[論文レビュー] Technical Report: Quality Assessment Tool for Machine Learning with Clinical CT

Riqiang Gao, Mirza S. Khan+7 more|arXiv (Cornell University)|Jul 27, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 33被引用数 4

ひとこと要約

本論文では、機械学習で使用される大規模な臨床的CTデータセットにおける画像品質問題の同定および是正を、使いやすく自動化されたパイプラインを提示する。国立肺がんスクリーニング試験（NLST）に適用したところ、17,392スキャンのうち約4％が動きアーチファクト、再構成エラー、プロトコルの不一致などの品質上の懸念を示した。これは、臨床的データセット全体にわたる堅牢性および一般化能力を示しており、コードとチュートリアルは公開されている。

ABSTRACT

Image Quality Assessment (IQA) is important for scientific inquiry, especially in medical imaging and machine learning. Potential data quality issues can be exacerbated when human-based workflows use limited views of the data that may obscure digital artifacts. In practice, multiple factors such as network issues, accelerated acquisitions, motion artifacts, and imaging protocol design can impede the interpretation of image collections. The medical image processing community has developed a wide variety of tools for the inspection and validation of imaging data. Yet, IQA of computed tomography (CT) remains an under-recognized challenge, and no user-friendly tool is commonly available to address these potential issues. Here, we create and illustrate a pipeline specifically designed to identify and resolve issues encountered with large-scale data mining of clinically acquired CT data. Using the widely studied National Lung Screening Trial (NLST), we have identified approximately 4% of image volumes with quality concerns out of 17,392 scans. To assess robustness, we applied the proposed pipeline to our internal datasets where we find our tool is generalizable to clinically acquired medical images. In conclusion, the tool has been useful and time-saving for research study of clinical data, and the code and tutorials are publicly available at https://github.com/MASILab/QA_tool.

研究の動機と目的

• 機械学習で使用される臨床的CTデータにおける画像品質評価（IQA）の未認識の課題に対処すること。
• モデルの性能を損なう可能性がある一般的なデータ品質問題（例：動きアーチファクト、再構成エラー、プロトコルの不一致）を同定および是正すること。
• 大規模なデータマイニングに適したスケーラブルで使いやすいツールの開発。
• NLST以外の多様な臨床画像データセットにおいても、パイプラインの堅牢性および一般化能力を検証すること。

提案手法

• 臨床的CTに特化した自動品質評価技術を統合し、DICOM画像ボリューム内のアーチファクトや不一致を検出することに焦点を当てる。
• 視覚的および定量的分析を活用して、ノイズ、ストリークアーチファクト、部分体積効果、不一致したウィンドウ設定などの問題を有するスキャンをマークする。
• 画像処理と機械学習技術の組み合わせを用いて、大規模データセット全体における画像整合性を評価する。
• NLSTを用いて、ツールの検出能力を訓練および検証するベンチマークとして使用する。
• モジュラー構成により、他の臨床的CTデータセットへの拡張性および適応性を備えたパイプラインを設計する。
• 研究者がデータ品質問題を効率的に診断・是正できるよう、可視化およびレポート機能を含む。

実験結果

リサーチクエスチョン

• RQ1 大規模なデータセットに含まれる臨床的CTスキャンの何パーセントが、機械学習モデルの性能に影響を及ぼす画像品質上の問題を有しているか？
• RQ2 提案されたパイプラインは、多様な臨床データにおいて、動き、ノイズ、再構成エラーなどの一般的なCTアーチファクトをどれほど効果的に検出できるか？
• RQ3 NLST以外の他の臨床的CTデータセットに対しても、このツールはどの程度一般化可能か？
• RQ4 このパイプラインは、医療画像研究における手作業によるスキャン点検時間の短縮と、データキュレーションの効率化をどの程度実現できるか？
• RQ5 ネットワークの問題、加速撮影、プロトコルのばらつきは、大規模CTデータマイニングにおいて画像品質にどのように影響を与えるか？

主な発見

• NLSTの臨床的CTスキャン17,392例のうち、約4％が画像品質上の懸念を示したことがパイプラインで検出された。
• 最も一般的な品質問題は、動きアーチファクト、再構成エラー、および不一致した画像プロトコルであった。
• NLST以外の内部臨床データセットに適用した際、ツールは強い堅牢性と一般化能力を示した。
• 問題のあるスキャンの自動同定により、手作業によるデータキュレーション時間は顕著に短縮された。
• ツールのコードとチュートリアルは公開されており、広範な医療画像研究コミュニティによる採用および拡張が可能である。
• 本研究は、臨床的CTデータにおける画像品質問題が一般的であり、自動的かつスケーラブルな手法で体系的に同定可能であることを確認した。