Automatização do teste de baixo contraste do colégio americano de radiologia.

• Ano de defesa: 2022
• Autor(a) principal: Ramos, Jhonata Emerick
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: American College of Radiology; Aprendizado computacional; Artificial intelligence; Convolutional neural network; Image quality; Low contrast test; Machine learning; Magnetic resonance imaging; Ressonancia magnética; Visual perception
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-25112022-112513/

A Ressonância Magnética (MRI - do inglês Magnetic Ressonance Imaging) é uma modalidade de imagem médica poderosa, difundida e indispensável. O ACR (American College of Radiology) recomenda que o desempenho das máquinas de ressonância magnética seja monitorado, repetindo os testes de qualidade de imagem a cada 7 dias ou menos. Testes de qualidade são realizados em imagens de um objeto de geometria e composição conhecidas, denominado phantom. Uma máquina em bom estado deve gerar imagem que retrate a anatomia sob inspeção com as dimensões e características corretas, e permitir a detecção de pequenos furos em condições de baixo contraste. Alguns métodos automatizados foram propostos na literatura, mas a automação de dois dos testes do ACR, de alto e baixo contraste, continua sendo um problema em aberto. Esta tese apresenta uma proposta para automatizar o teste de baixo contraste do ACR. Este teste, geralmente, é feito por técnicos analisando a imagem de phantom. No entanto, a análise automatizada seria capaz de reduzir custos, melhorar a repetibilidade e confiabilidade das medidas de controle de qualidade. Os trabalhos sobre automação dos testes de baixo contraste do ACR são escassos e, até onde sabemos, nenhum deles produziu resultados robustos o suficiente que permita substituir o trabalho humano. Podemos separar esta tese em duas fases principais. Na primeira, consideramos as respostas dos técnicos seniores, com mais de 10 anos de experiência, como nosso padrão ouro. Utilizamos um banco de dados com 620 conjuntos de imagens phantom ACR, que foram adquiridos em máquinas de diferentes fornecedores, campos e bobinas, totalizando 74.400 furos de baixo contraste. Técnicos com mais de 10 anos de experiência rotularam cada furo como visível ou invisível. Os algoritmos de aprendizado de máquina foram alimentados com características obtidas manualmente, com objetivo de extrair informações dos furos e seus arredores. Entre os cinco métodos testados, a regressão logística apresentou a maior área sob a curva ROC (0,878) e o maior alfa de Krippendorff (0,995). Os resultados alcançados nesta fase do trabalho já são substancialmente melhores do que os relatados anteriormente na literatura. Também são melhores do que as classificações feitas por técnicos juniores, com menos de 5 anos de experiência. Estes primeiros resultados já são um indicativo de que o teste de resolução de baixo contraste, ACR MRI, pode ser automatizado usando as técnicas de aprendizado de máquina.