[논문 리뷰] Technical Report: Quality Assessment Tool for Machine Learning with Clinical CT

Riqiang Gao, Mirza S. Khan외 7명|arXiv (Cornell University)|2021. 07. 27.

Radiomics and Machine Learning in Medical Imaging참고 문헌 33인용 수 4

한 줄 요약

이 논문은 기계학습에서 사용되는 대규모 임상 CT 데이터셋의 영상 품질 문제를 식별하고 해결하기 위한 사용자 친화적이고 자동화된 파이프라인을 제시한다. National Lung Screening Trial (NLST)에 적용한 결과, 총 17,392건의 스캔 중 약 4%가 운동 아티팩트, 재구성 오류, 프로토콜 불일치와 같은 품질 문제를 보였으며, 이는 다양한 임상 데이터셋에 걸쳐 뛰어난 강건성과 일반화 능력을 입증한다. 코드와 튜토리얼은 공개되어 있다.

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.

연구 동기 및 목표

• 기계학습에 사용되는 임상 CT 데이터에서 영상 품질 평가(IQA) 문제에 대한 인식이 부족한 문제를 다루기 위해.
• 모델 성능을 떨어뜨리는 공통된 데이터 품질 문제—예를 들어 운동 아티팩트, 재구성 오류, 프로토콜 불일치—를 식별하고 해결하기 위해.
• 대규모 데이터 마이닝을 위한 확장 가능하고 사용자 친화적인 도구를 개발하기 위해.
• NLST를 초월하여 다양한 임상 영상 데이터셋에 걸쳐 파이프라인의 강건성과 일반화 능력을 검증하기 위해.

제안 방법

• 임상 CT에 특화된 자동화된 품질 평가 기법을 통합하여 DICOM 영상 볼륨의 아티팩트와 일관성 없는 사항을 탐지하는 데 중점을 둔다.
• 시각적 및 정량적 분석을 활용하여 노이즈, 줄무늬, 부분 볼륨 효과, 일관되지 않은 윈도우 설정 등의 문제가 있는 스캔을 경고한다.
• 이 방법은 대규모 데이터셋 전반에서 영상 무결성을 평가하기 위해 영상 처리 및 기계학습 기법의 조합을 적용한다.
• 도구의 탐지 능력을 훈련하고 검증하기 위해 National Lung Screening Trial (NLST)를 기준으로 삼는다.
• 모듈식 구성 요소를 통해 다른 임상 CT 데이터셋에 쉽게 확장하고 적응시킬 수 있도록 파이프라인을 설계한다.
• 연구자가 데이터 품질 문제를 효율적으로 진단하고 해결할 수 있도록 시각화 및 보고 기능을 포함한다.

실험 결과

연구 질문

• RQ1 대규모 데이터셋에서 임상적으로 확보된 CT 스캔 중 기계학습 모델 성능에 영향을 줄 수 있는 영상 품질 문제를 가진 비율은 얼마인가?
• RQ2 제안된 파이프라인이 다양한 임상 데이터에서 운동, 노이즈, 재구성 오류 등의 공통된 CT 아티팩트를 얼마나 효과적으로 탐지하는가?
• RQ3 NLST를 초월하여 다른 임상 CT 데이터셋에 대해 도구의 일반화 능력은 어느 정도인가?
• RQ4 파이프라인은 의료 영상 연구에서 수동 점검 시간을 줄이고 데이터 정제 효율성을 향상시킬 수 있는가?
• RQ5 네트워크 문제, 가속화된 촬영, 프로토콜 변형은 대규모 CT 데이터 마이닝에서 영상 품질에 어떤 영향을 미치는가?

주요 결과

• 파이프라인은 National Lung Screening Trial (NLST)의 임상 CT 스캔 총 17,392건 중 약 4%가 영상 품질 문제를 야기한다고 탐지했다.
• 가장 흔한 품질 문제로는 운동 아티팩트, 재구성 오류, 일관되지 않은 영상 촬영 프로토콜이 포함되었다.
• NLST 외부의 내부 임상 데이터셋에 적용했을 때 도구는 강력한 강건성과 일반화 능력을 입증했다.
• 문제가 있는 스캔을 자동으로 식별함으로써 파이프라인은 수동 데이터 정제 시간을 크게 줄였다.
• 도구의 코드와 튜토리얼은 공개되어 있어 의료 영상 연구 공동체가 이를 도입하고 확장할 수 있다.
• 본 연구는 임상 CT 데이터에서의 영상 품질 문제의 흔함을 확인하고, 자동화되고 확장 가능한 방법으로 체계적으로 탐지할 수 있음을 입증한다.