[論文レビュー] Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images

Alessandro Sciarra, Soumick Chatterjee+5 more|arXiv (Cornell University)|Jun 14, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本稿では、深層学習を用いて構造的類似度指数（SSIM）を回帰し、動きアーチファクトを検出する、自動的でリファレンスフリーな脳MRI画像品質評価手法を提案する。対照強調を用いた人工的に損傷を加えた画像でResNet-18を訓練することで、SSIM予測の高精度（μ = −0.0009、σ = 0.0139）と、3つの動きの重症度クラスにおける分類精度97％を達成した。

ABSTRACT

Motion artefacts in magnetic resonance brain images can have a strong impact on diagnostic confidence. The assessment of MR image quality is fundamental before proceeding with the clinical diagnosis. Motion artefacts can alter the delineation of structures such as the brain, lesions or tumours and may require a repeat scan. Otherwise, an inaccurate (e.g. correct pathology but wrong severity) or incorrect diagnosis (e.g. wrong pathology) may occur. " extit{Image quality assessment}" as a fast, automated step right after scanning can assist in deciding if the acquired images are diagnostically sufficient. An automated image quality assessment based on the structural similarity index (SSIM) regression through a residual neural network is proposed in this work. Additionally, a classification into different groups - by subdividing with SSIM ranges - is evaluated. Importantly, this method predicts SSIM values of an input image in the absence of a reference ground truth image. The networks were able to detect motion artefacts, and the best performance for the regression and classification task has always been achieved with ResNet-18 with contrast augmentation. The mean and standard deviation of residuals' distribution were $μ=-0.0009$ and $σ=0.0139$, respectively. Whilst for the classification task in 3, 5 and 10 classes, the best accuracies were 97, 95 and 89\%, respectively. The results show that the proposed method could be a tool for supporting neuro-radiologists and radiographers in evaluating image quality quickly.

研究の動機と目的

• アーチファクトのない基準画像を必要とせず、脳MRI画像に生じる動きアーチファクトを検出し、定量化できる自動的でリファレンスフリーな画像品質評価（IQA）ツールの開発を目的とする。
• T1、T2、PD、FLAIRなどの多様なMRI画像コントラスト、解像度、方向性にわたる堅牢な性能を実現することを目的とする。
• 臨床的画像プロトコルにおけるばらつきを再現するために、トレーニング中に対照強調を導入することで一般化性能の向上を図ることを目的とする。
• 回帰（SSIM予測）および分類（動きの重症度レベル）の両タスクにおける本手法の性能を評価することを目的とする。
• 主観的な放射線科医による画像品質評価の代替として、高速で客観的かつ信頼性の高い代替手法を提供することを目的とする。

提案手法

• 本手法は、リファレンス画像を必要とせず、単一の入力MRI画像からSSIM値を回帰するための残差畳み込みニューラルネットワーク（ResNet-18およびResNet-101）を採用する。
• 人工的な動きアーチファクトは2通りの方法で生成された：TorchIOに実装されたShawらのアルゴリズムに基づくものと、独自に開発したアルゴリズムによるもの。
• トレーニング用の真値SSIM値は、人工的に損傷を加えた画像と元のアーチファクトのない元画像を比較することで算出された。
• 対照強調をトレーニング段階で適用し、画像強度のばらつきを再現することで、異なる画像プロトコルにわたる耐性を向上させた。
• SSIM値を回帰ターゲットとして完全に教師あり学習でモデルを訓練した。これにより、画像品質の劣化度を予測可能となった。
• 動きの重症度クラスへの分類は、予測されたSSIM値を事前に定義された範囲（3、5、または10クラス）にビニングすることで実施した。

実験結果

リサーチクエスチョン

• RQ1 リファレンスのないアーチファクトのない画像にアクセスできない状況下でも、深層学習モデルが動きによる損傷を受けたMRI画像のSSIM値を正確に予測できるか？
• RQ2 対照強調を導入することで、多様なMRI画像コントラストや強度にわたるSSIM回帰および分類モデルの耐性と性能がどのように向上するか？
• RQ3 リファレンスフリーなモデルから得られる予測SSIM値を用いて、動きアーチファクトの重症度レベルを分類する際の達成可能な正確さはどの程度か？
• RQ4 MRIQCなどの既存のIQAツールと比較して、本手法は処理速度、正確さ、および臨床ワークフローへの適合性において優れているか？
• RQ5 本手法は、コントラスト、解像度、方向性が異なる実臨床スキャンに対しても、どの程度一般化可能か？

主な発見

• 対照強調を適用したResNet-18モデルが最も優れた回帰性能を示し、残差平均は−0.0009、標準偏差は0.0139であった。これは、SSIM予測精度がほぼ完璧であることを示している。
• 動き分類において、3クラスの重症度分類では97％、5クラスでは95％、10クラスでは89％の精度を達成した。
• 設計意図通り、T1、T2、PD、FLAIRなどの異なるMRIコントラスト、解像度、画像方向性にわたって高い耐性を示した。
• 推論時間はMRIQCよりも顕著に速く、36ボリュームをGPUで8.84秒、CPUで12ボリュームを15分で処理した。
• 本モデルは4GBのRAMと約1GBのVRAMのみを必要とし、MRIQCが49GBのRAMと複数の複雑な依存関係を必要とするのとは異なり、標準的な臨床用ハードウェアへのデプロイに適している。
• 品質指標に関してMRIQCと75％の一致を示し、主観的専門家評価とも75％の一致を示した。これにより、臨床的妥当性が裏付けられた。