Actuellement, la spectroscopie par Résonance Magnétique du proton (1H-SRM) est traitée et ajustée grâce à des logiciels de référence. A ultra haut champ, la résolution spectrale augmente et permet l’analyse de métabolites supplémentaires présents en plus faible quantité. Cependant ces logiciels rencontrent des difficultés d’ajustement pour ces métabolites qui peuvent être cruciaux pour le diagnostic. L’objectif premier est d’incorporer des informations physiques spectrales, similaires à celles utilisées dans ces logiciels, pour guider un réseau neuronal (Physic Informed Neural Network:PINN) à comprendre les lois spectrales et obtenir des résultats comparables. Ensuite, nous visons d’intégrer le prétraitement et l’ensemble des fonctions spectrales (basis set) pour éliminer les difficultés actuelles d’ajustement.

Une séquence semi-laser 1H-SRM monovoxel (VOI=20x20x20mm3, TE=33 ms, TR=5000ms, Tac=5min30s, nombre de points=3082) a été effectuée sur 92 patients sains et pathologiques, sur une IRM Magnetom terra 7Tesla (Siemens Healthineers, Erlangen, Germany). Pour le premier objectif, les spectres ont été prétraités (TF, phasage…) et trois paramètres ont été extraits pour chaque métabolite : l’amplitude, la Full Width at Half Maximum(FWHM) et la fréquence. Notre modèle se divise en quatre parties distinctes. Les deux premières comprennent un encodeur constitué de huit couches convolutives, chacune d’une seule dimension, ainsi qu’un décodeur de même structure. Les couches convolutives sont accompagnées de fonctions d’activation de type REctified Linear Unit pour éviter l’ajustement de métabolites potentiellement déphasés. De plus, des couches Max Pooling et de UP Sample sont utilisées pour ajuster la taille des données d’entrée de l’encodeur et du décodeur. 1. L’encodeur prend en entrée un spectre et réduit sa taille à deux valeurs discriminantes (amplitude et FWHM) pour chacun des métabolites. 2. Le décodeur augmente ces valeurs jusqu’à la taille initiale afin de reconstruire le spectre d’entrée. Ensuite, une première fonction de perte Mean Squared Error(MSE) est utilisée pour comparer le spectre à l’entrée de l’encodeur avec celui reconstruit à la sortie du décodeur. Les valeurs d’amplitude et de FWHM, initialement extraites lors du prétraitement, ainsi que celles discriminantes produites par l’encodeur, seront le point de départ des deux dernières parties de notre modèle visant à intégrer le PINN. Une partie est fondée sur l’addition de différentes fonctions de perte basées sur les paramètres physiques spectrales, tandis que l’autre repose sur des fonctions lorentziennes et gaussiennes. 3. Deux fonctions de perte MSE supplémentaires sont créées pour comparer les valeurs initiales et discriminantes d’amplitude ainsi que la FWHM. Ensuite, les trois fonctions de perte sont additionnées et le résultat est rétropropagé dans notre modèle pour ajuster les poids synaptiques. 4. Les valeurs discriminantes d’amplitude et de FWHM sont utilisées une seconde fois pour être intégrées aux fonctions lorentziennes et gaussiennes. Ces fonctions incluent également la position de chaque métabolite. Un ajustement est réalisé pour chaque métabolite à partir de ces fonctions, ainsi que le calcul de la valeur de son intégrale.

La performance d’ajustement et de quantification de notre modèle sur les métabolites des 92 spectres est comparable à celle du logiciel de référence LCModel par exemple, avec un taux de similitude de 91% pour l’ajustement et de 90% pour la quantification.

Ce premier objectif montre que l’ajustement et la quantification obtenus grâce à notre modèle sont comparables à ceux des logiciels de référence. Pour poursuivre, l’intégration du prétraitement et du basis set permettra d’éliminer les difficultés actuelles d’ajustement sans contraintes manuelles nécessaires dans certains logiciels existants.