[论文解读] 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 4

一句话总结

该论文提出了一种基于深度学习的自动化、无参考图像质量评估方法，用于脑部MR图像，通过回归结构相似性指数（SSIM）并检测运动伪影。通过在人工损坏图像上使用对比度增强训练ResNet-18，该模型实现了高精度的SSIM预测（μ = −0.0009，σ = 0.0139），并在三个运动严重程度等级的分类任务中达到最高97%的准确率。

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.

研究动机与目标

• 开发一种自动化、无参考的脑部MR图像质量评估（IQA）工具，无需依赖真实无伪影图像即可检测并量化运动伪影。
• 实现在不同MR图像对比度（T1、T2、PD、FLAIR）、分辨率和方向下的稳健性能。
• 通过在训练中引入对比度增强，提升模型泛化能力，以模拟临床成像协议中的变异。
• 评估该方法在回归任务（SSIM预测）和分类任务（运动严重程度等级）中的性能表现。
• 提供一种快速、客观且可靠的替代方案，以取代主观放射科医生对图像质量的评估。

提出的方法

• 该方法采用残差神经网络（ResNet-18和ResNet-101）从单个输入MR图像回归SSIM值，无需参考图像。
• 通过两种方法生成人工运动伪影：一种基于TorchIO中实现的Shaw等人算法，另一种为自主研发的算法。
• 通过将人工损坏图像与原始无伪影图像进行比较，计算训练所需的SSIM真实值。
• 在训练过程中应用对比度增强，以模拟图像强度的变化，提升模型在不同成像协议下的鲁棒性。
• 采用完全监督的方式进行模型训练，以SSIM值作为回归目标，从而预测图像质量退化程度。
• 通过将预测的SSIM值划分为预定义区间（3、5或10个类别），实现运动严重程度的分类。

实验结果

研究问题

• RQ1 无参考真实无伪影图像的情况下，深度学习模型能否准确预测运动伪影MR图像的SSIM值？
• RQ2 对比度增强如何影响SSIM回归与分类模型在不同MR图像对比度和强度下的鲁棒性与性能表现？
• RQ3 利用无参考模型预测的SSIM值，对运动伪影严重程度等级进行分类，可达到的准确率是多少？
• RQ4 与现有IQA工具MRIQC相比，该方法在速度、准确率及临床工作流程兼容性方面表现如何？
• RQ5 该模型在实际临床扫描中，面对不同对比度、分辨率和方向的图像，其泛化能力如何？

主要发现

• 采用对比度增强的ResNet-18模型在回归任务中表现最佳，残差均值为−0.0009，标准差为0.0139，表明SSIM预测精度接近完美。
• 在运动分类任务中，三分类准确率达97%，五分类达95%，十分类达89%。
• 该方法在不同MR对比度（T1、T2、PD、FLAIR）、分辨率和图像方向下均表现出高度鲁棒性，符合设计初衷。
• 推理时间显著快于MRIQC——在GPU上处理36个体素仅需8.84秒，而MRIQC在CPU上处理12个体素需15分钟。
• 该模型仅需4GB内存和约1GB显存，适合部署于标准临床硬件，而MRIQC则需49GB内存及多个复杂依赖项。
• 该方法在质量指标上与MRIQC达成75%的一致性，与主观专家评估也达成75%的一致性，验证了其临床相关性。