An efficient semi-supervised quality control system trained using physics-based MRI-artefact generators and adversarial training

要約

大規模な医療画像データセットがますます利用可能になってきていますが、重大なアーティファクトを発生させずにサンプルの品質を確保することは困難です。
医用画像の欠陥を特定する既存の方法はデータ集約型のアプローチに依存しており、臨床研究で機械学習モデルをトレーニングするためのアーティファクトの多いスキャンが不足していることでさらに悪化しています。
この問題に取り組むために、我々は 4 つの主要コンポーネントを備えたフレームワークを提案します。1) 磁気共鳴物理学にヒントを得て脳 MRI スキャンを破損し、トレーニング データセットを増強するアーティファクト ジェネレーター、2) 画像をコンパクトに表現するための抽象化および操作された特徴、3) 特徴選択
分類を改善するためのアーティファクト クラスに応じた処理、および 4) アーティファクトを識別するための SVM 分類器。
私たちの貢献は 3 つあります。第 1 に、物理ベースのアーティファクト ジェネレーターが、データ拡張のために制御されたアーティファクトを含む合成脳 MRI スキャンを生成します。
これにより、まれなアーティファクトを含むスキャンの収集とラベル付けの労働集約的なプロセスが回避されます。
第 2 に、構造 MRI の 9 つの異なるアーティファクトを識別するための、抽象的で操作された画像特徴のプールを提案します。
最後に、アーティファクト ベースの特徴選択ブロックを使用します。このブロックは、アーティファクトのクラスごとに、最高の分類パフォーマンスを提供する一連の特徴を見つけます。
私たちは、人工的に生成されたアーティファクトを含む大規模なスキャン データセットと、専門家によって実際のアーティファクトが特定された多発性硬化症の臨床試験で検証実験を実行し、提案されたパイプラインが従来の方法よりも優れていることを示しました。
特に、データ拡張により、精度、精度、再現率のパフォーマンスが最大 12.5 パーセント向上します。
当社のパイプラインの計算効率により、潜在的なリアルタイム展開が可能になり、品質管理システムによって駆動される自動画像処理パイプラインを通じて高スループットの臨床アプリケーションが約束されます。

要約(オリジナル)

Large medical imaging data sets are becoming increasingly available, but ensuring sample quality without significant artefacts is challenging. Existing methods for identifying imperfections in medical imaging rely on data-intensive approaches, compounded by a scarcity of artefact-rich scans for training machine learning models in clinical research. To tackle this problem, we propose a framework with four main components: 1) artefact generators inspired by magnetic resonance physics to corrupt brain MRI scans and augment a training dataset, 2) abstract and engineered features to represent images compactly, 3) a feature selection process depending on the artefact class to improve classification, and 4) SVM classifiers to identify artefacts. Our contributions are threefold: first, physics-based artefact generators produce synthetic brain MRI scans with controlled artefacts for data augmentation. This will avoid the labour-intensive collection and labelling process of scans with rare artefacts. Second, we propose a pool of abstract and engineered image features to identify 9 different artefacts for structural MRI. Finally, we use an artefact-based feature selection block that, for each class of artefacts, finds the set of features providing the best classification performance. We performed validation experiments on a large data set of scans with artificially-generated artefacts, and in a multiple sclerosis clinical trial where real artefacts were identified by experts, showing that the proposed pipeline outperforms traditional methods. In particular, our data augmentation increases performance by up to 12.5 percentage points on accuracy, precision, and recall. The computational efficiency of our pipeline enables potential real-time deployment, promising high-throughput clinical applications through automated image-processing pipelines driven by quality control systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google