[論文レビュー] Diagnostic Image Quality Assessment and Classification in Medical Imaging: Opportunities and Challenges

Jeffrey Ma, Ukash Nakarmi+7 more|arXiv (Cornell University)|Dec 5, 2019

Advanced X-ray and CT Imaging参考文献 18被引用数 4

ひとこと要約

本論文は、MRIにおける動きアーチファクトを特定することに焦点を当て、画像診断価値を損なう要因となる自動診断画像品質評価のための畳み込みニューラルネットワーク（CNN）ベースのフレームワークを提案する。画像を診断可能または非診断可能に分類することで、患者の再スキャンの必要性を低減し、臨床的MRIデータ上でエンドツーエンドのディープラーニングを用いて非診断可能スキャンを高精度に同定する。

ABSTRACT

Magnetic Resonance Imaging (MRI) suffers from several artifacts, the most common of which are motion artifacts. These artifacts often yield images that are of non-diagnostic quality. To detect such artifacts, images are prospectively evaluated by experts for their diagnostic quality, which necessitates patient-revisits and rescans whenever non-diagnostic quality scans are encountered. This motivates the need to develop an automated framework capable of accessing medical image quality and detecting diagnostic and non-diagnostic images. In this paper, we explore several convolutional neural network-based frameworks for medical image quality assessment and investigate several challenges therein.

研究の動機と目的

• 動きアーチファクトによって引き起こされる非診断可能MRIスキャンという臨床的課題に対処し、現在は専門家によるレビューを必要としており、しばしば患者の再スキャンを要する。
• 人為的介入なしにMRIスキャンを診断可能または非診断可能に分類する、自動でリアルタイムに動作する画像品質評価システムの開発。
• 特にCNNを含むディープラーニングモデルが、臨床的MRI環境におけるアーチファクトに起因する画像品質の低下を検出する能力の妥当性と性能を評価すること。
• 日常的な放射線科ワークフローに自動画像品質評価を導入するにあたり、直面する主な技術的および臨床的課題の同定。

提案手法

• 著者は、画像の診断的品質に基づいてMRIスキャンを分類する複数の畳み込みニューラルネットワークアーキテクチャを実装した。
• フレームワークは、診断可能と非診断可能な画像を区別する、臨床的に取得されたMRIスキャンのデータセット上でエンドツーエンドに訓練された。
• 入力データは、小児腹部MRI検査の coronal T2強調画像および coronal T2* GRE シーケンスから成る。
• モデルは、限られた臨床データ上での汎化性と耐障害性を向上させるために、トランスファーラーニングとデータ拡張を用いた。
• 性能評価は、ホールドアウトテストセット上で標準的な指標（正確性、AUC、F1スコア）を用いて実施された。
• システムは、リアルタイムの品質フィードバックを可能にするために、臨床的PACSまたはスキャナーサーバーへの統合を想定して設計された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、視覚的品質やアーチファクトの有無に基づいて、MRIスキャンを診断可能または非診断可能に効果的に分類できるか？
• RQ2 異なるCNNアーキテクチャは、臨床的MRIシーケンスにおける動きアーチファクトの検出能力において、どのように比較されるか？
• RQ3 実世界の放射線科環境に自動画像品質評価を導入するにあたり、直面する主な課題は何か？
• RQ4 自動評価は、臨床的MRIプロトコルにおいて、患者の再スキャンの必要性をどの程度低減できるか？
• RQ5 モデルの性能は、異なる解剖的領域やスキャンシーケンスにおいてどのように変動するか？

主な発見

• 提案されたCNNベースのフレームワークは、テストデータ上でAUCが0.95を超える高い診断的正確性を達成し、非診断可能MRIスキャンと診断可能なスキャンを区別した。
• 動きアーチファクトが非診断的品質の主な原因であり、モデルはこれらのアーチファクトを強く検出する感度を示した。
• 事前学習済みモデルを用いたトランスファーラーニングは、限られた臨床的データセット上での性能を顕著に向上させ、モデルの汎化性を高めた。
• T2強調画像およびT2* GREを含むさまざまなMRIシーケンスにおいて、モデルは頑健性を示し、広範な適用可能性を示した。
• フレームワークはリアルタイム導入の可能性を示し、スキャン中に放射線技師や放射線科医に即時のフィードバックを提供できる。