[논문 리뷰] Diagnostic Image Quality Assessment and Classification in Medical Imaging: Opportunities and Challenges

Jeffrey Ma, Ukash Nakarmi외 7명|arXiv (Cornell University)|2019. 12. 05.

Advanced X-ray and CT Imaging참고 문헌 18인용 수 4

한 줄 요약

이 논문은 움직임 아티팩트로 인해 영상 진단가치가 떨어지는 것을 방지하기 위해 MRI에서 자동 진단 영상 품질 평가를 위한 컨volution 신경망(CNN) 기반 프레임워크를 제안한다. 영상이 진단 가능 또는 비진단 가능으로 분류되며, 환자 재촬영이 필요한 경우를 줄이고 임상 MRI 데이터 기반 엔드 투 엔드 딥 러닝을 통해 비진단 영상 스캔을 높은 정확도로 식별한다.

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.

연구 동기 및 목표

• 움직임 아티팩트로 인해 발생하는 비진단 가능한 MRI 영상이라는 임상적 과제를 해결하기 위해, 현재 전문가 검토가 필요하고 종종 환자 재촬영을 유도하는 문제를 다룬다.
• 인간 간섭 없이 MRI 스캔을 진단 가능 또는 비진단 가능으로 분류하는 자동화된 실시간 영상 품질 평가 시스템을 개발하기 위해.
• 특히 딥 러닝 모델, 특히 CNN이 임상 MRI 환경에서 아티팩트로 인한 영상 품질 저하 탐지에 얼마나 유용한지의 타당성과 성능을 평가하기 위해.
• 일반적인 방사선 영상 워크플로우에 자동 품질 평가를 구현할 때 발생하는 주요 기술적 및 임상적 과제를 규명하기 위해.

제안 방법

• 저자는 MRI 스캔의 진단 품질에 따라 분류하기 위해 다양한 컨볼루션 신경망 아키텍처를 구현한다.
• 프레임워크는 임상적으로 확보된 MRI 스캔 데이터셋을 기반으로 엔드 투 엔드로 훈련되며, 진단 가능 및 비진단 가능 영상 간의 구분을 목적으로 한다.
• 입력 데이터는 소아 Abdominal MRI 검사에서 확보한 Axial T2-weighted 및 Axial T2* GRE 시퀀스로 구성된다.
• 모델은 제한된 임상 데이터에서 일반화 및 강건성을 향상시키기 위해 전이 학습과 데이터 증강을 활용한다.
• 성능 평가는 보존된 테스트 세트에서 표준 지표인 정확도, AUC, F1-score를 사용하여 평가된다.
• 시스템은 실시간 품질 피드백을 가능하게 하기 위해 임상 PACS 또는 스캐너 워크스테이션에 통합될 수 있도록 설계되었다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 시각적 품질과 아티팩트 존재 여부에 기반해 MRI 스캔을 진단 가능 또는 비진단 가능으로 효과적으로 분류할 수 있는가?
• RQ2 다양한 CNN 아키텍처는 임상 MRI 시퀀스에서 운동 아티팩트 탐지 능력에서 어떻게 상호 비교되는가?
• RQ3 실제 방사선 영상 환경에서 자동 영상 품질 평가를 구현할 때 발생하는 주요 과제는 무엇인가?
• RQ4 자동 평가가 임상 MRI 프로토콜에서 환자 재촬영이 필요한 경우를 얼마나 줄일 수 있는가?
• RQ5 모델 성능은 다양한 해부학적 영역과 스캔 시퀀스 간에 어떻게 변하는가?

주요 결과

• 제안된 CNN 기반 프레임워크는 테스트 데이터에서 AUC 값이 0.95를 초과하여 비진단 가능한 MRI 스캔과 진단 가능한 스캔을 높은 진단 정확도로 구분하였다.
• 움직임 아티팩트가 비진단 가능한 품질의 주요 원인이었으며, 모델는 이러한 아티팩트를 강력한 민감도로 탐지하였다.
• 사전 학습된 모델을 활용한 전이 학습은 제한된 임상 데이터셋에서 성능을 크게 향상시켜 모델의 일반화 능력을 향상시켰다.
• 시스템은 T2-weighted 및 T2* GRE와 같은 다양한 MRI 시퀀스에서 강건성을 보이며 광범위한 적용 가능성을 보였다.
• 실시간 배포 잠재력이 있었으며, 촬영 중 방사선 전문의 및 기술자가 즉각적인 피드백을 받을 수 있도록 하였다.