Connaître les limites du DTI dans les régions de croisements et les conséquences de ces limites sur le suivi de fibres.

Revoir les principes de base de diffusion et d’acquisition d’images pondérées en diffusion.

Découvrir les méthodes de reconstruction HARDI qui permettent de retrouver les croisements de fibres.

Savoir comment intégrer l’information locale HARDI dans un algorithme de suivi de fibres qui gère les fibres qui se croisent, s’embranchent et divergent.

Le DTI est très limité dans les régions de croisements de fibres.

En moins de 10minutes, il est possible de faire une acquisition HARDI de qualité avec environ 60 images pondérées en diffusion.

La reconstruction HARDI par q-ball permet d’obtenir une fonction d’orientation des fibres (ODF) qui retrouve les croisements de fibres.

L’imagerie HARDI par q-ball est analytique, robuste et rapide (moins de 2minutes pour calculer les ODFs sur tout un cerveau).

Le suivi de fibres à partir de l’ODF permet de retrouver des configurations de fibres complexes de la matière blanche avec de nombreux croisements, là où le DTI est incapable.

La résolution angulaire actuelle des IRM pondérées en diffusion suggère qu’il y a entre un et deux tiers des voxels de la matière blanche qui contiennent plusieurs faisceaux de fibres se croisant. L’IRM par tenseur de diffusion (DTI) classique est intrinsèquement limitée à ces endroits par son hypothèse de base qu’un seul faisceau traverse chaque voxel de l’image. Dans cette présentation, nous introduisons les principes de base de l’IRM de diffusion : de la diffusion de la molécule d’eau à l’acquisition d’images pondérées en diffusion jusqu’au traitement afin de reconstruire, de façon complètement non-invasive, les connexions complexes de la matière blanche. Plus particulièrement, nous décrivons des techniques d’IRM à haute résolution angulaire (HARDI), telle que l’imagerie par q-ball (QBI), qui permettent de retrouver à l’aide de la distribution d’orientation des fibres (ODF) une ou plusieurs directions de fibres à chaque voxel du cerveau. À partir de cette information locale, nous présentons également quelques algorithmes de segmentation et de suivi de fibres (tracking) déterministes et probabilistes en montrant des résultats sur des données HARDI simulées, sur un fantôme biologique et sur des données réelles de plusieurs sujets dans des régions complexes avec plusieurs faisceaux qui se croisent. Nos résultats illustrent bien la valeur ajoutée de nos méthodes HARDI sur la plupart des méthodes courantes en DTI qui négligent ces faisceaux complexes, pouvant amener à une mauvaise analyse et interprétation de l’anatomie de la matière blanche et des fonctions cérébrales.