z WART : Turboprop : Improved PROPELLER imaging. Magnetic Resonance in

Medicine, 55(2):380–385, 2006.

J. P. W. P LUIM, J. B. A. M AINTZ et M. A. V IERGEVER : Mutual-information-based registration

of medical images : A survey. IEEE Transactions on Medical Imaging, 22(8):986–1004, 2003.

W. G. P ROCTOR et F. C. Y U : On the magnetic moments of Xe129 , Bi209 , Sc45 , Sb121 , and Sb123 .
Physical Review, 78(4):471, May 1950.

K. P. P RUESSMANN, M. W EIGER, P. B ÖRNERT et P. B OESIGER : Advances in sensitivity encoding

with arbitrary k-space trajectories. Magnetic Resonance in Medicine, 46(4):638–651, 2001.

K. P. P RUESSMANN, M. W EIGER, M. B. S CHEIDEGGER et P. B OESIGER : SENSE : Sensitivity

encoding for fast MRI. Magnetic Resonance in Medicine, 42:952–962, 1999.

199
BIBLIOGRAPHIE

E. M. P URCELL, R. V. P OUND et N. B LOEMBERGEN : Nuclear magnetic resonance absorption in

hydrogen gas. Physical Review, 70(11-12):986–987, Dec 1946a.

E. M. P URCELL, H. C. T ORREY et R. V. P OUND : Resonance absorption by nuclear magnetic

moments in a solid. Physical Review, 69(1-2):37–38, Jan 1946b.

L. Q IN, P. VAN G ELDEREN, J. A. D ERBYSHIRE, F. J IN, J. L EE, J. A. D E Z WART, Y. TAO et J. H.

D UYN : Prospective head-movement correction for high-resolution MRI using an in-bore
optical tracking system. Magnetic Resonance in Medicine, 62(4):924–934, 2009.

I. I. R ABI, J. R. Z ACHARIAS, S. M ILLMAN et P. K USCH : A new method of measuring nuclear

magnetic moment. Physical Review, 53(4):318, Feb 1938.

A. J. R APER, D. W. R ICHARDSON, H. A. K ONTOS et J. L. PATTERSON : Circulatory responses to

breath holding in man. Journal of Applied Physiology, 22:201–206, 1967.

E. R AUVALA, L. J YRKINEN, A. K OIVULA, K. S UOMINEN et O. T ERVONEN : Circumferential

measurement of thoracic wall using a standard respiratory belt. Journal of Digital Imaging, 9
(2):78–80, 1996.

L. R EINER, A. M AZZOLENI, F. R ODRIGUEZ et R. F REUDENTHAL : The weight of the human

heart. I. "normal" cases. Archive of Pathology, 68:58–73, 1959.

J. C. R ODDEY, A. S HANKARANARAYANAN, E. H AN, N. W HITE et A. D ALE : Motion insensitive

imaging using 3D prospective motion correction with region of interest tracking. In Proc.
of the annual meeting of the International Society for Magnetic Resonance in Medicine, p. 1476,
Toronto, Ontario, Canada, 2008.

S. D. R OES, G. K OROSOGLOU, M. S CHAR, J. J. W ESTENBERG, M. J. van O SCH, A. de R OOS

et M. S TUBER : Correction for heart rate variability during 3D whole heart MR coronary
angiography. Journal of Magnetic Resonance Imaging, 27:1046–1053, 2008.

L. R OUSSELET, M. F ILIPOVIC, S. J OVANOVIC, G. B OSSER, C. PASQUIER et J. F ELBLINGER : MR

compatible spirometer. In Proc. of the annual meeting of the International Society for Magnetic
Resonance in Medicine, p. 1553, Stockholm, Sweden, 2010a.

L. R OUSSELET, M. F ILIPOVIC, Z. R AMDAN -C HERIF, V. L AURANT, C. PASQUIER et J. F ELBLIN -

GER : MR compatible sensor for measuring respiratory motion based on acceleration. In
Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine, p.
1550, Stockholm, Sweden, 2010b.

D. R UECKERT et P. A LJABAR : Nonrigid registration of medical images : Theory, methods, and

applications. IEEE Signal Processing Magazine, 27(4):113–119, 2010.

J. R UMP, J. B RAUN, S. PAPAZOGLOU, M. TAUPITZ et I. S ACK : Alterations of the proton-T2

time in relaxed skeletal muscle induced by passive extremity flexions. Journal of Magnetic
Resonance Imaging, 23(4):541–546, 2006.

Y. S AAD et M. H. S CHULTZ : GMRES : A generalized minimal residual algorithm for solving

nonsymmetric linear systems. SIAM Journal on Scientific and Statistical Computing, 7(3):856–
869, 1986.

T. S. S ACHS, C. H. M EYER, B. S. H U, J. K OHLI, D. G. N ISHIMURA et A. M ACOVSKI : Real-time

motion detection in spiral MRI using navigators. Magnetic Resonance in Medicine, 32(5):639–
645, 1994.

H. S AKUMA, Y. I CHIKAWA, S. C HINO, T. H IRANO, K. M AKINO et K. TAKEDA : Detection of

coronary artery stenosis with whole-heart coronary magnetic resonance angiography. Journal
of the American College of Cardiology, 48(10):1946–1950, 2006.

200
 BIBLIOGRAPHIE

M. S CHAR, S. K OZERKE, S. E. F ISCHER et P. B OESIGER : Cardiac SSFP imaging at 3 Tesla.

Magnetic Resonance in Medicine, 51:799–806, 2004.

K. S CHEFFLER et J. H ENNIG : Is trueFISP a gradient-echo or a spin-echo sequence ? Magnetic

Resonance in Medicine, 49:395–397, 2003.

F. S CHMITT, M. S TEHLING et R. T URNER : Echo planar imaging : theory, technique and application.
Lavoisier, 1998.

D. G. S CHOLZ, D. W. K ITZMAN, P. T. H AGEN, D. M. I LSTRUP et W. D. E DWARDS : Age-related

changes in normal human hearts during the first 10 decades of life. part I (growth) : A quan-
titative anatomic study of 200 specimens from subjects from birth to 19 years old. Mayo Clinic
proceedings, 63(2):126–136, 1988.

T. D. S CHOLZ, D. J. F ISHER, J. C. E HRHARDT et D. J. S KORTON : Interventricular differences in

myocardial T2 measurements : experimental and clinical studies. Journal of magnetic resonance
imaging, 1(5):513–520, 1991.

T. D. S CHOLZ, S. R. F LEAGLE, T. L. B URNS et D. J. S KORTON : Nuclear magnetic resonance

relaxometry of the normal heart : Relationship between collagen content and relaxation times
of the four chambers. Magnetic resonance imaging, 7(6):643–648, 1989.

C. L. S CHULTZ, R. J. A LFIDI et A. D. N ELSON : The effect of motion on two-dimensional fourier

transformation magnetic resonance images. Radiology, 152(1):117–121, 1984.

A. D. S COTT, J. K EEGAN et D. N. F IRMIN : Motion in cardiovascular MR imaging. Radiology,

250:331–351, 2009.

W. P. S EGARS et B. M. W. T SUI : Mcat to xcat : The evolution of 4-D computerized phantoms

for imaging research. Proceedings of the IEEE, 97(12):1954–1968, 2009.

A. S HANKARANARAYANAN, E. H AN, C. R ODDEY, N. W HITE, R. B USSE, J. K UPERMANAND,

J. S ANTOS, D. R ETTMANN, E. S CHMIDT et A. D ALE : Motion insensitive 3D T2 and T1-
weighted imaging with a real-time, image-based prospective motion correction technique
(3D PROMO) and automated re-acquisition of motion-corrupted k-space segments. In Proc.
of the annual meeting of the International Society for Magnetic Resonance in Medicine, p. 1475,
Toronto, Ontario, Canada, 2008.

A. S HANKARANARAYANAN, C. R ODDEY, N. W HITE, E. T. H AN, D. R ETTMANN, J. S ANTOS,

E. S CHMIDT et A. D ALE : Motion insensitive 3D imaging using a novel real-time image-
based 3D prospective motion correction method (3D PROMO). In Proc. of the annual meeting
of the International Society for Magnetic Resonance in Medicine, p. 2117, Berlin, Germany, 2007.

G. S HECHTER, J. R. R ESAR et E. R. M C V EIGH : Rest period duration of the coronary arteries :

Implications for magnetic resonance coronary angiography. Medical Physics, 32:255–262, 2005.

F. G. S HELLOCK : Magnetic Resonance Procedures : Health effects and Safety. CRC Press, 2001.

F. G. S HELLOCK et J. V. C RUES : MR Procedures : Biologic Effects, Safety, and Patient Care.

Radiology, 232:635–352, 2004.

O. P. S IMONETTI, J. P. F INN, R. D. W HITE, G. L AUB et D. A. H ENRY : "Black Blood" T2 -weighted

Inversion-Recovery MR Imaging of the Heart. Radiology, 199:49–57, 1996.

P. S IN, D. G ALLETLY et Y. T ZENG : Influence of breathing frequency on the pattern of respiratory

sinus arrhythmia and blood pressure : old questions revisited. American Journal of Physiology
- Heart and Circulatory Physiology, 298(5):H1588–1599, Mar 2010.

S. S KARE, R. D. N EWBOULD, D. B. C LAYTON et R. B AMMER : Propeller EPI in the other direction.

Magnetic Resonance in Medicine, 55(6):1298–1307, 2006.

201
BIBLIOGRAPHIE

P. S PINCEMAILLE, T. D. N GUYEN, M. R. P RINCE et Y. WANG : Quantitative study of motion

detection performance of center-of-k-space measurements. In Proc. of the annual meeting of the
International Society for Magnetic Resonance in Medicine, p. 01826, Berlin, Germany, 2007a.
P. S PINCEMAILLE, T. D. N GUYEN, J. W EINSAFT, M. R. P RINCE et Y. WANG : Efficient simulta-
neous multiple volume free breathing black blood cardiac MRI. In Proc. of the annual meeting
of the International Society for Magnetic Resonance in Medicine, p. 02516, Berlin, Germany, 2007b.
P. S PINCEMAILLE, T. D. N GUYEN, M. R. P RINCE et Y. WANG : Kalman filtering for real-time
navigator processing. Magnetic Resonance in Medicine, 60:158–168, 2008.
T. A. S PRAGGINS : Wireless retrospective gating : Application to cine cardiac imaging. Magnetic
resonance imaging, 8(6):675–681, 1990.
G. J. S TANISZ, E. E. O DROBINA, J. P UN, M. E SCARAVAGE, S. J. G RAHAM, M. J. B RONSKILL et
R. M. H ENKELMAN : T1, T2 relaxation and magnetization transfer in tissue at 3T. Magnetic
Resonance in Medicine, 54(3):507–512, 2005.
G. S TRAUSS -B LASCHE, M. M OSER, M. V OICA, D. M C L EOD, N. K LAMMER et W. M ARKTL :
Relative timing of inspiration and expiration affects respiratory sinus arrhythmia. Clinical
and Experimental Pharmacology and Physiology, 27(7):601–606, Aug 2000.
M. S TUBER, R. M. B OTNAR, P. G. D ANIAS, D. K. S ODICKSON, K. V. K ISSINGER, M. VAN C AU -
TEREN , J. D E B ECKER et W. J. M ANNING : Double-oblique free-breathing high resolution
three-dimensional coronary magnetic resonance angiography. Journal of the American College
of Cardiology, 34(2):524–531, 1999a.
M. S TUBER, R. M. B OTNAR, P. G. D ANIAS, K. V. K ISSINGER et W. J. M ANNING : Submillimeter
three-dimensional coronary MR angiography with real-time navigator correction : Compari-
son of navigator locations. Radiology, 212:579–587, 1999b.
U. S UMBUL, J. M. S ANTOS et J. M. PAULY : Accelerating dynamic MRI via spatially varying
causal windows. In Proc. of the annual meeting of the International Society for Magnetic Resonance
in Medicine, p. 560, Honolulu, Hawaii, USA, 2009.
A. A. TAMHANE et K. A RFANAKIS : Motion correction in periodically-rotated overlapping
parallel lines with enhanced reconstruction (PROPELLER) and turboprop MRI. Magnetic
Resonance in Medicine, 62(1), 2009.
T. S. T ENFORDE : Interaction mechanisms and biological effects of static magnetic fields. Auto-
medica, 14:271–293, 1992.
S. T HESEN, O. H EID, E. M UELLER et L. R. S CHAD : Prospective acquisition correction for head
motion with image-based tracking for real-time fMRI. Magnetic Resonance in Medicine, 44
(3):457–465, 2000.
H. H. T HODBERG : A review of bayesian neural netwoks with an application to near infrared
spectroscopy. IEEE Transactions on Neural Networks, 7:56–72, 1996.
T. T OGAWA, O. O KAI et M. O SHIMA : Observation of blood flow E.M.F. in externally applied
strong magnetic field by surface electrodes. Medical electronics and biological engineering, 5:169–
170, 1967.
J. T SAO, P. B OESIGER et K. P. P RUESSMANN : k-t BLAST and k-t SENSE : Dynamic MRI with
high frame rate exploiting spatiotemporal correlations. Magnetic Resonance in Medicine, 50
(5):1031–1042, 2003.
J. T SAO, S. K OZERKE, P. B OESIGER et K. P. P RUESSMANN : Optimizing spatiotemporal sampling
for k-t BLAST and k-t SENSE : Application to high-resolution real-time cardiac steady-state
free precession. Magnetic Resonance in Medicine, 53(6):1372–1382, 2005.

202
 BIBLIOGRAPHIE

Y. T ZENG, P. S IN et D. G ALLETLY : Human sinus arrhythmia : inconsistencies of a teleological

hypothesis. American Journal of Physiology - Heart and Circulatory Physiology, 296(1):H65–70,
Jan 2009.

A. J. W. VAN D ER K OUWE, T. B ENNER et A. M. D ALE : Real-time rigid body motion correction

and shimming using cloverleaf navigators. Magnetic Resonance in Medicine, 56(5):1019–1032,
2006.

R. van der M ERWE : Sigma-Point Kalman Filters for Probabilistic Inference in Dynamic State-Space
Models. Thèse de doctorat, OGI School of Science & Engineering, Oregon Health & Science
University, Portland, OR, USA, April 2004. Available online.

P.-A. V UISSOZ, D. M ANDRY, B. F ERNANDEZ, M. L OHEZIC, A. B ENHADID, F. O DILLE et J. F EL -

BLINGER : Left ventricular function assessment on free breathing acquisitions using CINE-
GRICS. In Proc. of International Society for Magnetic Resonance in Medicine Workshop on Current
Concepts of Motion Correction for MRI and MRS, Kitzbühel, Tyrol, Austria, 2010a.

P.-A. V UISSOZ, F. O DILLE, B. F ERNANDEZ, M. L OHEZIC, A. B ENHADID, D. M ANDRY et J. F EL -

BLINGER : High frame rate cardio-respiratory imaging using model-based reconstruction. In
Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine, p. 4612,
Honolulu, Hawaii, USA, 2009a.

P.-A. V UISSOZ, F. O DILLE, B. F ERNANDEZ, M. L OHEZIC, A. B ENHADID, D. M ANDRY et J. F EL -

BLINGER : Model-based reconstruction for free-breathing cardiac CINE imaging using
GRICS. In Proc. of the annual meeting of the International Society for Magnetic Resonance in Medi-
cine, p. 816, Honolulu, Hawaii, USA, 2009b.

P.-A. V UISSOZ, F. O DILLE, B. F ERNANDEZ, M. L OHEZIC, A. B ENHADID, D. M ANDRY et J. F EL -

BLINGER : Analysis of cardio-respiratory motion of the heart using GRICS (first insights).
In Proc. of the annual meeting of the International Society for Magnetic Resonance in Medicine, p.
3601, Stockholm, Sweden, 2010b.

P.-A. V UISSOZ, F. O DILLE, B. F ERNANDEZ, M. L OHEZIC, A. B ENHADID, D. M ANDRY et J. F EL -

BLINGER : High spatial and temporal resolution free breathing cardiac CINE-GRICS : 512x512
vs 128x128 matrix. In Proc. of the annual meeting of the International Society for Magnetic Reso-
nance in Medicine, p. 5016, Stockholm, Sweden, 2010c.

Y. WANG, R. C. G RIMM, J. P. F ELMLEE, S. J. R IEDERER et R. L. E HMAN : Algorithms for extrac-

ting motion information from navigator echoes. Magnetic Resonance in Medicine, 36(1):117–
123, 1996.

Y. WANG, S. J. R IEDERER et R. L. E HMAN : Respiratory motion of the heart : Kinematics and the
implications for the spatial resolution in coronary imaging. Magnetic Resonance in Medicine,
33(5):713–719, 1995.

H. A. WARD, S. J. R IEDERER, R. C. G RIMM, R. L. E HMAN, J. P. F ELMLEE et C. R. J ACK J R . :

Prospective multiaxial motion correction for fMRI. Magnetic Resonance in Medicine, 43(3):459–
469, 2000.

M. W EIGEL et J. H ENNIG : Constrast behavior and relaxation effects of conventional and hy-
perecho turbo spin echo sequences at 1.5 and 3T. Magnetic Resonance in Medicine, 55:826–835,
2006.

A. M. W EISSLER, W. S. H ARRIS et C. D. S CHOENFELD : Systolic time intervals in heart failure

in man. Circulation, 37:149–159, 1968.

E. B. W ELCH, A. M ANDUCA, R. C. G RIMM, H. A. WARD et C. R. J ACK J R . : Spherical navigator

echoes for full 3D rigid body motion measurement in MRI. Magnetic Resonance in Medicine,
47(1):32–41, 2002.

203
BIBLIOGRAPHIE

N. S. W HITE, A. S HANKARANARAYANAN, E. T. H AN, A. G ADDIPATI, C. R ODDEY et A. M.

D ALE : Propective motion correction using non linear predictive filtering. In Proc. of the
annual meeting of the International Society for Magnetic Resonance in Medicine, p. 1829, Berlin,
Germany, 2007.

N. W HITE, C. R ODDEY, A. S HANKARANARAYANAN, E. H AN, D. R ETTMANN, J. S ANTOS, J. K U -

PERMAN et A. D ALE : PROMO : Real-time prospective motion correction in MRI using image-
based tracking. Magnetic Resonance in Medicine, 63:91–105, 2010.

M. L. W OOD et R. M. H ENKELMAN : MR image artifacts from periodic motion. Medical physics,

12(2):143–151, 1985.

M. Z AITSEV, C. D OLD, G. S AKAS, J. H ENNIG et O. S PECK : Magnetic resonance imaging of

freely moving objects : prospective real-time motion correction using an external optical mo-
tion tracking system. NeuroImage, 31(3):1038–1050, 2006.

M. Z AITSEV, O. S PECK, J. H ENNIG et M. B ÜCHERT : Single-voxel MRS with prospective motion

correction and retrospective frequency correction. NMR in biomedicine, 23(3):325–332, 2010.

M. Z AITSEV : Real time prospective motion-correction I - experimental setup. In Proc. of In-

ternational Society for Magnetic Resonance in Medicine Workshop on Current Concepts of Motion
Correction for MRI and MRS, Kitzbühel, Tyrol, Austria, 2010.

Y. Z UR, M. L. W OOD et L. J. N EURINGER : Spoiling of transverse magnetisation in steady state

sequences. Magnetic Resonance in Medicine, 21:251–263, 1991.

204
Index

T20 , 56 effet Hall, 67

T1 , 41, 44, 46 électrocardiogramme, 64
T1 du sang, 166 émission, 40, 46
T2 , 41, 44, 46, 124, 134 entropie, 141
T2∗ , 56 équation de Bloch, 41, 42
TD , 102 espace k, 49
échos-navigateurs, 69 estimation de mouvement, 149
état d’équilibre thermique, 40
AHA, 125 excitation, 43
aimantation résultante, 39 expiration, 68
angle de bascule, 43
angle de précession, 39 fantômes, 75
antenne d’émission, 40, 46 Faraday, 46
antenne de réception, 46 Fast Spin Echo, 57
apnée, 81 FIESTA, 61
ArchiMed, 125 flou, 75
artefacts de gradient, 67 Formule de Fleckenstein, 100
artefacts fantômes, 75 FSE, 57
arythmie sinusale respiratoire, 85 FSE-NAV, 165
atrium, 63
gradient, 47
bSSFP, 60 gradient de fréquence, 49
gradient de phase, 49
ceintures respiratoires, 69
gradient de sélection de coupe, 47
champ magnétique statique, 38
gradient echo, 53
changement d’échelle, 150
guiT2 , 125
cisaillement, 150
cœur, 63 impulsion RF sélective, 47
contraction, 63 impulsions RF, 43
correlations locales, 151 information mutuelle normalisée, 156
correction prospective, 86 inspiration, 68
correction rétrospective, 92 inter-acquisition, 72
intervalle RR, 104, 105
DAVD, 101
intra-acquisition, 72
démodulation, 47
Inversion, 100
DIR, 100
DIR-FSE-NAV, 164 Kalman, 106
Double Inversion Récupération, 100
double synchronisation, 85 Larmor, 39

ECG, 64 MagnetoHydroDynamique, 66
écho de gradients, 53 mésodiastole, 102
écho de spin, 53 MHD, 66
echo planer, 52 moment cinétique, 38
écho de gradient, 54 moment magnétique nucléaire, 38
échos de spin rapide, 57 mouvement cardiaque, 63

205
INDEX

mouvement intra-acquisition, 78 spin-spin, 44

Mouvement respiratoire, 68 spirale, 51
spoiler, 56
NMI, 156 SSFP, 60
synchronisation cardiaque, 66, 83
onde P, 65
synchronisation respiratoire, 84
onde Q, 65
onde R, 65, 68 télésystole, 102
onde S, 65 Temps d’inversion, 100
onde T, 65 transformations affines, 150
oreillette droite, 63 translation, 150
oreillette gauche, 63 transmission, 46
Trigger Delay, 102
paroi inférieure (VD), 115
trigger externe, 71
paroi libre (VD), 115
périodes de repos, 103 ventricule droit, 63, 134
pondération, 53 ventricule gauche, 63, 124
précession, 39
précession forcée, 43
précession libre, 44
PSF, 74

radiale, 52
radio-fréquence, 40
rapport gyromagnétique, 38
RARE, 57
réception, 46
relaxation longitudinale, 41, 44
relaxation transversale, 41, 44
repère fixe, 41
repère tournant, 41
repousse, 44
reproductibilité cardiaque, 85
reproductibilité respiratoire, 86
résolution fréquentielle, 51
résolution spatiale, 51
RF, 40
RF spoiling, 56
RMN, 37
RMSE, 109
rotation, 150
RSA, 85
RSME, 156

SAEC, 70
SAR, 54
SE-EPIC, 152
Shinnar-Le Roux, 49
Signal Analyzer and Event Controler, 70
SLR, 49
sortie de plan de coupe, 79
spin, 38
spin echo, 53
Spin Echo EPI, 152
spin-réseau, 44

206
Titre : Techniques Adaptatives pour l’Imagerie par Résonance Magnétique des Organes en Mouvement

Résumé : L’imagerie par résonance magnétique (IRM) est un outil remarquable pour le diagnostic cli-
nique, aussi bien pour l’imagerie cérébrale que pour l’imagerie cardiaque et abdominale. En IRM car-
diaque, deux problèmes sont récurrents : la non reproductibilité des cycles cardiaques et le mouvement
respiratoire. L’IRM cardiaque morphologique est généralement faite avec une séquence composée d’une
préparation longue, visant à annuler le signal du sang pour accentuer le contraste au niveau du myo-
carde, et de l’acquisition à proprement parler. Ces acquisitions sont généralement faites en mésodiastole
(phase de relaxation passive du cœur) ce qui permet de satisfaire les contraintes liées à l’annulation du
sang et d’éviter les problèmes liés aux non reproductibilités des cycles cardiaques car la mésodiastole est
longue. Il est donc difficile de satisfaire les contraintes liées à l’annulation du sang pour faire les acqui-
sitions en télésystole (phase où le cœur est contracté) à cause des non reproductibilités cardiaques car
la télésystole est courte. Afin de passer outre ces limitations et de pouvoir acquérir ces mêmes images
morphologiques en télésystole, nous proposons une nouvelle méthode adaptative qui permet à la fois
de placer la fenêtre d’acquisition de manière optimale et de satisfaire les contraintes liées à l’annulation
du sang. Une application de cette méthode a également été mise en place pour estimer et comparer les
temps de relaxation transversale (T2 ) entre télésystole et mésodiastole. Pour la gestion prospective du
mouvement respiratoire, le point crucial est d’estimer les mouvements en temps réel en perturbant au
minimum les signaux de résonance magnétique. Pour ce faire nous proposons une méthode basée sur
l’estimation paramétrique des mouvements en temps réel à partir des signaux physiologiques dispo-
nibles (ceintures respiratoires et ECG). Cette méthode a été testée et les résultats montrent son intérêt
et sa fiabilité par rapport aux erreurs faites au niveau du mouvement. Une méthode de reconstruction
incluant les mouvements a également été utilisée pendant ces travaux afin de faire de l’imagerie en télé-
systole en respiration libre et d’utiliser d’autres types de capteurs respiratoires comme certains signaux
de résonance magnétique. Ainsi pendant ces travaux, des méthodes adaptatives ont été mises en place
afin de mieux gérer le mouvement et de prendre en compte les spécificités de chaque patient. Ces tra-
vaux ouvrent la voie de l’imagerie par résonance magnétique adaptative pleinement fonctionnelle dans
un contexte clinique.

Mots clés : Imagerie par Résonance Magnétique, Mouvement, Cœur, Ventricule Droit, Rythme Car-
diaque, Télésystole, Relaxation spin-spin (T2 ), Filtrage de Kalman.

Title : Adaptive Techniques for Magnetic Resonance Imaging of Organs in Motion

Abstract : Magnetic resonance imaging (MRI) is a valuable tool for the clinical diagnosis for brain ima-
ging as well as cardiac and abdominal imaging. In cardiac MRI, there are two challenging issues: the
non reproducibility of cardiac cycles and respiratory motion. Morphological cardiac MRI is generally
performed with a pulse sequence composed of a long preparation, to cancel the blood signal and thus
enhance the contrast of the myocardium, and the acquisition itself. These acquisitions are performed
during the mid-diastolic rest (relaxation period of the heart) to satisfy constraints to cancel the blood
signal and to avoid problems linked to the cardiac non reproducibility because the mid-diastolic rest
is long. Consequently, to acquire images in end-systolic rest (when the heart is fully contracted) while
taking into account constraints to cancel the blood signal is not straight forward due to cardiac non re-
producibility because the end-systolic rest is short. To overcome these limitations and to acquire images
in end-systolic rest, a new adaptive method is introduced that allows to optimally placing acquisition
windows while taking constraint for the cancellation of the blood signal into account. This method was
applied to measure and compare transverse relaxation time (T2 ) between end-systolic and mid-diastolic
rests. For prospective respiratory motion correction, the crucial point is to estimate motion in real-time
without perturbing MR signal used for imaging. In order to solve this issue, a new method is introduced
aiming at estimating motion parameters in real-time based on physiological signals such as respiratory
bellows and ECG. This method is evaluated and results show its interest and its reliability regarding
motion estimation errors. A reconstructions algorithm is also used in order to perform cardiac imaging
during the end-systolic rest in free breathing and to use different kind of respiratory motion sensors
such as MR signals. Hence, during this research work, several adaptive method were developed to get
a better management of motion and to take into account specificity of each patient. These works open
the way of fully functional adaptive magnetic resonance imaging in a clinical situation.

Keywords : Magnetic Resonance Imaging, Motion, Heart, Right Ventricle, Heat Rate, End-systolic Rest,
Spin-spin Relaxation (T2 ), Kalman Filtering.