SFRMBM 2023

Common Workflow Language & European Open Science Cloud pour l’implémentation de l’imagerie Quantitative de Susceptibilité Magnétique (QSM) du cerveau.

Miguel Guevara1, Davy Cam4, Jacques Badagbon4, Stéphane Roche4, Michel Bottlaender3, Yann Cointepas1,2, Jean-François Mangin1,2, Ludovic de Rochefort4 and Alexandre Vignaud1,2

1 CNRS BAOBAB UMR9027 Gif-Sur-Yvette, France ;
2 CEA NeuroSpin, Gif-Sur-Yvette;
3 UNIACT, NeuroSpin, CEA, Gif-sur-Yvette, France ;
4 VENTIO, Marseille, France

Objectifs :

Implémenter un pipeline pour le traitement des images IRM 7T pour l’imagerie QSM , défini avec Common Workflow Language (CWL) qui garantit sa pérennité et sa portabilité. En outre, on montre la faisabilité de ce type de traitement réalisé dans l’environnement Cloud des infrastructures Européennes de recherche.

Matériels et Méthodes :

(i) Données : la base de données SENIOR [1] acquises à NeuroSpinab, France (Siemens Magnetom 7T, antenne 1Tx/32Rx Nova Medical). La MGRE (10 échos) a été reconstruite en utilisant la combinaison d’antenne virtuelle (VCC) [2]. (ii) Cloud: Une machine virtuelle (14 cœurs, 32 Go de RAM) a été déployée et configurée automatiquement dans le Cloud de.NBIc. (iii) Traitement des données: Le pipeline a été implémenté dans le contexte du projet QSM4SENIORd en utilisant CWL qui définit les étapes dont il est composé, ainsi que ses entrées et sorties, et les scripts Python qui effectuent le traitement correspondant. La méthode consiste initialement à pré-filtrer les données de phase de la MGRE. Pour isoler les variations du champ interne cérébral ( ), l’algorithme des gradients conjugués de l’équation normale  est appliqué [3]. Un masque permettant d’exclure les voxels aberrants est également calculé. Les données prétraitées sont utilisées comme entrées pour l’algorithme MEDI.

Figure 1 : QSM obtenu sans pré-traitement (gauche) et avec (droite).

Résultats :

La figure 1 montre un exemple du QSM calculé dans le Cloud en utilisant le pipeline implémenté en CWL qui est exécuté dans un environnement virtuel contenant tous les modules Python nécessaires.

Conclusion :

Nous présentons les résultats préliminaires d’un calcul automatique de QSM cérébral sur le Cloud sans besoin de puissantes machines de calcul en interne. Ceci démontre la capacité de traitement à distance des données de recherche.  Grâce a l’implémentation en CWL, une automatisation et portabilité du workflow est plausible, en offrant la possibilité de programmer l’analyse de l’ensemble de la cohorte en important les données DICOM dans les serveurs et d’exporter ensuite les résultats.

Références :

[1] Haeger, A., et al. (2020). Alzheimer’s research & therapy, vol. 12(1),  article 77. [2] Blaimer, M., et al. (2016). Magnet Reson Med, 75(3), 1086-1099 [3] de Rochefort, L., et al. (2009). Proc Intl Soc Magnet Reson Med, 17(c), 1134.

Remerciements :

aFrance-Life-Imaging project – grant 11-INBS-0006
bLeducq Foundation ERPT program NEUROVASC7T project, the Institut Carnot.
cBMBF-funded de.NBI (031A532B, 031A533A, 031A533B, 031A534A, 031A535A, 031A537A, 031A537B, 031A537C, 031A537D, 031A538A).
dEuropean Union’s Horizon 2020 research and innovation programme grant  824087.


CEA
CNRS