Az ELKH Természettudományi Kutatóközpont (TTK) Agyi Képalkotó Központjának kutatói egy szisztematikus összehasonlító vizsgálat keretében igazolták a mélytanuláson alapuló módszerek alkalmasságát az agyi MR-felvételek minőségének klinikai szempontok szerinti gyors kiértékelésére. Az általuk kidolgozott mélytanulási modell ígéretes új lehetőségeket nyújt a minőség-ellenőrzés automatizálásához az orvosi képalkotás további területein, elősegítve ezzel a hatékony klinikai döntéshozatalt. Az eredményeket bemutató tanulmány a tudományterület legrangosabb folyóiratában, a Medical Image Analysisben jelent meg.
Az orvosi képalkotó eljárásokkal készült felvételek elemzésében egyre nagyobb szerepet kapnak a mesterséges intelligencián alapuló megoldások, amelyek a klinikai döntéshozatalt és az orvosbiológiai kutatásokat egyaránt segíthetik. Mindkét szempontból kiemelkedő fontosságú az elkészült MR-felvételek minőség-ellenőrzése, mely folyamat automatizálása jelentős idő- és pénzmegtakarítással járhat, és egyben növelheti az eredmények megbízhatóságát.
A legkorszerűbb képfelismerő technológiák mélytanuláson alapuló mesterséges neurális hálózatokat alkalmaznak az MR-felvételek elemzésére. A képminőség-ellenőrzés területén azonban nehézséget jelent, hogy többnyire nem áll rendelkezésre szakértők által értékelt kellő mennyiségű felvétel, ami lehetővé tenné az ilyen komplex hálózatok eredményes tanítását és alkalmazását. Ilyen adathiányos környezetben neurális hálózatok helyett az előre meghatározott képi jellemzőkön alapuló hagyományos gépi tanulási módszerek állnak rendelkezésre. Ugyanakkor ezeknek a módszereknek az a hátránya, hogy esetükben a képi jellemző kinyerése meglehetősen hosszú időt vesz igénybe, szemben a neurális hálózatokkal, amelyek akár a másodperc törtrésze alatt is képesek döntést hozni a felvételről.
A TTK Agyi Képalkotó Központjának kutatói egy szisztematikus összehasonlító vizsgálat keretében arra keresték a választ, hogy a standard képi jellemzőkön alapuló gépi tanulási modellek teljesítménye mennyire közelíthető meg mélytanulási módszerekkel.
A vizsgálatban nyilvánosan hozzáférhető és saját gyűjtésű agyi képalkotási adatokat használtak fel. A képek minőségét egy radiológus szakértőkből álló csoport értékelte a klinikai diagnosztikai célú felhasználhatóság szempontjából. A kutatók kidolgoztak egy alacsony komplexitású mesterséges neurális hálózatot, amely a szakértői minősítések alapján megtanulta osztályozni a felvételeket aszerint, hogy azok alkalmasak-e az agyi elváltozások azonosítására, vagy sem. A tesztelés során a hálózat a származtatott képi jellemzőket használó klasszikus gépi tanulási modellekhez hasonlóan kiemelkedően jó, 94 százalék fölötti pontossággal osztályozta a korábban még nem látott felvételeket. Az egész tudományterület szempontjából nagy jelentőségű, hogy a kutatások során sikerült igazolni a mélytanuláson alapuló módszerek alkalmasságát az agyi MR-felvételek minőségének klinikai szempontok szerinti gyors kiértékelésére. A kidolgozott mélytanulási modell ígéretes új lehetőségeket nyújt a minőség-ellenőrzés automatizálásához az orvosi képalkotás további területein, elősegítve ezzel a hatékony klinikai döntéshozatalt.
A kutatás a TTK Agyi Képalkotó Központja GINOP és ERANET (GINOP-2.2.1-18-2018-00001, 2019-2.1.7-ERA-NET-2020-00008) pályázatainak keretében valósult meg.
Publikáció:
Pál Vakli*, Béla Weiss*, János Szalma, Péter Barsi, István Gyuricza, Péter Kemenczky, Eszter Somogyi, Ádám Nárai, Viktor Gál, Petra Hermann, Zoltán Vidnyánszky (2023). Automatic brain MRI motion artifact detection based on end-to-end deep learning is similarly effective as traditional machine learning trained on image quality metrics. Medical Image Analysis, 88, 102850. DOI: 10.1016/j.media.2023.102850