Méthodes d'estimation et modèles de diffusion avancés pour l'évaluation de la fibrose hépatique dans les maladies chroniques du foie

Objectifs : Mettre en oeuvre des modèles de diffusion
avancés pour l’aide au diagnostic de la fibrose
hépatique, et déterminer la méthode d’estimation
paramétrique la plus adaptée parmi la méthode des
moindres carrés non linéaires (NLS), la méthode NLS
segmentée et la méthode bayésienne initialisée par
NLS[1].
Matériels et Méthodes : Trois modèles de
pondération (le « modèle statistique », l'imagerie par
kurtosis de diffusion (DKI) et les modèles hybrides
IVIM-DKI) ont été considérés. Pour la comparaison
des méthodes d’estimation paramétrique, les signaux
issus de ces modèles ont été simulés avec les valeurs
b utilisées dans l’étude sur patient ci-dessous, des
paramètres générés de manière aléatoire et un bruit de Ricien supplémentaire [2]. Pour
se rapprocher des conditions in vivo, les paramètres de diffusion ont été dérivés de la
littérature. Connaissant les paramètres vrais, les performances des méthodes
d’estimation ont été comparées en termes de biais et variance. Pour l’étude in vivo,
85 patients atteints de maladie hépatique chronique ont été recrutés. Tous les patients
ont subi une biopsie du foie et un examen IRM de diffusion à 3T avec 12 valeurs b (0
-800 s/mm2). Les stades de fibrose ont été évalués par le score ISHAK, dont les F0-
F2 ont été classés comme fibrose légère, et les F3-F6 restants ont été inclus comme
sévère. Les 3 modèles ont été ajustés sur les données et les paramètres de diffusion
liés au modèle statistique (Ds, σ), au modèle DKI (Dapp) et au modèle IVIM-DKI
(D*_F) ont été retenus pour leurs capacités à distinguer significativement les deux
groupes de patients (t-test) afin de construire un classifieur (plusieurs méthodes
d'apprentissage automatique conventionnelles dans le Classification Learner de
MATLAB R2019B).
Résultats : Pour les simulations, l'erreur quadratique moyenne et le pourcentage
d'erreur absolue moyenne (MAPE) sur le signal et les paramètres ont été calculés. La
Fig. 1(a) montre le MAPE pour les paramètres. Dans l'étude in vivo, une analyse ROC
a été réalisée pour évaluer la performance du diagnostic. La meilleure AUC obtenue
avec les trois méthodes d'ajustement est présentée dans la Fig.1(b). [AUC NLS: 0.72,
NLS segmentée: 0.75 Bayésienne 0.93]
Conclusion : Nos résultats suggèrent que l'approche bayésienne améliore la précision
de l'estimation et que l'intégration de paramètres de diffusion avancés avec cette
approche bayésienne pourrait être pertinente pour évaluer la fibrose hépatique.