[论文解读] 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 4

一句话总结

本文提出了一种基于卷积神经网络（CNN）的框架，用于在磁共振成像（MRI）中实现自动化诊断图像质量评估，重点检测影响图像诊断价值的运动伪影。通过将图像分类为诊断性或非诊断性，该方法减少了患者重扫的需求，在临床MRI数据的端到端深度学习中实现了高精度识别非诊断性扫描。

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.

研究动机与目标

• 解决由运动伪影引起的非诊断性MRI扫描这一临床挑战，目前此类情况需要专家评审，且常导致患者重扫。
• 开发一种自动化、实时的图像质量评估系统，无需人工干预即可将MRI扫描分类为诊断性或非诊断性。
• 评估深度学习模型（特别是CNN）在临床MRI环境中检测因伪影导致的图像质量退化方面的可行性与性能。
• 识别在常规放射科工作流程中部署自动化质量评估时面临的关键技术与临床挑战。

提出的方法

• 作者实现了多种卷积神经网络架构，以基于其诊断质量对MRI扫描进行分类。
• 该框架在临床获取的MRI扫描数据集上进行端到端训练，以区分诊断性与非诊断性图像。
• 输入数据由儿科腹部MRI检查的轴位T2加权序列和轴位T2* GRE序列组成。
• 模型采用迁移学习和数据增强技术，以提升在有限临床数据上的泛化能力和鲁棒性。
• 通过在保留测试集上使用标准指标（如准确率、AUC和F1-score）评估性能。
• 系统设计用于集成到临床PACS或扫描工作站中，以实现实时质量反馈。

实验结果

研究问题

• RQ1 深度学习模型能否基于视觉质量与伪影存在情况，有效将MRI扫描分类为诊断性或非诊断性？
• RQ2 不同CNN架构在检测临床MRI序列中运动伪影方面的能力如何比较？
• RQ3 在真实放射科环境中部署自动化图像质量评估时面临哪些关键挑战？
• RQ4 自动化评估在多大程度上可减少临床MRI方案中患者重扫的需求？
• RQ5 模型性能在不同解剖区域和扫描序列之间如何变化？

主要发现

• 所提出的基于CNN的框架在区分非诊断性MRI扫描与诊断性扫描方面实现了高诊断准确率，测试数据中报告的AUC值超过0.95。
• 运动伪影是非诊断性质量的主要原因，且该模型在检测这些伪影方面表现出强敏感性。
• 使用预训练模型进行迁移学习显著提升了在有限临床数据集上的性能，增强了模型的泛化能力。
• 该系统在不同MRI序列（包括T2加权和T2* GRE）中表现出鲁棒性，表明其具有广泛适用性。
• 该框架显示出实时部署的潜力，可为放射科医生和技术人员在扫描过程中提供即时反馈。