EP4654884A1

EP4654884A1 - Procédé de caractérisation lésionnelle du coeur et système associé

Info

Publication number: EP4654884A1
Application number: EP24702501.8A
Authority: EP
Inventors: Aurélien BUSTIN; Hubert COCHET
Original assignee: Centre Hospitalier Universitaire de Bordeaux; Universite de Bordeaux; Fondation Bordeaux Universite
Current assignee: Centre Hospitalier Universitaire de Bordeaux; Universite de Bordeaux; Fondation Bordeaux Universite
Priority date: 2023-01-25
Filing date: 2024-01-25
Publication date: 2025-12-03
Also published as: CN121174981A; WO2024156813A1; FR3145086A1

Abstract

Procédé de caractérisation lésionnelle du cœur utilisant des images comprenant : - une image en sang noir générée à partir de signaux acquis lors d'une acquisition par résonnance magnétique en sang noir (ACQ1) par rehaussement tardif du gadolinium, - une image en sang blanc générée à partir de signaux acquis lors d'une acquisition par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium, l'étape d'acquisition en sang blanc (ACQ2) étant distincte d'une séquence d'inversion récupération, le procédé comprenant : - segmentation, par ordinateur, de l'image en sang blanc de sorte à générer des données de positionnement d'un ensemble d'au moins une paroi délimitant le myocarde, - caractérisation lésionnelle du cœur, par ordinateur, à partir de l'image en sang noir et de données de positionnement, d'au moins une paroi de l'ensemble d'au moins une paroi, prises parmi les données de positionnement d'un ensemble d'au moins une paroi délimitant le myocarde.

Description

Titre : PROCÉDÉ DE CARACTÉRISATION LÉSIONNELLE DU CŒUR ET SYSTÈME ASSOCIÉ

Domaine de l’invention

L’invention concerne le domaine de l’imagerie par résonance magnétique (IRM) cardiaque par rehaussement tardif du gadolinium ou LGE, en référence à l’expression anglo-saxonne « Late Gadolinium Enhancement ».

Le domaine d’application de l’invention se rapporte plus particulièrement aux procédés et systèmes de caractérisation lésionnelle du cœur. Cette caractérisation permet, notamment, de guider les ablations.

La technique de référence pour la caractérisation de lésions régionales dont la fibrose myocardique est l’imagerie par rehaussement tardif du gadolinium en sang blanc ou BR-LGE (pour l’expression anglo-saxonne « bright-blood LGE ») par inversion récupération telle que la séquence PSIR (de l’expression anglo-saxonne « phase-sensitive inversion-recovery »). Dans ce type d’imagerie, on provoque l'annulation du signal myocardique viable à l'aide d'impulsions d’inversion-récupération ce qui permet de visualiser des lésions avec un contraste élevé entre le tissu myocardique sain et les lésions. Cependant, pour les lésions myocardiques adjacentes aux cavités sanguines du cœur (ventricules droit et gauche), l’intensité élevée du signal issu du sang et donc le faible contraste entre les lésions et le sang empêche la caractérisation automatique, précise, fiable et robuste des cicatrices, en particulier des cicatrices sous-endocardiques.

Afin de contourner ce problème, des techniques d'imagerie LGE en sang noir (BL-LGE) ont été proposées. Elles permettent d’annuler simultanément les signaux du myocarde sain et du sang fournissant ainsi un contraste élevé à la fois entre les lésions et entre le sang et entre les lésions et le myocarde sain.

Toutefois, les techniques d’imagerie en sang noir ne permettent pas de caractériser correctement les lésions, notamment les localiser précisément par rapport au myocarde, le contraste entre le sang et le myocarde sain n’étant pas suffisamment élevé.

Au vu des inconvénients précités, la caractérisation des cicatrices est actuellement réalisée par les radiologues en segmentant manuellement les lésions à partir des images issues des séquences PSIR, ce qui permet ensuite de calculer leur transmuralité et leur taille. Toutefois, ce procédé est chronophage puisque 25 à 30 minutes sont nécessaires au radiologue pour réaliser une telle segmentation. Par ailleurs, une telle segmentation est imprécise et non reproductible. En effet, le faible contraste entre la lésion et le sang, conduisant souvent le radiologue à imaginer la paroi sous-endocardique ce qui entraîne une surestimation ou une sous-estimation des caractéristiques de la cicatrice.

Un but de l’invention est de limiter au moins un des inconvénients précités.

A cet effet, l’invention a pour objet un procédé de caractérisation lésionnelle du cœur utilisant des images d’une zone à imager comprenant le cœur d’un patient, le cœur comprenant un myocarde délimitant une cavité du cœur, les images comprenant :

- une image en sang noir générée à partir de signaux acquis lors d’une acquisition par résonnance magnétique en sang noir par rehaussement tardif du gadolinium,

- une image en sang blanc générée à partir de signaux acquis lors d’une acquisition par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium, l’acquisition par résonnance magnétique en sang blanc étant distincte d’une séquence d’inversion récupération, le procédé comprenant :

- segmentation, par ordinateur, de l’image en sang blanc de sorte à générer des données de positionnement d’un ensemble d’au moins une paroi délimitant le myocarde,

- caractérisation lésionnelle du cœur, par ordinateur, à partir de l’image en sang noir et de données de positionnement, d’au moins une paroi de l’ensemble d’au moins une paroi, prises parmi les données de positionnement d’un ensemble d’au moins une paroi délimitant le myocarde.

Avantageusement, la segmentation utilise une fonction d’apprentissage pour segmenter l’image en sang blanc de sorte à obtenir les données de positionnement. Avantageusement, la fonction d’apprentissage est un réseau de neurones convolutifs.

Avantageusement, la fonction d’apprentissage est entraînée à partir d’un ensemble d’images d’entraînement de la zone à imager générées à partir de signaux acquis lors d’étapes d’acquisitions respectives par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium distinctes de séquences d’inversion récupération.

Avantageusement, l’ensemble d’au moins une paroi comprend une première paroi délimitant et entourant le myocarde.

Avantageusement, la caractérisation comprend une segmentation lésionnelle pour localiser une lésion du myocarde sur l’image en sang noir en utilisant des données issues de données de positionnement de la première paroi.

Avantageusement, la segmentation lésionnelle comprend la sélection des pixels de l’image en sang noir présentant une intensité supérieure à un seuil prédéterminé, les pixels étant pris uniquement parmi les pixels de l’image en sang noir entourés de la première paroi.

Avantageusement, l’ensemble d’au moins une paroi comprend une deuxième paroi délimitant le myocarde et entourée par la première paroi.

Avantageusement, la caractérisation comprend le calcul d’une donnée représentative d’une taille de lésion à partir de données issues des données de positionnement de la première paroi et éventuellement d’une deuxième paroi entourée par la première paroi.

Avantageusement, la caractérisation comprend le calcul de données représentatives d’un pourcentage de transmuralité de la lésion à partir de données issues des données de positionnement de la première paroi et de la deuxième paroi.

Avantageusement, le procédé comprend l’affichage, sur un écran, d’une représentation de données calculées lors de l’étape de caractérisation.

Avantageusement, le procédé comprend :

- l’acquisition par résonnance magnétique en sang noir par rehaussement tardif du gadolinium,

- génération de l’image en sang noir à partir des signaux acquis lors l’acquisition par résonnance magnétique en sang noir par rehaussement tardif du gadolinium, dite acquisition sang blanc. - acquisition par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium,

- génération de l’image en sang blanc à partir des signaux acquis lors de l’acquisition par résonnance magnétique en sang noir par rehaussement tardif du gadolinium, dite acquisition sang noir.

Avantageusement, l’acquisition sang noir et l’acquisition sang blanc appartiennent à une séquence d’acquisition comprenant une séquence d’acquisition élémentaires comprenant chacune une acquisition sang blanc et une acquisition sang noir.

Avantageusement, dans chaque séquence d’acquisition élémentaire, l’acquisition sang noir et l’acquisition sang blanc sont mises en œuvre lors d’un couple d’interbattements constitué de deux interbattements consécutifs.

Avantageusement, les séquences d’acquisition élémentaires sont mises en œuvre lors de couples d’interbattements respectifs consécutifs.

Avantageusement, le procédé comprend la segmentation et la caractérisation lésionnelles à partir d’images sang noir et sang blanc générées à partir d’images sang blanc et d’images sang noir générées à partir de signaux acquis lors de séquences élémentaires de la séquence d’acquisition.

Avantageusement, le procédé comprend la séquence d’acquisition.

Avantageusement, le procédé comprend la génération de l’image en sang noir et de l’image en sang blanc.

Avantageusement, l’image en sang noir et l’image en sang blanc sont bidimensionnelles.

L’invention a également pour objet un système comprenant les éléments matériels et logiciels pour mettre en œuvre le procédé selon l’invention.

Le système comprend avantageusement une unité de traitement configuré pour mettre en œuvre l’étape de segmentation et l’étape de caractérisation lésionnelle.

Avantageusement, l’unité de traitement est une unité de traitement.

Avantageusement, le système comprend un ensemble d’équipements de mesure comprenant un dispositif d’imagerie par résonance magnétique apte à mettre en œuvre l’acquisition par résonnance magnétique en sang noir et l’acquisition par résonnance magnétique en sang blanc. Avantageusement, l’unité de traitement est configurée pour générer les commandes à destination du dispositif IRM afin qu’il mette en œuvre l’acquisition par résonnance magnétique en sang noir et l’acquisition par résonnance magnétique sang blanc.

En variante et/ou en sus l’unité de traitement est configurée pour générer les images en sang blanc et en sang noir à partir des signaux acquis lors des acquisitions respectives.

Avantageusement, le système comprend un électrocardiographe configuré pour acquérir un électrocardiogramme du patient lors des acquisitions respectives.

L’invention se rapporte également à un produit-programme d'ordinateur comprenant des instructions qui conduisent le système selon l’invention à exécuter les étapes du procédé selon l’invention.

L’invention se rapporte également à un support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon l’invention.

Brève description des figures

D’autres caractéristiques et avantages de l’invention ressortiront à la lecture de la description détaillée qui suit, en référence aux figures annexées, qui illustrent :

[Fig. 1 ] : un exemple de réalisation d’un système selon l’invention,

[Fig. 2] : une représentation schématique d’une séquence élémentaire d’acquisition de signaux pour générer des images en sang noir et des images en sang blanc utilisées dans le procédé selon l’invention,

[Fig. 3] : une représentation schématique d’une phase d’acquisition IRM en sang noir et sang blanc réalisée sur une pluralité de battements cardiaques, [Fig. 4] : une représentation schématique d’un cœur en trois dimensions (3D) illustrant différents plans de coupes répartis selon le grand axe du coeur et des images générées à partir de signaux acquis dans un des plans de coupe, [Fig. 5] : un ordinogramme d’un exemple de procédé selon l’invention,

[Fig. 6] : une représentation schématique de quatre images comprenant en haut à gauche une image en sang blanc et en haut à droite une image à sang blanc sur laquelle sont représentées les parois détectées lors de l’étape de segmentation, et en bas à gauche une image en sang noir et la représentation des parois reportées sur l’image en sang noir,

[Fig. 7] : en haut, l’image du bas à gauche de la figure 6 sur laquelle on a représenté des secteurs, en bas à gauche une représentation de type œil de bœuf de la taille lésionnelle et en bas à droite une représentation de type œil de bœuf d’un pourcentage lésionnel de transmuralité.

Description invention

L’invention se rapporte au domaine de l’imagerie cardiaque par résonance magnétique ou IRM, rehaussement tardif du gadolinium en sang noir et sang blanc.

L’invention concerne un procédé de caractérisation lésionnelle cardiaque, et plus précisément d’au moins un muscle cardiaque, par exemple du myocarde.

Par lésion cardiaque, on entend une lésion d’un muscle du myocarde.

Les lésions cardiaques peuvent être divisées en lésions aiguës consécutives à une atteinte myocardique aiguë, telle que l’infarctus du myocarde en phase aiguë, et les lésions chroniques caractéristiques de pathologies cardiaques chroniques. Ces lésions sont des lésions cardiaques, par exemple du myocarde ou d’muscles papillaires. Ces lésions comprennent les fibroses myocardiques se développant fréquemment dans le contexte des cardiomyopathies hypertrophiques ou dilatées, mais qui représentent également une séquelle fréquente des cardiopathies inflammatoires ou de l’infarctus myocardique.

Les lésions comprennent également les nécroses myocardiques, c’est-à-dire les volumes des myocytes dont la membrane cellulaire a été détruite et les volumes des matrices extracellulaires et de collagène constituant les cicatrices fibreuses, dans la phase chronique de l’infarctus.

Système d’imagerie

La figure 1 représente schématiquement un exemple de réalisation d’un système S selon l’invention. Le système comprend les moyens matériels et logiciels pour mettre en œuvre le procédé selon l’invention. Avantageusement, ce système S comporte un ensemble d’équipements de mesure A comprenant un dispositif d’imagerie par résonance magnétique (IRM) B ainsi qu’un électrocardiographe référencé ECR sur la figure 1 .

Le système S comprend également un dispositif de traitement C comprenant une unité de traitement TC et une interface homme-machine INT. Ce dispositif de traitement peut faire partie du dispositif d’imagerie B ou être externe à ce dispositif, le système est alors un dispositif. En variante, le système présente une architecture répartie.

De façon connue en soit, le dispositif d’imagerie IRM B comprend un générateur de champ magnétique statique GEN_B, un générateur de gradient GEN_GRAD et un dispositif radiofréquence (RF) D_RF.

Le générateur de champ magnétique statique GEN_B comprend un aimant principal de polarisation destiné à générer, selon un axe longitudinal z, un champ magnétique statique de polarisation sensiblement uniforme dans une zone de polarisation (généralement un tunnel) destinée à comprendre la zone du patient à imager, cette zone à imager comprenant le cœur.

Le patient est un mammifère. De façon non limitative, le mammifère est un homme.

Le générateur de gradient GEN_GRAD comprend trois bobines (ou solénoïdes) de gradient disposées et configurées pour faire varier l’intensité du champ magnétique dans la zone de polarisation selon les axes respectifs orthogonaux x, y et z fixes par rapport à la zone de polarisation. Le choix des intensités circulant dans ces bobines permet de sélectionner, parmi plusieurs possibles, une coupe, présentant une épaisseur donnée et un plan de coupe sur lequel est centrée la coupe, dans laquelle va être mesurée l’aimantation de la zone à imager du patient reçu dans la zone de polarisation.

Le dispositif radiofréquence D_RF comprend des bobines ou solénoïdes et est apte à générer des séquences d’acquisition IRM comprenant, des séquences préparatoires de l’aimantation de la zone à imager et des séquences de lecture de signaux RF issus de la zone à imager.

Chacune des séquences préparatoires et de lecture comprend au moins un puise radiofréquence de fréquence, de forme, durée, phase, amplitude prédéterminée et réglable. La séquence préparatoire est configurée pour exciter, c’est-à-dire modifier la direction de l’aimantation des tissus de zone à imager.

La séquence de lecture est configurée pour mesurer l’aimantation de la zone à imager résultant du module préparatoire.

L’électrocardiographe ECR est destiné à acquérir un électrocardiogramme du patient

L’unité de traitement TC est configurée pour générer des commandes à destination du dispositif IRM B, notamment à destination du dispositif RF D_RF et du générateur de gradient GEN_GRAD, de sorte que le dispositif IRM génère les séquences d’acquisition prédéfinies de signaux issus de volumes ou coupes prédéfinies de la zone à imager.

L’unité de traitement TC est également configurée pour générer des images de la zone à imager à partir des signaux mesurés, à partir de techniques de reconstruction connues de l’homme du métier, et pour traiter ces images comme nous le verrons plus en détail dans la suite de la description.

Séquence d’acquisition

La figure 2 représente un exemple de séquence d’acquisition élémentaire SE1 d’une séquence d’acquisition IRM de signaux RF permettant de générer des images du cœur ainsi qu’un électrocardiogramme (ECG) E mesuré par l’électrocardiographe ECR lors de la séquence élémentaire SE1 .

La séquence d’acquisition comprend une suite de séquences d’acquisitions élémentaires SE1 telle que celle représentée en figure 2.

La partie basse de la figure 2 représente la variation de l’aimantation longitudinale Mz des tissus de la zone à imager en fonction du temps t pendant cette séquence élémentaire SE1 .

La séquence d’acquisition élémentaire SE1 comprend une acquisition dite en sang noir ACQ1 suivi d’une acquisition dite en sang blanc ACQ2 qui seront décrites ultérieurement. L’acquisition en sang noir ACQ1 permet d’acquérir les signaux de la zone à imager permettant de générer une image élémentaire en sang noir IM1 de la zone à imager. L’acquisition en sang blanc ACQ2 permet d’acquérir les signaux de la zone à imager permettant de générer une image élémentaire en sang blanc IM2 de la zone à imager. Ces étapes d’acquisition ACQ1 , ACQ2 comprennent chacune un module préparatoire PREP1 , PREP2 et un module de lecture LE1 , LE2.

Dans la présente demande de brevet, par module, on entend une étape comprenant une impulsion radiofréquence ou une suite d’impulsions radiofréquence.

Il est à noter que pendant toute la durée de la séquence d’acquisition élémentaire SE1 et de préférence pendant toute la durée de la séquence d’acquisition IRM, le générateur de champ magnétique statique GEN_B est commandé par l’unité de traitement TC pour qu’il génère un champ magnétique statique fixe selon l’axe z.

Le générateur de gradients GEN_GRAD est quant à lui commandé pour l’unité de traitement TC pour que le dispositif radiofréquence D_RF acquiert des signaux provenant d’une coupe prédéfinie présentant une épaisseur prédéfinie lors de la séquence d’acquisition élémentaire SE1.

La séquence d’acquisition est une séquence d’acquisition par rehaussement tardif au gadolinium mise en œuvre suite à l’injection d’un produit de contraste à base de Gadolinium par voie intraveineuse chez le patient, de 10 à 15 minutes avant la mise en œuvre des séquences d’acquisition de façon à obtenir des images présentant un contraste maximal entre les lésions et les tissus sains et le sang. Au niveau du cœur, le contraste est rapidement éliminé du myocarde sain, pauvre en tissu interstitiel, mais s’accumule de façon prolongée dans les lésions myocardiques. Le gadolinium une distribution extracellulaire, c’est-à-dire qu’il ne traverse pas les membranes des cardiomyocytes.

Le gadolinium a pour effet de raccourcir le temps de relaxation T1 des tissus où il s’accumule. La relaxation de l’aimantation des lésions suite à une impulsion d’inversion de l’aimantation est ainsi plus rapide que celle du sang et du myocarde sain.

Acquisition en sang noir

Dans un premier temps, on cherche à générer des images élémentaires en sang noir IM1. Dans une image de ce type, l’intensité des pixels correspondant au sang et au muscle sain est nulle (pixels noirs) ou sensiblement nulle. Afin de générer une telle image élémentaire en sang noir IM1 , le dispositif RF D_RF met en oeuvre une étape d’acquisition en sang noir ACQ1 en inversion-récupération. Cette étape d’acquisition sang noir ACQ1 comprend une impulsion d’inversion longitudinale notée 180° sur la figure 2, qui fait basculer l’aimantation longitudinale des tissus de la zone imager dans la direction opposée, c’est-à-dire qui inverse l’aimantation longitudinale de ces tissus. Sur la figure 2, on constate que l’aimantation de la zone à imager passe de Mz à -Mz sous l’effet de l’impulsion d’inversion. Du fait de la relaxation longitudinale, l’aimantation longitudinale des différents tissus présents dans la zone à imager croît pour revenir à sa valeur initiale, en passant par la valeur nulle. Naturellement, la cinétique de relaxation des différents tissus est différente.

De façon connue en soi, l’acquisition sang noir ACQ1 comprend également un module préparatoire PREP1 mis oeuvre après l’impulsion d’inversion longitudinale 180°, par exemple, un module adiabatique en T1 -rho (Tip) de durée notée TSL (acronyme de l’expression anglo-saxonne « Time of Spin Lock ») ou un module pondéré en T2, ou de type MTC (acronyme de l’expression anglo-saxonne « Magnétisation Transfert Contrast ») ou une combinaison de deux de ces modules ou de ces trois modules.

Le module préparatoire PREP1 est configuré de sorte que l’aimantation longitudinale du sang A(Blood) et celle du myocarde sain A(Musc) s’annulent au même instant te.

À ce même instant te, l’aimantation longitudinale des lésions A(Cica) est nettement supérieure à zéro. En faisant l’acquisition des signaux issus de la zone à imager à cet instant te, on obtient une image présentant un contraste très élevé entre les pixels ou voxels correspondant au sang et au myocarde sain qui sont noirs et les pixels ou voxels correspondant aux lésions, globalement blancs.

La première étape d’acquisition ACQ1 en inversion-récupération comprend ensuite une séquence de lecture LE1 comprenant une impulsion de 90° appliquée à l’instant te et un gradient de lecture pour lire l’aimantation transversale de la zone à imager. Le temps d’inversion Tl est la durée séparant l’impulsion de 180° de la séquence de lecture LE1 de la séquence élémentaire ACQ1 . Afin d’obtenir le meilleur contraste entre les lésions myocardiques et le sang ainsi qu’entre les lésions myocardiques et le myocarde sain, on fait avantageusement débuter la séquence de lecture LE1 à l’instant te où les aimantations longitudinales du sang et du myocarde s’annulent afin de générer l’image présentant le meilleur contraste.

Dans l’exemple de la figure 2, le module de lecture LE1 de l’acquisition sang noir est espacé temporellement du module préparatoire PREP1 de l’acquisition sang noir. En variante, le module de lecture LE1 débute dès que le module préparatoire PREP1 se termine. Il en est de même pour le positionnement temporel relatif entre le module préparatoire PREP2 de l’acquisition sang blanc et le module de lecture LE2 de l’acquisition sang blanc.

Dans l’exemple de la figure 2, l’impulsion d’inversion IMP1 est générée avant le module préparatoire PREP1. En variante, le module préparatoire PREP1 est généré avant l’impulsion d’inversion IMP1.

Acquisition en sang blanc

L’image élémentaire en sang blanc IM2 de la zone à imager est générée à partir de signaux acquis en mettant en œuvre l’étape d’acquisition en sang blanc ACQ2 comprenant un module préparatoire PREP2 suivie d’un module de lecture LE2.

Avantageusement, le module préparatoire PREP2 est identique au module préparatoire PREP1 de l’étape d’acquisition en sang noir ACQ1 , mais l’invention s’applique aussi lorsque ces modules sont distincts.

Le module préparatoire PREP2 est, par exemple, une séquence adiabatique en T1 rho.

En variante, le module PREP2 comprend au moins une séquence préparatoire prise parmi un module pondéré en T2 et un module préparatoire de type MTC (acronyme de l’expression anglo-saxonne « Magnetisation Transfert Contrast ») ou une combinaison de deux de ces modules ou de ces trois modules.

L’étape d’acquisition en sang blanc ACQ2 comprend ensuite un module de lecture LE2 comprenant un gradient de lecture pour lire l’aimantation transversale de la zone à imager. Ce module de lecture LE2 peut être réalisé en écho de gradient ou en écho de spin, tout comme le module de lecture LE1 de l’étape d’acquisition en sang noir LE1 . Les modules de lecture LE1 et LE2 peuvent être identiques ou différents. La durée D2 séparant le module de lecture LE2 est définie de sorte que l’aimantation longitudinale du sang A(Blood) est supérieure à celle du Myocarde A(MUSC) ce qui conduit à générer une image dans laquelle les pixels ou voxels du sang sont blancs, c’est-à-dire avec une forte luminance, et dans laquelle les pixels des tissus du myocarde sont un peu moins lumineux que ceux du sang comme on peut le déduire des courbes représentées en figure 2. Ces images permettent de visualiser parfaitement l’anatomie cardiaque permettant de délimiter le myocarde sur cette image, ce qui n’est pas possible sur une image en sang noir.

On comprend qu’en utilisant les deux images IM1 et IM2 il est possible de détecter cette lésion et aussi de la caractériser, par exemple de la localiser précisément par rapport au myocarde et de la dimensionner par rapport au myocarde.

Synchronisation des étapes d’acquisition avec les cycles cardiaques

Préférentiellement, l’unité de traitement TC est configurée pour synchroniser la séquence d’acquisition SE avec l’électrocardiogramme E.

A cet effet, l’unité de traitement TC utilise l’électrocardiogramme E pour générer des commandes de déclenchement des séquences d’acquisition à destination du dispositif RF, du générateur de gradient et éventuellement du générateur du champ magnétique principal.

Avantageusement, la séquence d’acquisition SE comprend, comme visible en figure 3, une pluralité de séquences d’acquisition élémentaires SEi, avec i = 1 à N, où N est supérieur à 1 où i est l’indice de la séquence élémentaire, dont les étapes d’acquisition ACQ1 , ACQ2 sont identiques. i= 1 sur la figure 2.

Chaque séquence d’acquisition élémentaire SEi est, avantageusement mise en œuvre lors de deux cycles cardiaques consécutifs, de préférence lors de deux interbattements consécutifs C1 , C2 référencés sur la figure 2 constituant un couple d’interbattements CBi référencé sur la figure 1. Un intérêt est de minimiser le temps d’acquisition et donc de minimiser les mouvements du cœur entre les différentes acquisitions et les décalages spatiaux entre les images IM1 et IM2. Dans la suite du texte, on nomme battement, un complexe QRS, et un interbattement, une phase d’un cycle cardiaque située entre deux battements consécutifs.

Avantageusement, les séquences d’acquisition élémentaires consécutives SEi sont mises en œuvre lors de couples d’interbattements CBi consécutifs.

Chaque séquence d’acquisition élémentaire SEi comprend :

- Lors du premier interbattement C1 du couple d’interbattements CBi, l’étape d’acquisition sang noir ACQ1 ;

- Lors du deuxième interbattement C2 du couple d’interbattements CBi, l’étape d’acquisition en sang blanc ACQ2.

Un intérêt est de minimiser le temps d’acquisition et donc de minimiser les mouvements du cœur entre les différentes acquisitions et les décalages spatiaux entre les images IM 1 et IM2 acquises lors des différentes séquences élémentaires SEi.

Avantageusement, comme représenté sur la figure 2, la séquence d’acquisition SE et l’électrocardiogramme E sont synchronisés de sorte que les modules de lecture LE1 , LE2, soient mis en œuvre lors d’une même phase de cycles cardiaques respectifs C1 , C2.

Avantageusement, cette phase est un interbattement.

Avantageusement, cette phase est la diastole.

Avantageusement, la séquence d’acquisition SE et l’électrocardiogramme E sont synchronisés de sorte que les modules de lecture LE1 , LE2 des étapes d’acquisition sang noir et sang blanc ACQ1 , ACQ2 soient mises en œuvre à des mêmes instants de ces cycles cardiaques respectifs C1 , C2.

Ces instants sont définis par rapport à une même référence temporelle des cycles cardiaques C1 , C2. La référence temporelle est, par exemple ; le maximum du complexe QRS.

Ces instants sont séparés d’une même durée D2’ du maximum de l’onde R dans l’exemple de la figure 2.

La synchronisation des modules de lecture LE1 , LE2 des séquences d’acquisition en sang noir et en sang blanc ACQ1 , ACQ2 et, comme nous le verrons par la suite, de différents modules de lecture d’étapes d’acquisition en sang blanc d’une part et des différents modules de lecture d’étapes d’acquisition en sang noir d’autre part, permet de générer des images du cœur à des instants où le cœur occupe la même position dans un référentiel fixe par rapport à l’aimant principal ce qui permet de superposer les images obtenues sans qu’un recalage soit nécessaire ou en effectuant un recalage simple.

L’invention s’applique également lorsque l’ordre des étapes d’acquisition est différent. On peut par exemple mettre en œuvre plusieurs étapes d’acquisition sang noir ACQ1 lors d’interbattements consécutifs puis plusieurs étapes d’acquisition sang blanc ACQ2 lors d’interbattements consécutifs et inversement.

On peut également mettre en œuvre au moins une étape d’acquisition sang noir ACQ1 et au moins une étape d’acquisition sang-blanc ACQ2 lors d’un même interbattement.

En variante, au moins une étape d’acquisition sang blanc ACQ2 est espacée d’une étape d’acquisition sang noir ACQ1 la plus proche temporellement.

Acquisition de coupes

Avantageusement, l’unité de traitement est commande TC est configurée de sorte à générer de commandes à destination du dispositif IRM pour acquérir des signaux de coupes respectives réparties selon un axe prédéfini du cœur.

L’axe est avantageusement le grand axe du cœur. Les coupes obtenues sont alors des coupes dites petit axe. Un avantage est de permettre une excellente visualisation des deux ventricules. Toutefois, l’invention s’applique aussi au cas où les coupes sont réparties le long d’un autre axe du cœur, par exemple un axe en 2 cavités (axe long vertical) ou 4 cavités (axe long horizontal) du cœur. Chaque coupe présente une épaisseur définie selon l’axe et est centrée sur un plan de coupe prédéfini perpendiculaire à l’axe. Par coupe, on entend dans la présente demande, une tranche ou couche perpendiculaire à l’axe g et présentant une épaisseur prédéfinie selon l’axe.

Avantageusement, les coupes sont contiguës selon l’axe.

Cela est réalisé par les commandes générées par le choix des commandes générées à destination du générateur de gradient GEN_GRAD en synchronisant les commandes à destination du générateur de gradient GEN_GRAD et à destination du dispositif RF D_RF.

Avantageusement, on acquiert les signaux selon des coupes accolées ou se recouvrant partiellement. Cela permet d’imager complètement le cœur.

Avantageusement, le générateur de gradient GEN_GRAD est commandé de sorte que l’on puisse générer plusieurs images bidimensionnelles de chaque coupe, à partir des signaux acquis lors de la séquence d’acquisition SE.

La figure 4 représente une vue tridimensionnelle (3D) d’un cœur comportant une pluralité de plans de coupe notés PCk répartis le long le grand axe g, avec k= 1 à K, K étant un entier supérieur à 1 . Les plans de coupe sont répartis depuis l’apex AP jusqu’à la base BA du cœur CO. Par conséquent, les coupes sont des coupes dites « coupes petit axe ».

Seules les images issues de la coupe centrée sur le plan de coupe PCk sont représentées sur la figure 4.

De préférence, on génère plusieurs images élémentaires en sang noir IM1 k(j) et/ou plusieurs images élémentaires en sang blanc IM2k(j) avecj= 1 à J, J étant un entier supérieur ou égal à 2 pour au moins un plan de coupe PCk, par exemple pour chaque plan de coupe PCk. Cela permet de rendre plus robuste l’analyse des images obtenues.

En variante, le système est configuré pour acquérir des signaux provenant d’un volume, par exemple de la totalité du cœur de sorte à permettre la génération d’images tridimensionnelles.

Avantageusement, la séquence d’acquisition SE est mise en œuvre alors que le patient est en apnée. Un avantage est d’obtenir des images parfaitement recalées qui permettent de limiter, simplifier ou de se passer d’un recalage d’images.

En variante, la séquence d’acquisition SE est mise en œuvre en respiration libre. L’acquisition en respiration libre présente des avantages temporels. En effet, l’acquisition en apnée doit être rapide ce qui entraîne la nécessité de réduire le temps d’acquisition de quelques secondes à quelques minutes et implique souvent de devoir réduire la zone à imager par exemple en se limitant à une portion 3D. Or, la séquence d’acquisition SE étant synchronisée avec l’ECG de sorte que les séquences de lecture soient mises en œuvre à un même marqueur temporel de différents cycles cardiaques, l’acquisition en apnée conduit à générer un nombre d’images limité.

Génération des images

L’unité de traitement TC est configurée pour générer GEN, par des techniques de reconstruction connues de l’homme du métier, des images de la zone à imager.

On peut, par exemple utiliser l’algorithme GRAPPA ou l’algorithme SENSE (et sa version itérative).

L’étape de génération comprend une étape de génération des images élémentaires bidimensionnelles (2D) ou tridimensionnelles (3D) de la zone à imager à partir des signaux acquis lors de la séquence d’acquisition SE.

Dans le cas 2D, on génère avantageusement, pour chaque étape d’acquisition en sang noir ACQ1 , une image en sang noir IM1 à partir des signaux acquis lors de l’étape d’acquisition en sang noir ACQ1 et, pour chaque étape d’acquisition en sang blanc ACQ2, une image en sang blanc IM2 à partir des signaux acquis lors de l’étape d’acquisition en sang blanc ACQ2.

Les images élémentaires IM1 , IM2 sont avantageusement générées en niveau de gris. Chaque image comprend un ensemble d’éléments unitaires de type pixels ou voxels caractérisé, chacun, par une intensité I susceptible de prendre un ensemble de N valeurs (N étant un nombre entier fini supérieur à 1 ) correspondant à N niveaux de gris allant de 0 et N-1 . Par exemple, cette valeur peut prendre 256 valeurs comprises entre 0 et 255, mais N n’est pas limité à 256. Cette valeur peut avantageusement prendre 4096 valeurs entre 0 et 4095.

L’unité de traitement TC est également configurée pour utiliser les images élémentaires obtenues pour caractériser les lésions du cœur, par exemple dumyocarde comme nous le verrons plus en détail dans la suite du texte.

Les images élémentaires générées par l’unité de traitement TC peuvent être destinées à être affichées sur un écran de l’interface homme- machine INT.

Recalage Avantageusement, le procédé est dépourvu d’étape de recalage d’images.

En variante, l’étape de génération d’images GEN comprend le recalage d’images élémentaires en sang noir entre elles et/ou le recalage d’images élémentaires en sang blanc entre elles et/ou le recalage d’images élémentaires en sang noir et en sang blanc entre elles. Cela permet, notamment lorsque le patient est en respiration libre pendant la séquence d’acquisition SE de limiter les effets de la respiration sur la position du cœur et donc d’éviter les décalages spatiaux induits par la respiration sur les images et susceptibles d’affecter la précision et la fiabilité des analyses de ces images ou de combinaison de ces images. En effet, le rythme de la respiration est a priori différent du rythme cardiaque, mais même si des corrélations existent entre ces deux rythmes, il est possible que la respiration s’accélère alors que le battement cardiaque reste stable ou inversement.

Avantageusement, le procédé comprend le recalage d’images élémentaires en sang noir d’une même coupe.

Avantageusement, le recalage est réalisé en utilisant mettant en œuvre un algorithme de recalage d’images non rigide.

Avantageusement, le procédé comprend le recalage d’images élémentaires en sang blanc d’une même coupe.

Avantageusement, le procédé comprend le recalage d’images élémentaires en sang noir IM1 et en sang blanc IM2 entre elles.

Avantageusement, le procédé comprend le recalage d’images élémentaires en sang blanc et d’images élémentaires en sang noir d’une même coupe.

Avantageusement, ce recalage est réalisé en utilisant mettant en œuvre un algorithme de recalage d’images non rigide.

Avantageusement ces algorithmes sont identiques. Il est possible de choisir un algorithme différent pour le traitement des images élémentaires en sang noir et en sang blanc, mais il est préférable de choisir le même algorithme par facilité d’implémentation. Le recalage améliore sensiblement la qualité, notamment le contraste, d’une image issue d’une pluralité d’images élémentaires d’une même coupe. Par ailleurs, il permet de réduire les artefacts liés à la respiration.

Selon un premier exemple, au moins un des algorithmes non rigides est un algorithme basé sur la méthode de l'information mutuelle entre images fondée sur des relations statistiques. La fonction à optimiser peut-être mise en œuvre par un critère de similarité statistique. Un intérêt de cette méthode est que l'appariement entre attributs homologues d’images d’une même coupe est indépendant de leur position géométrique. Par ailleurs, cette méthode est particulièrement performante pour recaler des images élémentaires présentant des contrastes différents, telles que les images en sang noir et en sang blanc.

Selon un deuxième exemple compatible avec le premier exemple, au moins un des algorithmes non rigides est basé sur un modèle de transformation est mis en œuvre. Le modèle de transformation permet de déterminer des fonctions permettant de minimiser l’écart entre deux images. L’écart peut être traduit par une erreur géométrique à minimiser. Différentes approches peuvent être utilisées telles que celles se basant sur l'extraction à partir de chacune des images de primitives géométriques ou de descripteurs de formes tels que des points saillants, des singularités de formes ou de contours. Une approche paramétrique ou non paramétrique peut être utilisée.

Selon un exemple d’optimisation d’un modèle de transformation ou d’un critère de similarité, la méthode des moindres carrés peut être utilisée.

D’autres méthodes d’optimisation peuvent être mises en œuvre telles que la descente de gradients. Toutefois, cette dernière méthode s’applique plus particulièrement sur les intensités d’images et n’est pas optimale dans le cadre de l’invention puisqu’on cherche à optimiser la netteté et le contraste de l’image fusionnée. Néanmoins, l’invention inclut ce mode de réalisation.

Le recalage peut être réalisé en choisissant une image de référence et en déterminant une fonction de transformation des autres images de la même coupe vis-à-vis de cette image. Chaque image est alors recalée en optimisant une transformation pour obtenir l’image de référence selon un critère géométrique à partir de l’image considérée. Lors de l’acquisition d’images tridimensionnelles, il est possible d’acquérir plusieurs images tridimensionnelles du cœur, que l’on éventuellement recaler.

Combinaison d’images

Lorsqu’une pluralité d’images élémentaires d’une même coupe est générée, il est possible de réaliser des opérations visant à combiner, c’est-à- dire fusionner ces images afin de produire une unique image combinée par coupe.

Avantageusement, l’étape de génération des images GEN comprend, pour au moins une coupe d’indice k, par exemple pour chaque coupe, la combinaison d’images en sang blanc de la coupe IM2k(j), par exemple pour j = 1 à J de sorte à obtenir une image combinée ISBk en sang blanc de la coupe.

Avantageusement, le procédé comprend, pour au moins une coupe, par exemple pour chaque coupe, la combinaison d’images en sang noir IM1k(j), par exemple pour j = 1 à J de la coupe d’indice k de sorte à obtenir une image combinée en sang noir ISNkde la coupe.

Cela permet de réduire le bruit et augmenter le rapport signal sur bruit.

La combinaison des images peut être réalisée avant, pendant ou après la génération GEN des images.

Selon un exemple, la combinaison est un moyennage. Le moyennage est, par exemple, effectué dans l’espace image ou dans l’espace de Fourier (i.e. , le domaine des fréquences, avant reconstruction des images). Ces solutions sont peu coûteuses en calculs et rapides.

Le moyennage présente l'avantage de conserver le détail de l’image, puisqu'il accroît le rapport signal sur bruit (SNR). Cette technique permet de lisser le bruit pour réduire les artefacts résiduels de l’image. En outre, le moyennage permet d’améliorer la profondeur de bit de l’image numérique au-delà de ce qui est possible avec une image unique.

Un intérêt de l’étape de moyennage des images réalisées d’une même coupe est de réduire la déviation maximum. L'amplitude du bruit diminue comme la racine carrée du nombre d'images utilisées, c'est-à-dire qu'avec seulement 4 images, on peut réduire l'amplitude du bruit par un facteur deux. Selon un exemple d’une acquisition en respiration libre d’une durée de 2min, il est possible de recueillir 4 à 5 images par plan de coupe, ce qui permet d’obtenir de bonnes performances de réduction de bruit.

Dans un exemple de réalisation, la combinaison des images peut en variante être mise en œuvre par reconstruction itérative compensée en mouvement. Autrement dit, ce type de combinaison est mis en œuvre pendant la reconstruction des images. Des techniques de reconstruction IRM compensées sont notamment décrites dans les articles suivants: Odille F, et al., « Generalized reconstruction by inversion of coupled systems (GRICS) applied to free-breathing MRI » Magnetic Resonance in Medicine, 2008 ; et “3D whole-heart isotropic sub-millimeter resolution coronary magnetic resonance angiography with non-rigid motion-compensated PROST”, Bustin A, et al, Journal of Cardiovascular Magnetic Resonance, 2020.

Avantageusement, les images élémentaires d’une part en sang noir et d’autre part en sang blanc sont respectivement combinées de manière à produire une image sang noir combinée ISNk et une image sang blanc combinée ISBk par coupe.

Lors de l’acquisition d’images tridimensionnelles, il est possible d’acquérir plusieurs images tridimensionnelles du cœur, que l’on peut combiner, par exemple moyenner pour obtenir une unique image tridimensionnelle du cœur.

Caractérisation des lésions

Comme vu précédemment, lors de la séquence d’acquisition SE, on acquiert des signaux pour la génération d’images élémentaires en sang noir IM1 et d’images élémentaires en sang blanc IM2 et on génère ces images élémentaires IM1 , IM2 à partir des signaux acquis.

Selon l’invention, ces images élémentaires IM1 , IM2 sont générées à partir de signaux acquis en mettant en œuvre une séquence d’acquisition. Cette séquence d’acquisition comprend des étapes d’acquisition sang-blanc ACQ2. Chaque étape d’acquisition sang-blanc ACQ2 est distincte d’une séquence d’inversion-récupération.

En d’autres termes, cette séquence est dépourvue d’une impulsion d’inversion de l’aimantation longitudinale de la zone à imager. Par conséquent, contrairement à l’imagerie PSIR lors de l’acquisition sang blanc, l’aimantation longitudinale du myocarde n’est pas annulée ce qui permet d’obtenir des images présentant un plus fort contraste entre les lésions et le sang et donc de favoriser le diagnostic et le traitement d’images.

Avantageusement, l’acquisition sang blanc est configurée de sorte que lors de la mise en œuvre du module de lecture LE2, les aimantations longitudinales respectives du myocarde sain, du sang et des lésions soient positives et que l’aimantation longitudinale des lésions soit comprise entre l’aimantation du myocarde sain et celle du sang. Cela est obtenu par la configuration du module préparatoire PREP2 et celle du module de lecture LE2 et par le positionnement temporel relatif entre ces deux modules.

Comme visible sur la figure 5, le procédé de caractérisation lésionnelle comprend les étapes suivantes :

- la segmentation SEG, par ordinateur, d’au moins une image sang-blanc ISB de sorte à générer des données de positionnement d’une première paroi L1 délimitant le myocarde,

- la caractérisation lésionnelle CAR, par ordinateur, d’une lésion cardiaque en utilisant au moins une image sang noir ISN et des données de positionnement de la première paroi L1 prises parmi les données calculées lors de l’étape de segmentation SEG.

Ces étapes sont mises en œuvre par l’unité de traitement TC qui utilise à cet effet des images sang blanc ISBk et sang noir ISNk générées par le procédé précédemment décrit.

Chaque image sang blanc ISB, respectivement sang noir ISN est une image élémentaire IM1 k(j), IM2kO)ou une image combinée en sang blanc ISBk, respectivement en sang noir ISNk.

Dans la suite du texte, on considère, comme dans l’exemple de la figure 5, que chaque image en sang blanc ISB est une image combinée en sang blanc ISBk et que chaque image en sang noir ISN est une image combinée en sang noir ISNk.

L’invention permet de caractériser, de façon automatique, reproductible, fiable et précise une lésion cardiaque, et plus précisément des muscles cardiaques, notamment les lésions du myocarde. En effet, la segmentation d’images en sang blanc ISBk générées à partir de signaux mesurés lors des étapes d’acquisition en sang blanc ACQ2 distinctes de séquences d’inversion-récupération permet de positionner de façon automatique, robuste, fiable et précise les parois délimitant le myocarde, car ces images présentent un contraste significatif entre le myocarde et le sang. Les images en sang noir ISNk ne permettent pas d’obtenir d’aussi bons résultats du fait de l’absence de contraste entre le myocarde sain et le sang. La caractérisation lésionnelle qui utilise outre les données de positionnement issues de la segmentation, une image sang-noir ISNk, permet d’obtenir de bons résultats que ne permettrait pas d’obtenir à elle seule l’image en sang- blanc ISBk contenant peu ou pas d’information sur les lésions cardiaques.

Segmentation

Selon un exemple, la segmentation SEG est mise en œuvre en utilisant au moins une image en sang blanc ISBk de sorte à générer des données de positionnement d’une première paroi L1 et d’une deuxième paroi L2 délimitant le myocarde M et entourant et délimitant une cavité du cœur, la première paroi L1 entourant la deuxième paroi L2.

Les données de positionnement relatives à une paroi correspondent, par exemple, à l’identification des pixels constituant la paroi.

Le résultat de cette segmentation est visible en figure 6 représentant schématiquement en haut à gauche une image en sang blanc d’une coupe du cœur ISBk et en haut à droite l’image en sang blanc de la coupe sur laquelle la première paroi L1 et la deuxième paroi L2 obtenues lors de l’étape de segmentation sont représentés en traits noirs épais.

Les images générées sont, par exemple en niveaux de gris. Les zones blanches de la figure 6 représentent des zones plus claires que les zones pointillées représentent des zones plus claires que les zones quadrillées qui représentent des zones plus claires que les briques.

Dans l’exemple de la figure 6, la cavité du cœur est le ventricule gauche et la segmentation SEG est mise en œuvre de sorte à délimiter les parois L1 , L2 de la partie du myocarde entourant et délimitant le ventricule gauche.

Il est à noter que dans la présente description l’invention est décrite dans le cas où la cavité du cœur est le ventricule gauche, mais l’invention est applicable à toute cavité du cœur, telle que le ventricule droit et les oreillettes qui sont également entourées et délimitées par le myocarde et sujette à des lésions cardiaques.

La deuxième paroi L2 est la paroi délimitant le myocarde et le ventricule gauche VG. La première paroi L1 entourant la deuxième paroi L2 est la paroi externe, c’est-à-dire tournée vers l’extérieur du ventricule gauche VG, de la partie du myocarde entourant le ventricule gauche VG. Il s’agit de l’épicarde.

La deuxième paroi L2 est la paroi du myocarde délimitant le ventricule gauche. Il s’agit d’endocarde.

Sur les images de la figure 6 qui sont des coupes du cœur ces parois L1 , L2 forment des courbes fermées en ce qu’elles entourent complètement le ventricule gauche VG dans des coupes en petit axe.

On comprend aisément qu’en 3D ces parois forment des surfaces.

En variante, la segmentation SEG est mise en œuvre de sorte à générer des données de positionnement d’une seule de ces deux parois, par exemple de la paroi externe du myocarde.

La segmentation est réalisée en mettant en œuvre une fonction ou algorithme d’apprentissage, par exemple un réseau de neurones artificiels, pour segmenter une image en sang blanc de sorte à délimiter au moins une paroi du myocarde entourant et délimitant une cavité du cœur.

Dans un exemple non limitatif, la fonction d’apprentissage est un réseau de neurones.

Le réseau de neurones artificiels utilisé pour la segmentation est avantageusement un réseau neuronal convolutif.

Le réseau de neurones convolutif est, par exemple, de type U-Net ou de type transformeur aussi appelé modèle auto-attentif, par exemple, de type communément appelé swin transformer.

Le réseau de neurones, ou plus généralement la fonction d’apprentissage, est mis en œuvre sur des images bidimensionnelles (2D) et/ou sur des images tridimensionnelles (3D). Autrement dit, il est entraîné pour réaliser la segmentation souhaitée en recevant en entrée des images 2D et/ou 3D.

Avantageusement, la fonction d’apprentissage est entraînée, préalablement à la mise en œuvre du procédé selon l’invention, à partir d’images en sang blanc du cœur, générées à partir de signaux acquis lors d’étapes respectives d’acquisition en sang blanc distinctes de séquences d’inversion récupération, et labellisées par des spécialistes, c’est-à-dire segmentées par des spécialistes, de sorte que la fonction d’apprentissage entraînée recevant des données d’entrée comprenant une image en sang blanc du cœur, soit apte à segmenter de façon à délimiter au moins une paroi du myocarde entourant et délimitant une cavité du cœur.

La fonction d’apprentissage est, par exemple, configurée pour délivrer, à partir d’une image d’entrée en sang blanc générée à partir de signaux acquis lors d’une étape d’acquisition en sang blanc distincte d’une séquence d’inversion récupération, une image de sortie dans laquelle les pixels ou voxels correspondant aux parois ou contours L1 et L2 sont colorisés dans une intensité ou couleur prédéterminée ou dans des couleurs respectives prédéterminées.

Propagation

Le procédé peut comprendre une étape de propagation des parois détectées lors de l’étape de segmentation SEG, sur au moins une image en sang noir. Autrement dit, le procédé peut comprendre une étape de report REP, c’est-à-dire la propagation, comprenant, l’identification, sur une image en sang noir ISNk, des pixels ou voxels correspondant aux parois L1 et L2 identifiées lors de la segmentation SEG.

Sur la figure 6, on a représenté schématiquement en bas à gauche une image en sang noir ISNk de la coupe du cœur et en bas à droite l’image en sang noir sur laquelle on a représenté en traits noirs épais les parois L1 et L2 détectées lors de l’étape de segmentation SEG.

L’identification, sur l’image en sang noir ISNk, des pixels ou voxels correspondant à la première paroi L1 et respectivement à la deuxième paroi L2 est déterminée à partir des positions des pixels ou voxels correspondant à ces parois sur l’image en sang blanc ISBk.

Ces pixels ou voxels peuvent présenter les mêmes positions respectives sur l’image en sang blanc et sur l’image en sang noir lorsque l’on considère que ces images sont recalées spatialement et car ces images présentent la même taille et la même résolution. Un décalage spatial prédéterminé ou calculé peut en variante être appliqué à ces pixels ou voxels lorsqu'on estime qu’un décalage spatial existe entre ces images.

Le report peut comprendre l’annotation ou la colorisation des pixels ou voxels correspondant aux parois L1 et L2. Avantageusement, la caractérisation comprend la segmentation pour chaque image en sang blanc ISBk de sorte à générer des données de positionnement respectives obtenues à partir des images en sang blanc ISBk respectives.

Avantageusement, la caractérisation comprend le report sur chaque image en sang noir ISNk, des pixels ou voxels correspondant aux parois L1 et L2 identifiées lors de la segmentation SEG, à partir d’une des images en sang blanc ISBk. Les pixels ou voxels reportés sur les différentes images en sang noir ou images combinées en sang noir sont avantageusement identifiés à partir d’images en sang blanc respectives.

Avantageusement, les données de positionnement utilisées pour le report sur une image en sang noir ISNk sont générées à partir d’une image en sang blanc ISBk générée à partir de signaux mesurés lors d’une même séquence d’acquisition élémentaire.

Ainsi, on reporte avantageusement les données de positionnement générées à partir d’une image combinée en sang blanc ISBk d’ordre k sur une image combinée en sang noir ISNk d’ordre k.

Étape de caractérisation lésionnelle

L’étape de caractérisation lésionnelle CAR consiste à caractériser le cœur du point de vue des lésions en utilisant une ou plusieurs image(s) sang-noir ISNk et des données de positionnement d’au moins une paroi, par exemple de la deuxième paroi L2, obtenues à partir d’une ou plusieurs images en sang blanc ISBk.

Cette étape permet avantageusement de générer des données caractérisant le cœur du point de vue des lésions.

Cette étape est mise en œuvre par l’unité de traitement CT.

L’étape de caractérisation CAR peut comprendre une étape de détection DE de lésion et/ou une étape de caractérisation de lésion CAE. Avantageusement, lorsqu’une lésion est détectée, l’étape de caractérisation de lésion CAE est mise en œuvre. Autrement dit, l’étape de caractérisation de lésion CAE peut être mise en œuvre uniquement à condition qu’une lésion soit détectée lors de l’étape de détection DE.

En variante, l’étape de détection DE est mise en œuvre après l’étape de caractérisation de lésion CAE ou après une des étapes de cette étape de caractérisation de lésion effective CAE.

En variante, l’étape caractérisation de lésion CAE est dépourvue d’étape de détection DE.

L’étape de détection sera décrite ultérieurement.

L’étape de caractérisation de lésion CAE comprend avantageusement une étape de segmentation lésionnelle SC d’au moins une image en sang noir ISNk de sorte à générer des données de positionnement d’ au moins une lésion cardiaque éventuellement présente sur la figure, la segmentation lésionnelle SC utilisant des données de positionnement de la première paroi L1 et éventuellement celles de la deuxième paroi L2, générées lors de l’étape de segmentation SEG.

L’étape de caractérisation de lésion CAE comprend éventuellement les étapes suivantes :

- calcul CTA de taille de lésion CIC à partir des données de positionnement de la première paroi L1 et éventuellement de la deuxième paroi L2 issues de l’étape de segmentation SEG, et/ou

- calcul CTT d’au moins un degré de transmuralité TR de la lésion CIC à partir de première paroi L1 et de la deuxième paroi L2 issues de l’étape de segmentation SEG.

Ces calculs sont effectués en utilisant un ensemble d’au moins une image en sang noir.

Par taille d’une lésion, on entend une donnée représentative de dimensions de la lésion, telle qu’un volume ou une surface, par exemple ou un nombre de pixels ou de voxels.

Segmentation lésionnelle

La segmentation lésionnelle SC utilise une ou plusieurs image(s) sang noir ISNk et des données de positionnement de la première paroi L1 et éventuellement celles de la deuxième paroi L2 issues de la segmentation SEG.

Ces données de positionnement peuvent être des données de positionnement générées lors l’étape de segmentation SEG ou des données de positionnement issues de l’étape de report REP. En variante l’étape de segmentation lésionnelle SG comprend l’étape de report.

Cette étape permet de localiser les lésions cardiaques, c’est-à-dire de générer des données de localisation des lésions cardiaques.

Ces données de localisation des lésions comprennent par exemple l’identification ou les positions des pixels ou voxels correspondant à des lésions.

L’étape de segmentation lésionnelle SC est avantageusement mise en œuvre par seuillage.

Elle comprend avantageusement l’identification des pixels ou voxels présentant une intensité supérieure ou égale à un seuil d’intensité prédéterminé uniquement dans une zone prédéterminée d’au moins une image en sang noir ISNk délimitée par la première panroi L1 et/ou la deuxième paroi L2. En effet, comme on peut le déduire de la figure 2, les lésions présentent, sur les images en sang noir, une intensité élevée comparée au myocarde sain et au sang.

Cette zone est déterminée à partir des données de positionnement de la première paroi L1 et éventuellement celles de la deuxième paroi L2 issues de la segmentation SEG.

Il s’agit par exemple de la zone d’une image sang noir ISNk délimitée par les pixels ou voxels de la première paroi L1 et/ou les pixels ou voxels de la deuxième paroi L2 reportés sur l’image sang noir ISNk.

Avantageusement, la zone de l’image en sang noir est la zone entourée et délimitée par la première paroi L1 .

Autrement dit, l’étape de segmentation lésionnelle SC comprend la recherche des pixels ou voxels d’intensité supérieure ou égale à un seuil d’intensité prédéterminé uniquement dans la zone délimitée et entourée par la première paroi L1 sur une ou plusieurs image(s) en sang noir ISNk. Autrement dit, ces pixels ou voxels sont pris uniquement parmi les pixels ou voxels d’une zone de l’image ou des images en sang noir entourée et délimitée par la première paroi L1 . Cela permet d’éviter la détection erronée de lésions en au- delà de répicarde, en évitant confusion entre des lésions et de la graisse entourant l’épicarde et représentée, sur les images en sang noir, par des pixels d’intensité élevée.

En variante, la zone Z est la zone de la ou des images en sang noir ISNk délimitée par la première paroi L1 et par la deuxième paroi L2.

Autrement dit, à la segmentation lésionnelle SC comprend la recherche les pixels d’intensité supérieure ou égale à un seuil d’intensité prédéterminé uniquement dans la zone délimitée par les deux parois L1 et L2 d’une ou plusieurs images en sang noir ISNk. Cette variante présente l’avantage d’identifier les pixels ou voxels des lésions du myocarde uniquement. En effet, il arrive que des patients aient des nécroses des muscle papillaires (se trouvant dans la zone délimitée par la paroi L2). Chez ces patients les muscles sont blancs sur l’image en sang noir ce qui peut entraîner des erreurs de caractérisation lésionnelle lorsque l’on segmente les lésions dans toute la zone délimitée par L1 .

En variante et/ou en sus, la segmentation lésionnelle SC comprend la recherche des pixels d’intensité supérieure ou égale à un seuil d’intensité prédéterminé uniquement dans la zone entourée par la paroi L2. Cette étape permet d’identifier les pixels ou voxels des muscles papillaires uniquement.

En variante, la segmentation est mise en œuvre en utilisant un réseau de neurones, par exemple, un réseau de neurones convolutif entraîné pour segmenter les lésions cardiaques dans une zone délimitée par les parois L1 et/ou L2 lorsqu’il reçoit en entrée les données de positionnement de la ou des parois correspondantes et l’image en sang noir, ou en utilisant au moins un algorithme de segmentation par contour actif, c’est-à-dire un algorithme de segmentation utilisant un modèle de contour actif.

L’étape de détection DE comprend la détection de l’absence ou de la présence de lésions en utilisant une image sang-noir ISNk et des données de positionnement d’au moins une paroi, par exemple, de la deuxième paroi L2. Elle génère en sortie une indication de la présence ou de l’absence de lésions cardiaques.

L’étape de détection DE peut être réalisée par seuillage ou en utilisant un réseau de neurones comme l’étape de segmentation. Cette étape peut consister à déterminer si un nombre de pixels ou voxels contigus supérieur à un seuil prédéterminé présente une intensité supérieure à un seuil prédéterminé dans la zone délimitée par la paroi L1 et/ou la paroi L2 dont le positionnement est défini lors de l’étape de segmentation SEG du myocarde. La présence de lésions cardiaques est détectée si cette condition est vérifiée et l’absence de lésions cardiaques est détectée si cette condition n’est pas vérifiée.

Le réseau de neurones est, par exemple, un réseau de neurones convolutif. Le réseau de neurones est, par exemple, entraîné pour détecter la présence ou l’absence de lésions cardiaques dans une zone délimitée par les parois L1 et/ou L2 lorsqu’il reçoit en entrée les données de positionnement de la ou des parois correspondantes et l’image en sang noir.

Avantageusement, lorsqu’aucune lésion n’est détectée, c’est-à-dire lorsque l’absence de lésion est détectée lors de l’étape DE.

Si aucune lésion n’est détectée, l’étape suivante est avantageusement l’étape de génération GENR.

Sur la figure 7, on a représenté l’image en sang noir ISNk, sur laquelle on a représenté en trais épais les limites L1 et L2 identifiées lors de la segmentation et reportées, c’est-à-dire propagées, sur l’image en sang noir ISNk ainsi que les pixels identifiés comme étant des pixels de la lésion.

Calcul de taille lésionnelle

La caractérisation CAR comprend avantageusement une étape de calcul CTA de taille lésionnelle.

Cette étape de calcul CTA comprend la détermination d’au moins une donnée élémentaire représentative de la taille d’au moins une lésion cardiaque, par exemple du myocarde, en utilisant des données de localisation des données de localisation des première et/ou deuxième parois L1 , L2 qui sont par exemple directement les données de positionnement issues de la segmentation SEG du myocarde ou bien des données issues de ces données, par exemple, des données issues de l’étape de report ou des données de positionnement de la lésion obtenues lors de l’étape de segmentation lésionnelle SC.

Une donnée élémentaire représentative d’une taille lésionnelle peut être un pourcentage d’une surface du myocarde occupé par une lésion sur un secteur SEC d’une image en sang noir ISNk ou un volume ou une masse de la lésion dans ce secteur SEC partant de l’axe I parallèle à l’axe p et passant sensiblement par le centre de la cavité cardiaque sur l’image en sang noir ISNk et délimité par deux rayons R partant de l’axe I comme visible sur l’image en sang noir ISNk..

Le pourcentage de la surface du myocarde occupé par la lésion sur le secteur SEC peut être calculé à partir du rapport entre le nombre des pixels correspondant à la lésion dans ce secteur SEC et le nombre de pixels correspondant au myocarde dans ce secteur SEC.

Le nombre de pixels correspondant à la lésion dans ce secteur SEC peut être calculé à partir des données de localisation obtenues lors de l’étape de segmentation lésionnelle ou bien directement être calculé, lors de l’étape de calcul CTA, par exemple en sélectionnant, par seuillage, le nombre de pixels présentant une intensité supérieure à un seuil prédéterminé dans la portion du secteur SEC délimité par les parois L1 et L2 ou par la paroi L1. L’étape CTA peut comprendre le calcul d’une donnée représentative de la taille lésionnelle dans un secteur SEC à partir de plusieurs données élémentaires représentatives de la taille lésionnelle calculée, dans ce secteur SEC, pour plusieurs images en sang noir ISNk réparties le long de l’axe p.

On calcule par exemple une combinaison ou une moyenne des données élémentaires.

Le volume de lésion sur un secteur SEC peut être calculée à partir du rapport entre le nombre des pixels correspondant à la lésion sur ce secteur et le nombre de pixels correspondant au myocarde sur ce secteur, à partir de l’épaisseur la coupe correspondant à une image en sang noir ISNk, lorsque l’image est bidimensionnelle.

La taille et/ou le volume sont avantageusement également calculés à partir de la résolution prédéterminée des images.

Il est à noter que la masse volumique du myocarde est de 1 ,06 g/ml. On considère donc que la masse d’une lésion est sensiblement égale au volume de cette dernière ce qui permet d’évaluer la masse de la lésion.

L’étape de calcul CTA peut, par exemple, comprendre la division de l’image en sang noir ISNk en un premier nombre prédéfini, égal à 12 dans l’exemple non limitatif de la figure 1 , prédéfini de secteurs SEC de même angle crl_fc d’ouverture pointant vers l’axe I et le calcul du pourcentage des surfaces du myocarde occupé par la lésion sur les différents secteurs SEC. Le premier nombre de secteurs et l’angle d’ouverture al_k peuvent varier en fonction du plan de coupe PCk. Par exemple, plus le plan de coupe PCk se rapproche de l’apex selon le grand axe, plus le nombre de secteurs diminue et l’angle d’ouverture al_k augmente.

Cette étape peut être mise en œuvre pour différentes images en sang noir ISNk de différentes coupes centrées sur des plans de coupe PCk respectifs avec k = 1 à K. Le procédé comprend avantageusement, une étape de génération GENR, par ordinateur, par exemple par l’unité de traitement, d’un ensemble d’au moins représentation de données de caractérisation lésionnelle et une étape d’affichage AFFD d’au moins une représentation de l’ensemble d’au moins une représentation sur un écran de l’interface homme- machine.

L’étape de génération comprend par exemple la génération d’une donnée représentative du résultat de l’étape de détection DE, c’est-à-dire de l’absence ou de la présence de lésion et l’étape d’affichage comprend l’affichage de cette donnée.

L’ensemble d’au moins une représentation comprend avantageusement une première représentation REPT de la ou des données représentatives de la taille lésionnelle calculées lors de l’étape de calcul CTA.

On peut par exemple, générer, comme visible sur la figure 7, une représentation de type œil de bœuf (aussi appelée « Bull’s eye » en terminologie anglo-saxonne) des pourcentages ou de données représentatives des pourcentages des surfaces du myocarde occupé par la lésion dans différents secteurs d’images en sang noir ISNk prises selon les plans de coupe respectifs PCk.

La représentation Bull’s eye est définie par l’association américaine du cœur AHA en référence à l’expression anglo-saxonne « American Heart Association » et décrite dans l’article suivant : « Standardized Myocardial Segmentation and Nomenclature for Tomographie 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. », Manuel D. Cerqueira et Al, Circulation, 2002; 105:539-42.

La représentation de type œil de bœuf comprend une pluralité de cercles concentriques CE séparés deux à deux par des couronnes CO. Chaque couronne CO est attribuée à une coupe ou un ensemble de coupes contiguës sachant que plus la couronne CO correspond à une coupe ou un ensemble de coupes proche de l’apex, plus elle est proche du centre des cercles. Chaque couronne CO est divisée en portions de secteurs PSE dans lesquels sont affichés, comme dans l’exemple de la figure 7, les pourcentages de la surface du myocarde occupés par une lésion et calculés pour les secteurs respectifs de l’image en sang noir ISNk de la coupe correspondante ou des combinaisons, par exemple des moyennes, des pourcentages calculés à partir des pourcentages de la surface du myocarde occupée par une lésion calculés pour les secteurs des images en sang noir de l’ensemble de coupes correspondantes.

En variante et/ou en sus, l’intensité des pixels des différentes portions de couronnes dépend du pourcentage calculé. Plus ce pourcentage est faible et plus l’intensité de la couronne correspondante est élevée.

Par exemple, sur la figure 7, on a représenté l’affichage sous la forme d’une représentation connue de type œil de bœuf les moyennes respectives des pourcentages de la taille de la lésion calculés dans les secteurs respectifs définis sur trois ensembles d’images en sang noir contigus répartis le long de l’axe p associés aux trois couronnes respectives correspondant respectivement à une coupe de l’apex (couronne intérieure), au mi-ventricule (couronne du milieu) et à la zone basale (couronne extérieures).

Les portions de secteurs associés à un pourcentage supérieur à 80% sont représentées en pointillées et celles associées à un pourcentage est inférieur ou égal à 80% sont représentées en blanc.

Lorsqu’on génère une image 3D du cœur, on divise avantageusement l’image en plusieurs couches selon l’axe p et on calcule les mêmes données qu’à partir d’images 2D à partir de ces différentes couches.

Transmu ralité

L’étape de caractérisation CAR comprend avantageusement une étape de calcul d’une donnée représentative d’un pourcentage de transmuralité d’une lésion. Par pourcentage de transmuralité, on entend le pourcentage d’une épaisseur du myocarde occupé par une lésion.

Cette étape de calcul CTT comprend la détermination d’au moins une donnée représentative du pourcentage de transmuralité d’au moins une lésion du myocarde en utilisant des données de localisation d’une lésion et des données de localisation des première et/ou deuxième parois L1 , L2 issues de l’étape de segmentation.

Cette donnée peut être un pourcentage de l’épaisseur du myocarde occupé par une lésion sur un secteur de l’image en sang noir ISNk partant de l’axe I

Le pourcentage de l’épaisseur du myocarde occupé par la lésion sur le secteur peut être calculé à partir du rapport entre un nombre de pixels correspondant à l’épaisseur de la lésion sur ce secteur et le nombre de pixels correspondant à l’épaisseur du myocarde sur ce secteur. Le nombre de pixels correspondant à l’épaisseur de la lésion peut être un nombre obtenu à partir des résultats de l’étape de segmentation lésionnelle SC ou être calculé, par exemple par seuillage, lors de l’étape de calcul CTT à partir des données de positionnement de L1 et éventuellement de L2 issues de l’étape de segmentation SEG.

Le nombre de pixels correspondant à l’épaisseur de la lésion sur un secteur peut être une moyenne ou un maximum de nombres de pixels, correspondant à l’épaisseur de la lésion, calculés selon différents rayons du secteur.

Le nombre de pixels correspondant à l’épaisseur du myocarde sur un secteur peut être une moyenne ou un maximum de nombres de pixels, correspondant à l’épaisseur du myocarde, calculés selon différents rayons du secteur. Ces nombres sont calculés à partir de données de positionnement des parois L1 et L2.

L’étape de calcul CTT peut, par exemple comprendre la division de l’image en sang noir ISNk en un deuxième nombre prédéfini de secteurs de même angle a2_k d’ouverture pointant vers le centre de la cavité cardiaque et le calcul du pourcentage des surfaces du myocarde occupé par la lésion sur les différents secteurs.

Le deuxième nombre de secteurs et donc l’angle d’ouverture a2_k peuvent varier en fonction du plan de coupe PCk. Par exemple, plus le plan de coupe PCk se rapproche de l’apex, plus le nombre de secteurs diminue et l’angle d’ouverture a2_k augmente.

Avantageusement le deuxième nombre est supérieur au premier nombre. L’étape CTT peut comprendre le calcul d’une donnée représentative de la transmuralité dans un secteur à partir de plusieurs données élémentaires représentatives de la transmuralité calculées dans ce secteur pour plusieurs images en sang noir ISNk réparties le long de l’axe p.

Cette étape peut être mise en œuvre pour différentes images en sang noir ISNk de différentes coupes centrées sur des plans de coupe PCk respectifs.

L’étape GENR comprend avantageusement la génération d’une représentation REPTR de données représentatives d’un pourcentage de transmuralité. L’étape d’affichage AFFD comprend avantageusement l’affichage de cette représentation.

On peut par exemple, générer une représentation de type œil de bœuf des combinaisons, par exemple des moyennes, de pourcentages de la transmuralité de la lésion dans des secteurs d’ensembles d’images en sang noir ISNk contiguës prises selon les plans de coupe respectifs PCk.

L’intensité des pixels de cette image représente avantageusement, mais non nécessairement, le pourcentage de transmuralité.

Par exemple, sur la figure 7, on a représenté l’affichage sous la forme d’une représentation REPTR de type œil de bœuf des moyennes de pourcentages de transmuralité de la lésion calculées dans les secteurs définis sur plusieurs ensembles d’images en sang noir contiguës prises selon des plans de coupe respectifs répartis le long de l’axe p.

Tout comme précédemment, la représentation de type œil de bœuf comprend une pluralité de portions de secteurs dont l’intensité correspond à la combinaison du pourcentage de transmuralité calculée pour cette portion de secteur.

Plus ce pourcentage est faible et plus l’intensité de la couronne correspondante est élevée. En variante et/ou en sus les pourcentages sont affichés dans les portions de secteurs.

Avantages La solution proposée permet d’obtenir des images présentant une résolution et un contraste suffisant pour détecter et caractériser précisément les lésions et de façon fiable et reproductible.

Par ailleurs, elle permet, en séparant deux informations importantes, à savoir l’anatomie du cœur et les lésions, sur deux images distinctes, à savoir respectivement les images en sang blanc et les images en sang noir, de mettre en œuvre un procédé automatique de caractérisation des lésions. Cette automatisation permet un gain significatif de temps et de reproductibilité par rapport aux solutions de l’art antérieur.

La séquence d’acquisition en sang noir et sang blanc du procédé selon l’invention nécessite un temps d’acquisition relativement réduit, en particulier lorsque l’on acquiert des signaux pour générer des images 2D qui impliquent peu de calcul. Cela permet avantageusement de mettre en œuvre la séquence d’acquisition en respiration en apnée et de limiter les déplacements du cœur entre les images et donc les corrections à réaliser ce qui permet de limiter les ressources de calcul et la mise en œuvre du procédé en temps réel. Cela permet également de limiter les artefacts altérant la lisibilité des images. Ces artefacts accentuent la difficulté de reconstruire des images nettes et précises afin de localiser et détecter la lésion. Par ailleurs, les longues acquisitions en IRM sont inconfortables pour le patient. Une durée de 10 à 20 min est considérée comme une durée très longue et il est difficile pour le patient de se maintenir au sein de l’ IRM sans effectuer de mouvement.

En outre, dans le cas de la génération d’images 2D par le procédé selon l’invention, on évite les artefacts d’une image extraite d’un plan de coupe de l’image 3D susceptibles d’aboutir à des cas dans lesquels il est impossible de discriminer la présence d’une lésion potentielle de présence du sang située à proximité du muscle. En effet, dans certains cas, la lésion est tellement proche du sang, on la nomme sous endocardique, qu’il est difficile de savoir, en sur des images présentant des artefacts, si c’est une lésion, du sang ou un artefact de l’image.

Le procédé selon l’invention permet de fonder une décision clinique avec peu de risque d’erreur de diagnostic sur la présence d’une lésion ou non.

Matériel D’un point de vue matériel, l’unité de traitement TC peut être vue comme un calculateur interagissant avec des programmes d’ordinateur.

L’unité de traitement TC comprend au moins un ordinateur, par exemple, un micro-ordinateur, un réseau d’ordinateurs, un composant électronique, une tablette, un Smartphone ou un assistant numérique personnel (PDA).

L’unité de traitement et commande TC comprend par exemple, un calculateur, comprenant un ensemble d’au moins un processeur, et éventuellement une mémoire couplée opérationnellement au calculateur.

La mémoire comprend par exemple un support lisible par ordinateur. Le support lisible par ordinateur est un dispositif tangible lisible par un lecteur de l’unité de traitement, apte à mémoriser des instructions électroniques et à être couplé au système de communication ou unité de communication.

Autrement dit, le support lisible par ordinateur est un support tangible. Autrement dit, ce n'est pas un signal transitoire en soi, tels que des ondes radio ou d'autres ondes électromagnétiques à propagation libre, telles que des impulsions lumineuses ou des signaux électroniques. Un tel support de stockage lisible par ordinateur est, par exemple, un dispositif de stockage électronique, un dispositif de stockage magnétique, un dispositif de stockage optique, un dispositif de stockage électromagnétique, un dispositif de stockage à semi- conducteur ou toute combinaison de ceux-ci.

A titre d'exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire morte (ROM, de l'anglais Read-Only Memory), une mémoire morte effaçable et programmable (EPROM, de l'anglais Erasable Programmable Read-Only Memory), une mémoire morte programmable et effaçable électriquement (ÉEPROM, de l'anglais Electrically Erasable Programmable Read-Only Memory), une mémoire vive (RAM, de l'anglais Random Access Memory), une carte magnétique ou une carte optique.

Le support lisible peut comporter un système d’exploitation et charger les programmes selon l’invention. Il comporte des registres adaptés à enregistrer des variables de paramètres créés et modifiés eu cours de l’exécution des programmes précités. Sur le support lisible est alors mémorisé un programme d'ordinateur comportant des instructions logicielles. En variante, les instructions des programmes sont issues d’une source externe et téléchargées via un réseau. C’est notamment le cas pour les applications.

L’unité de de traitement et de commande comprend un calculateur, c’est-à-dire au moins circuit électronique de traitement de données conçu pour manipuler et/ou pour transformer des données représentées par des quantités électroniques ou physiques dans des registres du système d'évaluation et/ou des mémoires en d'autres données similaires correspondant à des données physiques dans les mémoires de registres ou d'autres types de dispositifs d'affichage, de dispositifs de transmission ou de dispositifs de mémorisation.

L’unité de traitement CT comprend, par exemple, des mémoires, pour stocker des données, par exemple les images sang-noir et sang blanc, couplées opérationnellement au circuit traitement de données et un lecteur adapté à lire un support lisible par ordinateur.

Les étapes du procédé selon l’invention sont, par exemple, exécutées en amenant les circuits de traitement de l’unité de traitement CT à lire des programmes prédéterminés enregistrés sur des matériels tels que des mémoires de telle sorte que leurs circuits de traitement de données exécutent des calculs, commandent des communications et à lisent et/ou écrivent des données dans des mémoires.

La caractérisation est, par exemple, exécutée sur un dispositif de traitement, par exemple ordinateur unique, ou sur un système distribué entre plusieurs ordinateurs (notamment via l’utilisation de l’informatique en nuage).

L’unité de traitement CT comprend au moins un calculateur comprenant au moins des éléments listés ci-après : un ensemble d’un ou plusieurs processeurs (par exemple au moins une unité de traitement centrale (CPU) et/ou au moins une unité de traitement graphique (GPU) et/ou au un microcontrôleur et/ou au un processeur de signal numérique (DSP)) ASIC aptes à interpréter des instructions sous forme de programme informatique et/ou un ensemble matériel comme un circuit intégré spécifique à une application (ASIC), un réseau de portes programmables in situ (FPGA), un dispositif logique programmable (PLD) des réseaux logiques programmables (PLA), un système sur puce (SOC), et/ou une carte électronique dans laquelle des étapes du procédé selon l’invention sont implémentées dans des éléments matériels. L’invention se rapporte à un produit programme d’ordinateur comprenant le support lisible par ordinateur contenant des instructions qui, lorsqu'elles sont exécutées par le circuit de traitement, amènent le système S à mettre en œuvre les étapes du procédé selon l’invention.

Le produit-programme peut comprendre le support d’enregistrement lisible par ordinateur.

L’invention se rapporte également à un support lisible par ordinateur, sur lequel est enregistré le programme d’ordinateur.

En variante, les instructions du programme sont issues d’une source externe et téléchargées via un réseau. C’est notamment le cas pour les applications. Dans ce cas, le produit programme d'ordinateur comprend un support de données lisible par ordinateur sur lequel sont stockées les instructions de programme ou un signal de support de données sur lequel sont codées les instructions de programme.

La forme des instructions de programme est, par exemple, une forme de code source, une forme exécutable par ordinateur ou toute forme intermédiaire entre un code source et une forme exécutable par ordinateur, telle que la forme résultant de la conversion du code source via un interpréteur, un assembleur, un compilateur, un éditeur de liens ou un localisateur. En variante, les instructions de programme sont un microcode, des instructions firmware, des données de définition d’état, des données de configuration pour circuit intégré (par exemple du VHDL) ou un code objet. Les instructions de programme sont écrites dans n’importe quelle combinaison d’un ou de plusieurs langages de programmation, par exemple un langage de programmation orienté objet (C++, JAVA, Python), un langage de programmation procédural (langage C par exemple).

L’unité de communication comprend au moins un dispositif de communication permettant une communication entre les éléments du système et éventuellement entre au moins un élément du système et un dispositif extérieur au système. Les systèmes de communication peuvent établir un lien physique entre des éléments du système et/ou entre un élément du système et un dispositif extérieur au système et/ou un lien en communication à distance (sans fil) entre des éléments du système et/ou entre un élément du système et un dispositif extérieur au système. Le dispositif de communication peut comprendre n'importe quel matériel, microprogramme et/ou logiciel approprié pour communiquer des informations entre des éléments du dispositif auquel appartient le dispositif de communication, par exemple via un bus de données, ou à un élément extérieur au dispositif. Afin de permettre la communication de données entre différents dispositifs auxquels appartiennent, le cas échéant, des dispositifs de communication, ces dispositifs comprennent du matériel micrologiciel et/ou logiciel permettant d’établir, entre eux, une liaison de communication câblée, ou sans-fil, par exemple Wi-Fi, Bluetooth, cellulaire ou Ethernet.

L'interface utilisateur INT permet à un utilisateur de saisir des données ou des commandes de façon à pouvoir interagir avec les programmes selon l’invention.

L’interface utilisateur INT comprend, par exemple, une interface et sortie INTS et une interface d’entrée INTE.

L’interface d’entrée comprend, par exemple, un clavier ou un une interface de pointage, tel qu’une souris, un crayon optique, un pavé tactile, une télécommande, un dispositif de reconnaissance vocale, un dispositif haptique.

L’interface de sortie INTS est conçue pour restituer des informations à un utilisateur, de façon sensorielle ou électrique, comme, par exemple de façon visuelle ou sonore. L’interface de sortie comprend, par exemple, un afficheur. L’étape d’affichage AFFD peut être une étape de restitution d’informations par un autre moyen qu’un afficheur.

L’interface de sortie INTS peut être le dispositif d’entrée INTE, par exemple, dans le cas d’une tablette tactile.

Claims

REVENDICATIONS

1. Procédé de caractérisation lésionnelle du cœur utilisant des images d’une zone à imager comprenant le cœur (CO) d’un patient, le cœur comprenant un myocarde délimitant une cavité du cœur, les images comprenant :

- une image en sang noir (ISN) générée à partir de signaux acquis lors d’une acquisition par résonnance magnétique en sang noir (ACQ1 ) par rehaussement tardif du gadolinium,

- une image en sang blanc (ISB) générée à partir de signaux acquis lors d’une acquisition par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium, l’acquisition en sang blanc (ACQ2) étant distincte d’une séquence d’inversion récupération, le procédé comprenant :

- segmentation (SEG), par ordinateur, de l’image en sang blanc (ISB) de sorte à générer des données de positionnement d’un ensemble d’au moins une paroi délimitant le myocarde,

- caractérisation lésionnelle (CAR) du cœur, par ordinateur, à partir de l’image en sang noir (ISN) et de données de positionnement, d'au moins une paroi (L1 , L2) de l’ensemble d’au moins une paroi délimitant le myocarde, prises parmi les données de positionnement de l’ensemble d’au moins une paroi délimitant le myocarde.

2. Procédé selon la revendication précédente, dans lequel la segmentation (SEG) utilise une fonction d’apprentissage pour segmenter l’image en sang blanc (ISB) de sorte à obtenir les données de positionnement.

3. Procédé selon la revendication précédente, dans lequel la fonction d’apprentissage est un réseau de neurones convolutifs.

4. Procédé selon l’une quelconque des revendications 2 à 3, dans lequel la fonction d’apprentissage est entraînée à partir d’un ensemble d’images d’entraînement de la zone à imager générées à partir de signaux acquis lors d’étapes d’acquisitions respectives par résonnance magnétique en sang blanc par rehaussement tardif du gadolinium distinctes de séquences d’inversion récupération.

5. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’ensemble d’au moins une paroi comprend une première paroi (L1) délimitant et entourant le myocarde.

6. Procédé selon la revendication 5, dans lequel la caractérisation (CAR) comprend une segmentation lésionnelle (SC) pour localiser une lésion du myocarde sur l’image en sang noir (ISN) en utilisant des données issues de données de positionnement de la première paroi (L1).

7. Procédé selon la revendication 6, dans lequel la segmentation lésionnelle (SC) comprend la sélection des pixels de l’image en sang noir (ISN) présentant une intensité supérieure à un seuil prédéterminé, les pixels étant pris uniquement parmi les pixels de l’image en sang noir (ISN) entourés de la première paroi (L1 ).

8. Procédé selon l’une quelconque des revendications 5 à 7, dans lequel l’ensemble d’au moins une paroi comprend une deuxième paroi (L2) délimitant le myocarde et entourée par la première paroi (L1 ).

9. Procédé selon la revendication 8, dans lequel la caractérisation (CAR) comprend un calcul (CTT) de données représentatives d’un pourcentage de transmuralité de la lésion (CIC) à partir de données issues des données de positionnement de la première paroi (L1 ) et de la deuxième paroi (L2).

10. Procédé selon l'une quelconque des revendications 8 à 9, dans lequel la caractérisation comprend un calcul (CTA) d’une donnée représentative d’une taille de lésion (CIC) à partir de données issues des données de positionnement de la première paroi (L1 ) et de la deuxième paroi (L2).

11. Procédé selon l’une quelconque des revendications précédentes, comprenant l’affichage, sur un écran, d’une représentation de données calculées lors de l’étape de caractérisation (CAR).

12. Procédé selon l’une quelconque des revendications précédentes, comprenant les étapes suivantes : o l’acquisition par résonnance magnétique en sang noir (ACQ1 ) par rehaussement tardif du gadolinium, o génération de l’image en sang noir (ISN) à partir des signaux acquis lors l’acquisition par résonnance magnétique en sang noir (ACQ1 ) par rehaussement tardif du gadolinium, o acquisition par résonnance magnétique en sang blanc (ACQ2) par rehaussement tardif du gadolinium, o génération de l’image en sang blanc (ISB) à partir des signaux acquis lors de l’acquisition par résonnance magnétique en sang noir (ACQ2) par rehaussement tardif du gadolinium.

13. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’image en sang noir et l’image en sang blanc sont bidimensionnelles.

14. Système comprenant les éléments matériels et logiciels pour mettre en œuvre le procédé selon l’une quelconque des revendications précédentes, le système comprenant une unité de traitement configurée pour mettre en œuvre l’étape de segmentation et l’étape de caractérisation lésionnelle.

15. Produit-programme d'ordinateur comprenant des instructions qui conduisent le système selon la revendication 14 à exécuter les étapes du procédé selon l’une quelconque des revendications 1 à 13.

16. Support lisible par ordinateur, sur lequel est enregistré le programme d'ordinateur selon la revendication 15.