Un efficiente sistema di controllo di qualità semi-supervisionato addestrato utilizzando generatori di artefatti MRI basati sulla fisica e addestramento avversario.
Grandi dataset di immagine mediche diventano ogni giorno sempre più disponibili. Una sfida comune in questi set di dati è garantire che ogni campione soddisfi i requisiti di qualità minimi privi di artefatti significativi. Nonostante una vasta gamma di metodi automatici esistenti siano stati sviluppati per individuare imperfezioni e artefatti nell'imaging medico, essi si basano principalmente su metodi che richiedono molti dati. In particolare, la mancanza di scansioni sufficienti con artefatti disponibili per l'addestramento ha creato un ostacolo nella progettazione e nell'implementazione dell'apprendimento automatico nella ricerca clinica. Per affrontare questo problema, proponiamo un nuovo framework che ha quattro componenti principali: (1) un insieme di generatori di artefatti ispirati alla fisica della risonanza magnetica per corrompere le scansioni MRI del cervello e aumentare un dataset di addestramento, (2) un insieme di caratteristiche astratte e ingegnerizzate per rappresentare le immagini in modo compatto, (3) un processo di selezione delle caratteristiche che dipende dalla classe di artefatto per migliorare le prestazioni di classificazione, e (4) un insieme di classificatori Support Vector Machine (SVM) addestrati per identificare gli artefatti. Le nostre novità sono tre: in primo luogo, utilizziamo i nuovi generatori di artefatti basati sulla fisica per generare scansioni MRI cerebrali sintetiche con artefatti controllati come tecnica di ampliamento dei dati. Ciò eviterà il processo di raccolta e etichettatura laborioso delle scansioni con artefatti rari. In secondo luogo, proponiamo una vasta gamma di caratteristiche immagine astratte e ingegnerizzate per identificare 9 artefatti diversi per l'MRI strutturale. Infine, utilizziamo un blocco di selezione delle caratteristiche basato sull'artefatto che, per ogni classe di artefatti, trova l'insieme di caratteristiche che forniscono le migliori prestazioni di classificazione. Abbiamo effettuato esperimenti di validazione su un grande set di dati di scansioni con artefatti generati artificialmente e in un trial clinico sulla sclerosi multipla, dove gli artefatti reali sono stati identificati dagli esperti, mostrando che il pipeline proposto supera i metodi tradizionali. In particolare, il nostro ampliamento dei dati aumenta le prestazioni fino al 12,5% di punto percentuale sull'accuratezza, F1, F2, precisione e richiamo. Allo stesso tempo, il costo computazionale del nostro pipeline rimane basso - meno di un secondo per elaborare una singola scansione - con potenziale per una implementazione in tempo reale. I nostri simulatore di artefatti ottenuti utilizzando l'apprendimento avversario consentono la formazione di un sistema di controllo qualità per MRI cerebrale che altrimenti avrebbe richiesto un numero molto maggiore di scansioni sia in ambienti supervisionati che non supervisionati. Riteniamo che i sistemi di controllo qualità consentiranno una vasta gamma di applicazioni cliniche ad alto throughput basate sull'uso di pipeline di elaborazione automatica delle immagini.