利用定量指标与机器学习预测放射科医生对 MRI 图像质量与伪影的解读
医学物理
2023-11-22 v2
摘要
作为一项质量改进项目的一部分，我们收集了 3D-GRE 与 3D-TSE 脑部 3T 对比后 T1 加权图像数据集，并交由五位神经放射科医生对每序列的图像质量与成像伪影进行评估。相同扫描使用 MRQy 工具处理以获得客观、定量的图像质量指标。利用放射科医生与定量指标的组合数据集，训练了带 bagging 集成方法的决策树分类器，以基于定量指标预测放射科医生的评估。针对以下三项任务开发了机器学习模型：(1) 确定各 MRI 序列与评估指标的最佳模型/性能；(2) 确定各评估指标跨所有 MRI 序列的最佳模型/性能；(3) 确定跨所有 MRI 序列与评估的最佳通用模型/性能。成像伪影的模型性能略高于图像质量，例如，最终通用模型图像质量的 AUROC 为 0.77（0.41–0.84，95% CI），而成像伪影为 0.78（0.60–0.93，95% CI）。此外注意到，通用模型性能略优于单独模型（如 3D-GRE 图像质量 AUROC 为 0.69），表明全面训练数据对这些应用的价值。这些模型可部署于临床，作为实时图像采集的自动检查，以防止患者在回顾性放射科医生分析后需另约时间重扫，或提升阅片者对研究的信心。需在外部数据集上进一步验证此处所述模型。本文结果表明，MRQy 可作为定量指标替代放射科医生评估的基础。
引用
@article{arxiv.2311.05412,
title = {The Use of Quantitative Metrics and Machine Learning to Predict Radiologist Interpretations of MRI Image Quality and Artifacts},
author = {Lucas McCullum and John Wood and Maria Gule-Monroe and Ho-Ling Anthony Liu and Melissa Chen and Komal Shah and Noah Nathan Chasen and Vinodh Kumar and Ping Hou and Jason Stafford and Caroline Chung and Moiz Ahmad and Christopher Walker and Joshua Yung},
journal= {arXiv preprint arXiv:2311.05412},
year = {2023}
}