WO2020077426A1 - Método para automação de teste de resolução em imagens digitais - Google Patents

Método para automação de teste de resolução em imagens digitais Download PDF

Info

Publication number
WO2020077426A1
WO2020077426A1 PCT/BR2019/050444 BR2019050444W WO2020077426A1 WO 2020077426 A1 WO2020077426 A1 WO 2020077426A1 BR 2019050444 W BR2019050444 W BR 2019050444W WO 2020077426 A1 WO2020077426 A1 WO 2020077426A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
phantom
structures
resolved
fact
Prior art date
Application number
PCT/BR2019/050444
Other languages
English (en)
French (fr)
Inventor
Felipe BRUNETTO TANCREDI
Jhonata EMERICK RAMOS
Original Assignee
Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein filed Critical Sociedade Beneficente Israelita Brasileira Hospital Albert Einstein
Publication of WO2020077426A1 publication Critical patent/WO2020077426A1/pt

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/169—Exploration, location of contaminated surface areas
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/583—Calibration using calibration phantoms

Definitions

  • the present invention relates to a method for automating resolution testing on digital images and, more specifically, a method that emulates human visual perception in the task of identifying structures in an image with low contrast against a troubled background.
  • the method of the present invention can, for example, be used for the automation of quality tests of magnetic resonance tomographs.
  • Magnetic resonance tomography (2D or 3D) is particularly useful because it offers a huge range of image contrasts without the use / injection of enhancement agents.
  • the magnetic resonance tomography can be programmed to produce images that reveal fractures in bones, as in the X-ray modality, but they can also be prepared to highlight the differences between muscle and fat; or to register structures with slight differences in composition in relation to their surroundings. This ability of MRI tomography to allow small structures to be resolved in low contrast, makes it particularly useful in the radiological evaluation of meniscal tears, myocardial infarctions, prostate cancer, endometriosis, etc; to name a few examples.
  • the MRI scanner must be routinely subjected to quality tests, which aims to ensure that the scanner is generating images according to its specifications; that meet minimum quality standards, such as those recommended by the American College of Radiology (ACR).
  • ACR American College of Radiology
  • the ACR proposes an extensive quality control program and issues certificates in the RM modality, among others. In the United States, all institutions that serve the government must adhere to the ACR recommendations and present an accreditation certificate (s). In the rest of the world, the program is adopted by institutions that recognize the importance of monitoring the quality of the radiological images they produce, as well as the adequacy of the ACR proposal.
  • the quality control of medical images is essential for the development and application of so-called quantitative analysis methods, which allow the establishment of more objective diagnostic criteria and personalized medical recommendations.
  • Most of the methods applied in clinical practice are still qualitative, that is, they form images in which the pixels vary in a gray scale of an arbitrary unit, with no medical / physiological significance. In these images what matters is the relationship between the signals and the pattern of their distribution.
  • Quantitative imaging methods are those that allow you to generate images whose pixels bring objective information about the tissue under analysis, such as degree of stiffness, levels of certain substances / molecules, blood flow rate, etc. In these images, the pixel signals vary within a range of values with medical / physiological significance.
  • Deviations in quality measurements indicate that the clinical images generated by the CT scanner may be compromised and that it needs maintenance / calibration.
  • Quality tests are performed on images of an object of known geometry and composition (which is called phantom), and include measures of distortion, shading and resolution.
  • a good quality image must represent this object with known dimensions and characteristics. And a supposedly high-resolution image should allow you to distinguish small details in that object.
  • the signal in the field of view must be homogeneous - with subliminal shading / glows - and free of artifacts.
  • Resolving means differentiating.
  • a well-resolved image is one that allows the observer to see details of the recorded scene or object, i.e., better differentiate its elements. So, when it comes to detection, resolving is to assert that there is actually something, a structure, in a given region of the image that is different from the background, or its surroundings, and that it should represent, with some degree of confidence that is automatically established by our brains, a true structure at the origin.
  • contrast i.e., the relative difference between the captured signal of the structure in the field of view and the background signal of the image. The lower the contrast, the lower the resolution / differentiation power.
  • the other determinants of the resolution of an image are quality parameters, such as signal-to-noise level (which reflects the instrument's sensitivity) and signal scattering (which reflects other limitations and imperfections).
  • the spatial resolution power of an image is an image quality metric that indicates the minimum size that a structure it must have to be appreciated by someone who observes / "reads" the image.
  • the resolution power of high-contrast structures in a digital image is exactly the size of its pixel. If it is not possible to differentiate two structures the size of a pixel, which are a pixel away and emit a high signal, against a background considered dark, the image must be with serious quality problems.
  • the resolution power of structures with signals very close to the background signal is less and decreases with contrast. In part, this can be considered a matter of semantics since a lower contrast structure is, as the name implies, less differentiable. But only in part, given that the power of differentiation does not depend solely and exclusively on the difference in signal between the structure and the background, but also on other parameters of image quality.
  • a high resolution image allows an observer to solve, that is, to differentiate / detect small structures in the image.
  • the resonance tomograph must generate images with minimal resolution power, which satisfy a certain acceptance criterion. Acceptance criteria may differ for systems of different configurations. It is expected, of course, that 3T scanners will generate images with greater resolving power than 15T devices, even if with a lower level of signal homogeneity. Therefore, tomographs with different magnetic fields are treated as different instruments; and are tested by observing different acceptance criteria, according to their potential and limitations.
  • the weekly image quality tests proposed by the ACR involve collecting images in a multi-purpose phantom and evaluating a portion of the images in the series. To this is added the preparation time - both with the careful placement of the phantom in the center of the tomograph and with the programming of the acquisition protocol. The evaluation of the images must be performed immediately after acquisition, in order to allow the repetition of the test / acquisition if necessary. Not infrequently, during the evaluation, faults are detected that are the result of simple misplacement of the phantom inside the equipment - a trivial error that must be remedied immediately. To prevent this type of rework, many use a support to help position the phantom. In addition to reducing the preparation time and the frequency of errors, the use of support also increases the reproducibility of the tests. It is worth mentioning that, even if a support is adopted, it is recommended that the user does not leave the images to analyze them later.
  • the image quality tests recommended by the ACR to be repeated weekly are those of geometric distortion, spatial resolution, presence of artifacts, central frequency and precision of the displacement to the magnet isocenter.
  • the central frequency tests are limited to recording the value of the resonance frequency at the time of the test.
  • the isocenter test is limited to measuring whether the phantom region where the reference lasers were marked appears in the image with the Z coordinate close to 0.
  • Geometric distortion tests require the operator to measure distances - more precisely, the distance height and internal diameter of the phantom cylinder - using virtual rulers handled on the screen using a mouse. The operator also evaluates the series of images for the presence of artifacts, of any kind, which he considers significant to mention. In resolution tests, the operator must indicate whether or not he is able to differentiate structures of different dimensions and contrasts, against the background of the image, which can be quite troubled.
  • the present invention achieves these and other objectives through a method for automating resolution testing on digital images, which comprises: providing a digital image with at least one structure that must be discerned in the image; extract characteristics from the digital image data, said characteristics including characteristics related to at least one structure that must be discerned; and classify the at least structure as resolved or not resolved through a machine learning algorithm, in which the algorithm was trained based on solvability predictors that include characteristics extracted from an image database of previously obtained structures and classification data of these structures as resolved or not resolved, such classification being performed by at least one human operator.
  • the classification of the training base data is performed by at least two operators with different levels of experience and in which the levels of experience of the operators are included as predictors of resolvability.
  • Predictors of resolvability also include data on a source device for the image provided.
  • the method of the present invention can use a test phantom from a medical imaging machine.
  • the step of providing an image can comprise a step of providing an image of a phantom captured by a medical image acquisition machine.
  • the extracted data is image data from at least one image from at least one cut of the phantom; and the image database of previously obtained structures is an image database of previously obtained phantom sections.
  • the solvability predictors also include data about the medical image acquisition machine and data about the medical image acquisition conditions.
  • the image base can be formed through the collection of images on different medical image acquisition machines; and the processing of the collected images to generate new images with characteristics of resolution, contrast, homogeneity and signal spreading varied.
  • the medical image acquisition machine is an MRI machine
  • the phantom is an ACR type phantom.
  • the phantom is a phantom of the type comprising a plurality of different diameter holes arranged in radial triplets, in which: the image data is image data from at least one image of at least one axial slice of the phantom comprising an axial slice of the plurality of different holes, the image comprising a plurality of structures that can be discerned, such structures being defined by the image of the holes; the extraction of characteristics of the structures defined by the holes; and resolvability predictors include features extracted from an image database of axial phantom slices previously obtained and from classification data, by a human operator, of the holes as resolved or unsolved.
  • the extraction of characteristics from the structures is performed based on four regions of interest: a region of the hole, a region peripheral to the hole, a region adjacent to the hole and a region in line that passes through the three holes of each triplet.
  • an image signal is obtained for each region of interest and information about average and standard deviation of the signal is extracted.
  • Figure 1 - is an image of the ACR phantom used for a low contrast resolution test according to an embodiment of the method of the present invention
  • Figure 2 - is an image showing different masks that can be used in the resolution tests according to embodiments of the method of the present invention.
  • Figure 3 - is an image of an example screen of the interface for training the algorithm of the method of the present invention.
  • the present invention is based on a method for automating the quality test of magnetic resonance equipment that, using a machine learning algorithm, is capable of emulating the ability of human visual perception and similarly judging to a human, whether a particular structure can be seen / detected / resolved in the image or not.
  • the machine learning algorithm is trained using image data of structures associated with classification data of that structure, and the classification used for training was performed by human operators.
  • test object image data is obtained, where the images show a plurality of structures that can be discerned from an image background.
  • Features are extracted from the image data obtained - at least some of the features being related to the structures that could be discerned - and the structures are classified as resolved or not resolved through a machine learning algorithm.
  • the classification of image structures as resolved or unresolved is carried out by operators with different experience levels, and the predictors also include data on the operators' experience levels.
  • Predictors may also include data on the resonance equipment being tested and other peculiarities of the acquisition, such as, for example, reception band, type of antenna and speed of the gradients.
  • the ACR phantom is an acrylic cylinder 190 mm in diameter and 148 mm high / length, containing several acrylic and plastic structures inside, each serving a purpose (type of measurement) different).
  • the remainder of the interior of the cylinder is filled with a Nickel, Chlorine and Sodium saline solution.
  • a minimum fraction is filled with air, as a way to prevent thermal expansion of the fluid from damaging the casing (for this reason it is normal to see bubbles inside the phantom).
  • pixels that represent the saline solution have a maximum signal (white) in the image and pixels that represent acrylic / plastic have a minimum signal (black). Pixels from regions that encompass both materials have an intermediate signal. Per For example, it is normal for pixels to fall on the edge of the acrylic structures, the pixel being darker the more it is displaced inside the structure. This does not mean, however, that pixels entirely inside the structure are perfectly black. Noise and homogeneous slice of signal reception in the antennas, as well as other types of scattering observed in resonance images, can contaminate the pixel signal, making it clearer.
  • the phantom was designed to generate images with two very distinct signal types - that is, of the solution vs. acrylic / plastic (with the exception of regions for low-contrast tests, designed to generate intermediate signals) - but their images are not black and white, but in gray scale, with very high contrast.
  • a low contrast resolution test is a test that aims to determine the resolution power of the images generated by an equipment when the imaged structures have low contrast, that is, when the structures that are sought to differentiate have little signal highlight in relation to their surroundings or background. Thus, this test aims to verify the equipment's ability to offer images with sufficient quality to allow differentiating low contrast structures.
  • the test involves the acquisition of four axial cuts in the posterior ACR phantom region, where thin circular plastic films are found, drilled each with 30 diameter holes. varied, which are organized in 10 radial triplets (the term triplets denotes the set of three holes of the same diameter, radially aligned).
  • the four axial cuts correspond to cuts 8-1 1 that are obtained with the recommended acquisition protocol.
  • Films of plastic found in that position of the phantom have a different thickness in each volume, which is what determines the contrast between the holes and the bottom of the image.
  • FIG. 1 shows an example of an image of section 10 of the ACR phantom, with T triplets indicated.
  • the ACR low contrast resolution test essentially consists of counting how many of the 10 hole triplets can be resolved in each of the 1 to 8 cuts. Counting is performed from the triplets with larger holes diameter for smaller ones; and from cut 1 1, where the contrast is greater, up to cut 8. The triplet is considered visible when all 3 holes can be clearly detected; and counting should cease as soon as any of the holes in a triplet are no longer visible, even if one or more holes are visible in any of the subsequent triplets. Naturally, the higher the count, the better the image quality, as it allows to solve smaller structures.
  • the operator assesses the image's resolution power by assessing the detectability of structures that show little difference in signal with respect to their surroundings.
  • a structure is perceived in an image (that is, resolved, detected, visualized) when we are sure that something (that is, the structure) stands out from the background.
  • the visual perception of structures depends as much on the size and sign of the structure as on their relationship with their surroundings.
  • image problems such as distortions, shading, edge effects and other artifacts are absent
  • the resolving power can be modeled reasonably well using empirical equations like the one known by DeVries-Rose law, which relates signal, contrast and background noise to the resolution power of the image.
  • DeVries-Rose law which relates signal, contrast and background noise to the resolution power of the image.
  • modeling of the detection of structures by a human requires special treatment.
  • the present invention models this problem using the machine learning method learning).
  • the proposed algorithm can be applied to classify structures as visible or imperceptible in a digital image, according to the level of signal, contrast, noise and other quality metrics such as geometric distortions, shading and signal scattering.
  • ROIs are not square, metrics related to signal dispersion in a single dimension were calculated.
  • the image signal under each ROI formed vectors, from which the signal's mean and standard deviation (noise) were extracted (the two most important metrics describing the quality of an image); as well as the average of the lower, middle and upper thirds. These metrics were extracted in five different conditions: 1) from the original image, 2) from the normalized image between the values 0 and 1, and 3) from the normalized image in each sector separately.
  • Another possibility is to use square masks and use available algorithms to calculate metrics related to the spatial distribution of signals.
  • the low-contrast holes in cuts 8 to 1 1 are within a gray circle with black edges.
  • the first action is to locate, at each cut, the center and radius (R) of that circle, which will determine the positions of the ROIs.
  • Sectors The inner circle is divided into 10 sectors of 36 degrees of opening each. When the procedure is applied to section 8, the sectors are arranged so that one of them (say sector n. 1) is aligned with the vertical axis, in the 90 ° position. When the procedure is applied to cut 9, the sectors rotate 9 o clockwise; in section 10, the rotation is 18 o ; and in section 11, of 27 °.
  • Two circumferences of radii corresponding to 40% and 70% of R divide the circle into: 1) a circle less than 40% of R; 2) a crown with an internal radius 40% of R and an external radius 70% of R; and 3) a crown with an internal radius 70% of R and an external radius 100% of R.
  • Lines 30 straight segments are formed, 3 between each triplet of holes, in the radial direction and in length corresponding to 40% of R and ending at the edge of the circle.
  • the segments are 14 °, 18 ° and 22 ° away from the center of the sectors.
  • Circles The formation of circle-type ROIs took place slightly differently.
  • the rays of the low contrast holes are known.
  • the radii of the holes in each of the 10 triplets are: 7.0mm, 6.0mm, 5.0mm, 4.5mm, 4.0mm, 3.5mm, 3.0mm, 2.5mm, 2.0mm and 1.5mm. To determine the positions, the following strategy was chosen.
  • the positioning of the ROIs is then performed by adjusting the template of positions for each image according to the center and radius (R) of the detected circle.
  • additional predictive variables can be used by the method of the present invention. Among them are listed: level of ghosting, signal homogeneity and geometric distortion.
  • acquisition conditions such as hardware type (viz. Magnetic field of the MRI scanner and antenna) and reception band (which is not determined by the ACR), could help to improve the performance of the algorithm and, therefore, they are also among the possible explanatory variables (predictors).
  • LR Logistic Regression
  • SVM Support Vector Machine
  • RF Random Forest
  • XGB Extreme Gradient Boosting
  • NNet Neural Network
  • Logistic Regression it is the most used method in problems of binary classification, as the approached in the context of this invention. It was implemented using the standard method of generalized linear model in R.
  • Support Vector Machine it is a widely used Machine Learning method and is known to perform well in binary classification problems. This algorithm was implemented using the R. e1071 package.
  • Random Forest it is a method that builds a multiplicity of decision trees at the time of training. It was implemented using the R Random Forest package.
  • Extreme Gradient Boosting XGB: it is a method that typically makes use of decision trees and optimizes a differentiable loss function. R.'s xgboost package was used.
  • Neural Network the use of a feed-forward network with a single hidden layer (hidden layer) of 10 nodes was used. It was implemented using the R. nnet package.
  • Table II shows the main parameters used in each method.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

A presente invenção refere-se a um método para automação de teste de resolução em imagens digitais que compreende: prover uma imagem digital com pelo menos uma estrutura que deve ser discernida na imagem; extrair características dos dados da imagem digital, as referidas características incluindo características relacionadas à pelo menos uma estrutura que deve ser discernida; e classificar a pelo menos estrutura como resolvida ou não resolvida através de um algoritmo de aprendizagem de máquina, em que o algoritmo foi treinado com base em preditores de resolubilidade que incluem características extraídas de uma base de dados de imagem de estruturas previamente obtidos e dados de classificação dessas estruturas como resolvida ou não resolvida, sendo tal classificação realizada por pelo menos um operador humano.

Description

“MÉTODO PARA AUTOMAÇÃO DE TESTE DE RESOLUÇÃO EM IMAGENS DIGITAIS”
CAMPO DA INVENÇÃO
[001] A presente invenção refere-se a um método para automação de teste de resolução em imagens digitais e, mais especificamente, um método que emula a percepção visual humana na tarefa de identificar estruturas em uma imagem com baixo contraste contra um fundo conturbado. O método da presente invenção pode, por exemplo, ser utilizado para a automação de testes de qualidade de tomógrafos de ressonância magnética.
FUNDAMENTOS DA INVENÇÃO
[002] Tomógrafos são instrumentos geradores de dados essenciais para o diagnóstico de doenças e, portanto, imprescindíveis na medicina moderna.
[003] A tomografia (2D ou 3D) por ressonância magnética é particularmente útil porque oferece uma gama enorme de contrastes de imagem prescindindo do uso/injeção de agentes de realce. O tomógrafo de ressonância magnética pode ser programado para produzir imagens que revelam fraturas em ossos, como na modalidade de Raios-X, mas também podem ser preparadas para destacar as diferenças entre músculo e gordura; ou para registrar estruturas com tênues diferenças de composição em relação aos seus entornos. Essa capacidade da tomografia por RM de permitir resolver pequenas estruturas em baixo contraste, a torna particularmente útil na avaliação radiológica de rupturas de menisco, infartos no miocárdio, câncer de próstata, endometriose etc; para citar alguns exemplos.
[004] Do mesmo modo que outros instrumentos médicos, o tomógrafo de RM deve ser rotineiramente submetido a testes de qualidade, o que visa garantir que o tomógrafo esteja gerando imagens conforme suas especificações; que satisfaçam a padrões mínimos de qualidade, como aqueles preconizados pelo Colégio Americano de Radiologia (ACR). [005] O ACR propõe um amplo programa de controle de qualidade e emite certificados na modalidade de RM, entre de outras. Nos Estados Unidos, todas as instituições que prestam serviço ao governo devem aderir às recomendações do ACR e apresentar certificado(s) de acreditação. No resto do mundo o programa é adotado por instituições que reconhecem a importância de monitorar a qualidade das imagens radiológicas que produzem, bem como a adequação da proposta do ACR.
[006] O controle de qualidade de imagens médicas é essencial para o desenvolvimento e aplicação de métodos de análise ditos quantitativos, os quais permitem estabelecer critérios diagnósticos mais objetivos e recomendações médicas personalizadas. A maior parte dos métodos aplicados na prática clínica ainda é qualitativo, ou seja, forma imagens em que os pixels variam numa escala de cinza de unidade arbitrária, sem significado médico/fisiológico. Nessas imagens o que importa é a relação entre os sinais e o padrão de sua distribuição. Métodos de imagem quantitativos são aqueles que permitem gerar imagens cujos pixels trazem informações objetivas sobre o tecido sob análise, tais como grau de rigidez, níveis de determinadas substâncias/moléculas, taxa de fluxo sanguíneo etc. Nessas imagens, os sinais dos pixels variam dentro de uma escala de valores com significado médico/fisiológico. Portanto, além de oferecer informações sobre a relação entre sinais e sua distribuição, as imagens quantitativas oferecem um mapa de medidas, como se fosse uma balança (que nos serve porque mede peso em uma unidade física, eg. Kg) de pixels. Pixels de imagens de diferentes pacientes, ou do mesmo paciente examinado a tempos diferentes, podem ser comparados objetivamente, tal como acompanhamos a mudança de peso durante uma dieta subindo numa balança. Evidente que para que a comparação de imagens seja válida, o(s) equipamento(s) devem estar calibrados e ser(em) submetido(s) a testes de controle periodicamente, como acontece com qualquer equipamento de medida na indústria. [007] O ACR recomenda que o desempenho dos tomógrafos de ressonância magnética seja monitorado através da repetição de testes de qualidade de imagem a cada 7 dias (ou menos). Desvios nas medidas de qualidade indicam que as imagens clínicas geradas pelo tomógrafo podem estar comprometidas e que o mesmo necessita de manutenção/calibração. Os testes de qualidade são realizados em imagens de um objeto de geometria e composição conhecidas (ao qual se denomina phantom), e incluem medidas de distorção, sombreamento e resolução. Uma imagem de boa qualidade deve representar esse objeto com as dimensões e características conhecidas. E uma imagem supostamente de alta resolução deve permitir a distinção de pequenos detalhes nesse objeto. Além disso, o sinal no campo de visão deve ser homogéneo - com sombreamento/brilhos subliminares - e livre de artefatos.
[008] Resolver significa diferenciar. Uma imagem bem resolvida é aquela que permite ao observador ver detalhes da cena ou objeto registrado, i.e., diferenciar melhor seus elementos. Assim, em se tratando de detecção, resolver é asseverar que de fato existe algo, uma estrutura, numa dada região da imagem que é diferente do fundo, ou dos seus entornos, e que deve representar, com algum grau de confiança que é automaticamente estabelecido pelos nossos cérebros, uma estrutura verdadeira na origem. Um dos maiores determinantes da resolubilidade de uma imagem é o contraste, i.e., a diferença relativa entre o sinal capturado da estrutura no campo de visão e o sinal de fundo da imagem. Menor o contraste, menor o poder de resolução/diferenciação. Pois, partindo de um determinado nível de contraste, oferecido por um dado protocolo de imagem, os demais determinantes da resolubilidade de uma imagem são parâmetros de qualidade, tais como nível de sinal-ruído (que reflete sensibilidade do instrumento) e espalhamentos de sinal (que reflete outras limitações e imperfeições).
[009] O poder de resolução espacial de uma imagem é uma métrica de qualidade de imagem que indica o tamanho mínimo que uma estrutura deve ter para ser apreciada por alguém que observa/”lê” a imagem. O poder de resolução de estruturas de alto contraste em uma imagem digital é exatamente o tamanho de seu pixel. Se não for possível diferenciar duas estruturas do tamanho de um pixel, que estejam a um pixel de distância e emitam alto sinal, contra um fundo considerado escuro, a imagem deve estar com sérios problemas de qualidade. O poder de resolução de estruturas com sinais muito próximos ao sinal de fundo é menor e diminui com contraste. Em parte isso pode ser considerado uma questão de semântica dado que uma estrutura de menor contraste é, como o nome indica, menos diferenciável. Mas só em parte, dado que o poder de diferenciação não depende única e exclusivamente do da diferença de sinal entre a estrutura e o fundo, mas também de outros parâmetros de qualidade da imagem.
[010] Uma imagem de alta resolução permite a um observador resolver, isto é, diferenciar/detectar estruturas de pequena dimensão na imagem. O tomógrafo de ressonância deve gerar imagens com poder de resolução mínimos, que satisfaçam a um determinado critério de aceitação. Os critérios de aceitação podem diferir para sistemas de diferentes configurações. Espera-se, naturalmente, que tomógrafos de 3T gerem imagens com maior poder de resolução que equipamentos de 1 5T, mesmo que com menor nível de homogeneidade de sinal. Logo, tomógrafos de campos magnéticos diferentes são tratados como instrumentos diferentes; e são testados observando-se diferentes critérios de aceitação, de acordo com suas potencialidades e limitações.
[011] Os testes de qualidade de imagem semanais propostos pelo ACR envolvem a coleta de imagens em um phantom multi-propósito e a avaliação de uma parte das imagens da série. A isso soma-se o tempo de preparo - tanto com o cuidadoso posicionamento do phantom no centro do tomógrafo quanto com a programação do protocolo de aquisição. A avaliação das imagens deve ser realizada imediatamente após a aquisição, de forma a permitir a repetição do teste/aquisição caso se faça necessário. Não raro, durante a avaliação são detectadas falhas que são consequência de simples mal posicionamento do phantom no interior do equipamento - um erro trivial que deve ser remediado imediatamente. Como prevenção a esse tipo de retrabalho, muitos utilizam um suporte para auxiliar no posicionamento do phantom. Além de diminuir o tempo de preparo e a frequência de erros o uso de suporte também aumenta a reprodutibilidade dos testes. Vale ressaltar que, mesmo que um suporte seja adotado, é recomendável que o usuário não deixe as imagens para analisá-las posteriormente.
[012] Os testes de qualidade imagem que o ACR recomenda sejam repetidos semanalmente são os de distorção geométrica, resolução espacial, presença de artefatos, freqúência central e precisão do deslocamento ao isocentro do magneto. Os testes de frequência central se resumem a registrar o valor da frequência de ressonância no momento do teste. O teste do isocentro se resume a medir se a região do phantom em que foi feita a marcação com os lasers de referência aparece na imagem com a coordenada Z próxima de 0. Os testes de distorção geométrica requerem que o operador meça distâncias - mais precisamente a altura e diâmetro interno do cilindro do phantom - com o uso de réguas virtuais manuseadas na tela através de um mouse. O operador também avalia a série de imagens quanto à presença de artefatos, de qualquer tipo, que ele considere significativo de menção. Já nos testes de resolução, o operador deve indicar se é ou não capaz de diferenciar estruturas de diferentes dimensões e contrastes, contra o fundo da imagem, que pode estar bastante conturbado.
[013] Um ponto importante a ressaltar é que os testes ditos de resolução não exigem qualquer tipo de medida - refletem a simples impressão do observador sobre se é ou não capaz de perceber uma determinada estrutura contra o fundo da imagem. Testes como o de distorção geométrica, por exemplo, dependem do operador determinar o ponto de transição entre o sinal do interior do phantom e seu envoltório acrílico (sinais com extremo de contraste), e esticar uma régua virtual que toque dois pontos como esse, diametralmente opostos (em dadas direções). Nos testes de resolução, o observador verifica qual a menor dimensão que uma estrutura deve ter para poder ser resolvida/detectada nas dadas condições de imagem. Por condições entendem-se níveis de sinal, contraste, ruído e imperfeições.
[014] O tempo total dispensado com o teste gira em torno de 15-25 minutos. Em tomógrafos ocupados com pacientes de emergência, por exemplo, os encaixes na agenda são a regra. Mas observa-se que as taxas de erro são menores quando os testes são executados em horários pré- agendados.
[015] Uma possível solução para diminuir a carga de tempo dedicada aos testes de qualidade e assim desonerar a rotina clica, liberando tempo de máquina e de profissionais para exames em paciente é a automação dos testes de imagem.
[016] Essa solução também teria a vantagem de conferir maior reprodutibilidade e previsibilidade aos testes, já que um computador possui comportamento mais previsível e estável do que o de um ser humano.
[017] Além disso, passando a requerer não mais que o posicionamento do phantom no interior do tomógrafo e a programação das sequências de aquisição, o inconveniente do agendamento do teste seria menor.
[018] Os testes de baseados em medidas diretas, como as medidas de comprimento usando réguas virtuais dos testes de distorção geométrica, costumam ser consensuais, ie. objetivas, de modo que sua automação pode ser realizada utilizando-se estratégias de tratamento de imagem consideravelmente simples. No entanto, os testes de resolução envolvem uma avaliação bastante subjetiva e variável - afinal, são um reflexo direto da percepção visual humana -, o que torna sua automação um grande desafio. [019] A substituição de humanos por máquina nos importantíssimos, mas caros e tediosos, testes de controle de qualidade esbarra na dificuldade em se reproduzir os resultados humanos nos testes de controle de qualidade, sobretudo nos testes de resolução.
[020] Algumas tentativas de automação estão sendo desenvolvidas.
[021] O artigo “On replacing the manual measurement of ACR Phantom Images Performed by MRI Technologists with an automated measurement approach”, de Panych e outros, publicado em Setembro de 2015 no periódico cientifico Journal of Magnetic Resonance Imaging (J. Magn Reson. Imaging. 2016 Apr;43(4):843-52) descreve uma solução de automação tanto para os testes de qualidade do ACR baseados em medidas diretas, quanto para o teste de resolução em alto contraste. No entanto, nessa solução, o método de automação proposto não é baseado em modelo de aprendizagem de máquina, não há a avaliação do método em um cenário real e não é previste nenhuma solução para o teste de baixo contraste. Pelo contrário, a publicação menciona expressamente que esse tipo de avaliação ainda deve ser feito por um humano/profissional.
[022] No artigo“Automated low-contrast pattern recognition algorithm for magnetic resonance image quality assessmenf’ , publicado em Agosto de 2017 na revista científica Medicai Physics (Med. Phys. 44(8) August 2017), Ehman e colegas propõem um algoritmo para automatizar o teste de resolução em baixo contraste do ACR. A solução proposta tenta aproximar a resposta da máquina da humana usando lógica fuzzy, mas não faz uso de retro-alimentação, portanto não aprende com as respostas humanas e não pode ser classificado como um método de aprendizagem de máquina (Machine Learning).
[023] Naquele estudo as respostas geradas por máquina concordaram com as respostas humanas num número limitado de vezes (refletido em no coeficiente alpha de Krippendorff, calculado em 0.652). [024] Ainda que soluções de automação estejam em desenvolvimento, nenhum dos métodos conhecidos do estado da técnica se mostrou confiável o suficiente a ponto de ter sido homologado pelo ACR.
[025] Assim, no presente estado da técnica, não é conhecida uma solução que permita emular a percepção visual humana no teste de controle de qualidade do ACR, mais especificamente nos testes de resolução de alto e baixo contraste, a ponto de substituir completamente a dependência de operador e talvez até se tornar padrão ouro.
OBJETIVOS DA INVENÇÃO
[026] É um dos objetivos da presente invenção proporcionar um método para automação de teste de resolução em imagens digitais que seja capaz de emular a capacidade humana de resolução de estruturas numa imagem digital.
[027] É mais um dos objetos da presente invenção proporcionar um método para automação de teste de resolução em imagens digitais capaz de atender o programa de controle de qualidade do ACR.
[028] É mais um dos objetos da presente invenção proporcionar um método para automação de teste de resolução de baixo contraste em imagens digitais capaz de atender o programa de controle de qualidade do ACR.
[029] É ainda outro dos objetivos da presente invenção proporcionar um método para automação de teste de resolução de imagens médicas que seja capaz de reproduzir a resposta de um profissional treinado para o teste.
BREVE DESCRIÇÃO DA INVENÇÃO
[030] A presente invenção atinge esses e outros objetivos através de um método para automação de teste de resolução em imagens digitais, que compreende: prover uma imagem digital com pelo menos uma estrutura que deve ser discernida na imagem; extrair características dos dados da imagem digital, as referidas características incluindo características relacionadas a pelo menos uma estrutura que deve ser discernida; e classificar a pelo menos estrutura como resolvida ou não resolvida através de um algoritmo de aprendizagem de máquina, em que o algoritmo foi treinado com base em preditores de resolubilidade que incluem características extraídas de uma base de dados de imagem de estruturas previamente obtidos e dados de classificação dessas estruturas como resolvida ou não resolvida, sendo tal classificação realizada por pelo menos um operador humano.
[031] E m uma concretização do método da presente invenção, a classificação dos dados da base de treinamento é realizada por pelo menos dois operadores com níveis de experiência diferentes e em que os níveis de experiência dos operadores são incluídos como preditores de resolubilidade.
[032] Os preditores de resolubilidade incluem ainda dados sobre um equipamento de origem da imagem provida.
[033] O método da presente invenção pode usar um phantom de teste de uma máquina de aquisição de imagens médicas. Assim, a etapa de prover uma imagem pode compreender uma etapa de prover uma imagem de um phantom capturada por uma máquina de aquisição de imagens médicas. Nesse casos, os dados extraídos são dados de imagem de pelo menos uma imagem de pelo menos um corte do phantom; e a base de dados de imagem de estruturas previamente obtidas é uma base de dados de imagem de cortes do phantom previamente obtidos.
[034] Quando o teste de resolução é para uma máquina de aquisição de imagens médicas, os preditores de resolubilidade incluem ainda dados sobre a máquina de aquisição de imagens médicas e dados sobre as condições de aquisição de imagens médicas.
[035] A base de imagens pode ser formada através da coleta de imagens em diferentes máquinas de aquisição de imagens médicas; e do processamento das imagens coletadas para gerar novas imagens com características de resolução, contraste, homogeneidade e espalhamento de sinal variadas. [036] Em uma concretização da invenção, a máquina de aquisição de imagens médicas é uma máquina de ressonância magnética, o phantom é um phantom do tipo ACR.
[037] Para um teste de qualidade de resolução em baixo contraste, o phantom é um phantom do tipo que compreende uma pluralidade de furos diferentes diâmetros organizados em triplets radiais, em que: os dados imagem são dados de imagem de pelo menos uma imagem de pelo menos uma fatia axial do phantom que abrange uma fatia axial da pluralidade de furos diferentes, a imagem compreendendo uma pluralidade de estruturas que podem ser discernidas, tais estruturas sendo definidas pela imagem dos furos; a extração de características das estruturas definidas pelos furos; e os preditores de resolubilidade incluem características extraídas de uma base de dados de imagem de fatias axiais do phantom previamente obtidos e de dados de classificação, por um operador humano, dos furos como resolvido ou não resolvido.
[038] No teste de resolução em baixo contraste, a extração de características das estruturas é realizada com base em quatro regiões de interesse: uma região do furo, uma região periférica ao furo, uma região adjacente ao furo e uma região em linha que passa pelos três furos de cada triplet. Nessa concretização, é obtido um sinal de imagem para cada região de interesse e extraídas informações sobre média e desvio padrão do sinal. BREVE DESCRIÇÃO DOS DESENHOS
[039] A presente invenção será descrita a seguir com mais detalhes, com referências aos desenhos anexos, nos quais:
[040] Figura 1 - é uma imagem do phantom ACR utilizada para um teste de resolução em baixo contraste de acordo com uma concretização do método da presente invenção;
[041] Figura 2 - é uma imagem que mostra diferentes máscaras que podem ser utilizadas nos testes de resolução de acordo com concretizações do método da presente invenção; e [042] Figura 3 - é uma imagem de uma tela exemplificativa da interface para o treinamento do algoritmo do método da presente invenção.
DESCRIÇÃO DETALHADA DA INVENÇÃO
[043] A presente invenção será descrita a seguir com base em concretizações da invenção ilustradas nas figuras 1 a 3.
[044] Embora as concretizações exemplificativas sejam descritas com referência a métodos para automação de testes de resolução em baixo contraste que seguem os protocolos de acreditação do ACR e utilizam um phantom com as especificações determinadas por aquela instituição, deve ser entendido que os métodos de automação de teste de resolução da presente invenção poderiam ser utilizados em outros contextos, em testes de resoluções de imagens médicas ou não, seguindo o mesmo conceito inventivo aqui proposto.
[045] Nesse sentido, a presente invenção é baseada em um método para automação de teste de qualidade de um equipamento de ressonância magnética que, utilizando um algoritmo de aprendizagem de máquina, é capaz de emular a capacidade de percepção visual humana e julgar, semelhantemente a um humano, se uma determinada estrutura pode ser vista/detectada/resolvida ou não na imagem.
[046] O algoritmo de aprendizagem de máquina é treinado utilizando- se dados de imagem de estruturas associados a dados de classificação dessa estrutura, sendo que a classificação utilizada para treinamento foi realizada por operadores humanos.
[047] Assim, no método da presente invenção, são obtidos dados imagem de objeto de teste, onde as imagens mostram uma pluralidade de estruturas que podem ser discernidas de um fundo de imagem. Características são extraídas dos dados de imagem obtidos - pelo menos algumas das características sendo relacionadas às estruturas que poderiam ser discernidas - e as estruturas são classificadas como resolvidas ou não resolvidas através de um algoritmo de aprendizagem de máquina. [048] Em uma concretização da presente invenção, a classificação das estruturas da imagem como resolvidas ou não resolvidas é realizada por operadores com níveis de experiência diferentes, e os preditores incluem ainda dados sobre os níveis de experiência dos operadores.
[049] Os preditores podem incluir ainda dados sobre o equipamento de ressonância que está sendo testado e outras particularidades da aquisição, como por exemplo, banda de recepção, tipo de antena e velocidade dos gradientes.
[050] Uma concretização da presente invenção será descrita a seguir em mais detalhes, utilizando como contexto exemplificativo os testes do programa de acreditação do ACR.
Procedimentos do programa de acreditação do ACR
[051] De modo a melhor descrever a presente invenção serão descritos a seguir os protocolos de teste de resolução em baixo contraste de acordo com o programa de acreditação do ACR.
Especificações do phantom utilizado no programa de acreditação do ACR
[052] Nas concretizações ilustradas, o phantom ACR é um cilindro de acrílico com 190 mm de diâmetro e 148 mm de altura/comprimento, contendo em seu interior diversas estruturas de acrílico e plástico, cada uma delas servindo a um propósito (tipo de medida de qualidade) diferente. O restante do interior do cilindro é preenchido por uma solução salina de Níquel, Cloro e Sódio. Uma fração mínima é preenchida por ar, como uma forma de impedir que dilatações térmicas do fluido danifique o invólucro (por tal motivo é normal observarem-se bolhas dentro do phantom).
[053] Utilizando-se o protocolo recomendado pelo ACR, que prevê imagens ponderadas na constante de relaxação T1 , o sinal da solução salina é alto e o sinal do acrílico/plástico é baixo. Desse modo, pixels que representem a solução salina têm sinal máximo (branco) na imagem e pixels que representem acrílico/plástico têm sinal mínimo (preto). Pixels de regiões que abarquem ambos materiais têm sinal intermediário. Por exemplo, é normal que pixels recaiam sobre a borda das estruturas de acrílico, sendo o pixel tanto mais escuro quanto mais deslocado ao interior da estrutura estiver. Isso não significa, no entanto, que pixels totalmente no interior da estrutura sejam perfeitamente pretos. Ruído e fatia de homogeneidade de recepção de sinal nas antenas, bem como outros tipos de espalhamento que se observa em imagens de ressonância, podem contaminar o sinal do pixel, deixando-o mais claro. O mesmo cuidado se deve ter avaliando pixels claros. O phantom foi projetado para gerar imagens com dois tipos de sinal muito bem distintos - isto é, da solução vs. do acrílico/plástico (com exceção das regiões destinadas aos testes de baixo contraste, projetadas para gerar sinais intermediários) - mas suas imagens não são preto no branco, mas sim em escala de cinza, com altíssimo contraste.
Procedimentos de teste de resolução de baixo contraste do programa de acreditação do ACR
[054] Um teste de resolução em baixo contraste é um teste que visa determinar o poder de resolução das imagens geradas por um equipamento quando as estruturas imageadas apresentam baixo contraste, ou seja, quando as estruturas que se procura diferenciar apresentam pouco destaque de sinal em relação aos seus entornos ou fundo em que se inserem. Assim, esse teste tem como objetivo averiguar a capacidade do equipamento de oferecer imagens com qualidade suficiente para permitir diferenciar as estruturas de pouco contraste.
[055] No protocolo de imagem do ACR vigente na época de desenvolvimento da presente invenção, o teste envolve a aquisição de quatro cortes axiais na região posterior phantom ACR, onde se encontram finas películas circulares de plástico, perfuradas cada uma com 30 furos de diâmetros variados, que são organizados em 10 triplets radiais (o termo triplets denota o conjunto de três furos de mesmo diâmetro, alinhados radiamente). Os quatro cortes axiais correspondem aos cortes 8-1 1 que são obtidas com o protocolo de aquisição recomendado. As películas de plástico que se encontram naquela posição do phantom possuem uma espessura diferente em cada tomo, que é o que determina o contraste entre os furos e o fundo da imagem. Quanto mais espessa a película, mais ponderado seu sinal é no sinal do plástico, que é mínimo, e menos no da solução salina, que é máximo. A espessura da película aumenta, e consequentemente o contraste entre os furos e seu fundo diminui, progressivamente, do corte 1 1 até o corte 8. A posição dos 10 triplets nas películas também muda ligeiramente de um corte pra outro: os furos apresentam uma rotação progressiva de 9 graus no sentido anti-horário. Por fim, os furos de um mesmo triplet têm o mesmo diâmetro, que diminui gradativamente, no sentido horário, indo de 7mm até 1.5mm. A Figura 1 traz um exemplo de uma imagem do corte 10 do phantom ACR, com triplets T indicados.
[056] O teste de resolução em baixo contraste do ACR consiste, essencialmente, em contar quantos dos 10 triplets de furos podem ser resolvidos em cada um dos cortes de 1 1 a 8. A contagem é realizada a partir dos triplets com furos de maior diâmetro para os de menor diâmetro; e do corte 1 1 , onde o contraste é maior, até o corte 8. O triplet é considerado visível quando todos os seus 3 furos podem ser claramente detectados; e a contagem deve cessar tão logo algum dos furos de um triplet não seja mais visível, mesmo que um ou mais furos sejam visíveis em algum dos triplets subsequentes. Naturalmente que maior a contagem, melhor a qualidade de imagem, pois ela permite resolver estruturas de menor dimensão.
[057] Normalmente todos os triplets dos cortes 1 1 e 10 (aqueles com maior contraste) devem ser visíveis, isto é, podem ser resolvidos pelo observador. Quando se trata de tomógrafos de 3T espera-se que os furos da fatia 9 também sejam todos resolvidos. O ACR recomenda que um físico de imagens determine em qual dos cortes o observador deve focar seus esforços e quantos triplets espera-se sejam detectados para o tomógrafo em questão. Para equipamentos de 1.5T é comum adotar-se como critério de aceitação de que pelo menos 6 triplets do corte 9 sejam detectáveis; e para equipamentos de 3T, que sejam detectáveis pelo menos 6 do corte 8.
[058] Na validação do método proposto pela presente invenção, foram realizados testes para o controle de qualidade de resolução em alto contraste. Os testes foram realizados levando em conta o phantom e os procedimentos do programa de acreditação ACR.
[059] O detalhamento das validações realizadas é descrito a seguir. Procedimento de preparo de imagem para o ensaio de validação do teste de resolução em baixo contraste
[060] Em testes de resolução em baixo contraste, o operador avalia a o poder de resolução da imagem avaliando a detectabilidade de estruturas que apresentam pouca diferença de sinal com relação aos seus entornos.
[061] No teste de resolução de baixo contraste do ACR, um operador treinado avalia o tamanho mínimo que estruturas circulares necessitam ter para serem detectados, em um dado nível de contraste; mais especificamente quantos dos triplets de furos que se encontram na parte distai phantom são claramente visíveis. Mas cada furo desses triplets é avaliado individualmente; logo, a modelagem da resposta do operador também deve ser realizada furo a furo.
[062] Uma estrutura é percebida numa imagem (isto é, resolvida, detectada, visualizada) quando estamos seguros de que algo (isto é, a estrutura) se destaca do fundo. A percepção visual de estruturas depende tanto do tamanho e sinal da estrutura tanto quanto da relação desses com seus entornos. Quando problemas de imagem como distorções, sombreamento, efeitos de borda e outros artefatos estão ausentes, o poder de resolução pode ser modelado razoavelmente bem usando equações empíricas como aquela conhecida por lei de DeVries-Rose, que relaciona sinal, contraste e ruído de fundo com o poder de resolução da imagem. Entretanto, num cenário real, a modelagem da detecção de estruturas por um humano requer tratamento especial. A presente invenção modela esse problema usando método de aprendizagem de máquina ( machine learning). O algoritmo proposto pode ser aplicado para classificar estruturas como visíveis ou imperceptíveis numa imagem digital, de acordo com o nível de sinal, contraste, ruído e outras métricas de qualidade tais como distorções geométricas, sombreamento e espalhamento de sinal.
[063] Na implementação ora relatada, para modelagem da visibilidade dos furos do phantom ACR foram extraídas 24 características (features) da imagem. A extração de características foi baseada na sobreposição da imagem original com 3 tipos de ROIs - regiões de interesse (ou máscaras): um consistindo da região do furo propriamente dita (furo); um segundo representando suas adjacências (setor de círculo menos furo); e um terceiro formado por segmentos de reta no sentido radial (linhas), que cruzam a região de fundo, entre os triplets de furos. Esses três tipos de máscara são mostrados na figura 2, em que o quadro Q1 da figura mostra a máscara“furo”, o quadro Q2 da figura mostra a máscara“setor” e o quadro Q3 mostra a máscara“linhas”.
[064] O mascaramento da imagem com os ROIs do tipo furo e setor serviu para retirar métricas da mesma natureza. Como os ROIs não têm formato quadrado, foram calculadas métricas relacionadas à dispersão de sinal em uma única dimensão. O sinal de imagem sob cada ROI formou vetores, de onde se extraíram média e desvio padrão (ruído) do sinal (as duas métricas mais importante descrevendo a qualidade de uma imagem); bem como a média dos terços inferiores, médios e superiores. Essas métricas foram extraídas em cinco condições diferentes: 1 ) a partir da imagem original, 2) a partir da imagem normalizada entre os valores 0 e 1 , e 3) a partir da imagem normalizada em cada setor separadamente. Uma outra possibilidade é utilizar máscaras do tipo quadrado e utilizar algoritmos disponíveis para calcular métricas relativas à distribuição espacial dos sinais.
[065] Foi desenvolvida uma estratégia para posicionar esses ROIs na sua exata posição baseada em corregistro de templates 2D em cada uma das fatias 8-1 1 . Procedimento de extração de características dos dados de imagem na automação do teste de resolução em baixo contraste
[066] As regiões de interesse (máscaras) foram formadas da seguinte maneira:
[067] Os furos de baixo contraste dos cortes 8 a 1 1 se encontram dentro de um círculo cinza de bordas pretas. A primeira ação é localizar, em cada corte, o centro e o raio (R) desse círculo, que vão determinar as posições dos ROIs.
[068] Setores: O círculo interno é dividido em 10 setores de 36 graus de abertura cada. Quando o procedimento é aplicado no corte 8 os setores são dispostos de maneira que um deles (digamos o setor n. 1 ) esteja alinhado com o eixo vertical, na posição 90°. Quando o procedimento é aplicado no corte 9, os setores apresentam uma rotação de 9o no sentido horário; no corte 10, a rotação é de 18o; e no corte 1 1 , de 27°.
[069] Duas circunferências de raios correspondendo a 40% e 70% de R dividem o círculo em: 1 ) um círculo menor de 40% de R; 2) uma coroa de raio interno 40% de R e raio externo 70% de R; e 3) uma coroa de raio interno 70% de R e raio externo 100% de R.
[070] Os 30 ROIs denominados “setores” são formados pela intersecção dos círculo e coroas com os setores. No caso da intersecção do círculo menor com o setor temos como resultado 10 setores de círculo. No caso da intersecção das coroas com os setores temos como resultado 20 setores de coroa.
[071] Linhas: São formados 30 segmentos de reta, 3 entre cada triplet de furos, na direção radial e de comprimento correspondendo a 40% de R e terminando na borda do círculo. Os segmentos são distantes 14°, 18° e 22° do centro dos setores.
[072] Círculos: A formação dos ROIs do tipo círculo se deu de maneira ligeiramente diferente. Os raios dos furos de baixo contraste são conhecidos. Os raios dos furos em cada um dos 10 triplets são: 7.0mm, 6.0mm, 5.0mm, 4.5mm, 4.0mm, 3.5mm, 3.0mm, 2.5mm, 2.0mm e 1 .5mm. Para determinar as posições, optou-se pela seguinte estratégia.
[073] Usando uma imagem adquirida em um equipamento de RM de alto campo, antena de 32 canais de recepção, 10 repetições e um tempo de eco de 4ms (de maneira a minimizar distorções), medimos a posição relativa do centro de cada um dos furos de baixo contraste com relação ao centro do círculo de raio R. Tomou-se o cuidado de posicionar o phantom no centro do magneto sem qualquer rotação nos eixos x, y e z e as imagens axiais também foram adquiridas sem qualquer inclinação. Foram colecionadas 120 coordenadas, expressas em termos do raio R e de um círculo de centro em x=0, y=0.
[074] O posicionamento dos ROIs é realizado então ajustando-se o template de posições para cada imagem de acordo com o centro e raio (R) do círculo detectado.
[075] A partir das coordenadas co-registradas são criados os ROIs circulares com diâmetro igual ao diâmetro conhecido do furo, acrescido de 3mm.
[076] Além das características de imagem extraídas das fatias 8-1 1 , outras métricas de qualidade extraídas de outros cortes do phantom ACR podem ajudar no desempenho do algoritmo.
[077] Assim, no procedimento de extração exemplificativo, foram usadas as seguintes características:
Figure imgf000020_0001
Figure imgf000021_0001
Tabela I - Descrição das características
[078] Os números de corte, ângulo e posição radial foram usados pois:
[079] - Corte: o contraste da imagem depende desse número e ele ajuda a classificar corretamente a visibilidade dos furos;
[080] - Ângulo: o raio do furo depende de seu ângulo no corte, e quanto mais largo o furo, mais facilmente o mesmo pode ser localizado;
[081] - Posição: usualmente, os furos mais externos são mais distorcidos e de difícil visualização do que os furos mais internos.
[082] Naturalmente, em concretizações da invenção, variáveis preditivas adicionais podem ser utilizadas pelo método da presente invenção. Dentre elas enumeram-se: nível de ghosting, de homogeneidade de sinal e de distorção geométrica. Da mesma forma, condições de aquisição, tais como tipo de hardware (viz. campo magnético do scanner de RM e antena) e banda de recepção (que não é determinada pelo ACR), poderiam ajudar a melhorar o desempenho do algoritmo e, portanto, também estão entre as possíveis variáveis explicativas (preditoras).
Procedimento de análise de imagem para o ensaio de validação do teste de resolução em baixo contraste
[083] Para geração dos dados de treinamento de classificação como “estrutura resolvida” e “estrutura não resolvida” desenvolveu-se um pequeno aplicativo que, apresentando uma fatia por vez, permite ao usuário registrar suas respostas sobre a visibilidade de cada furo individualmente. A figura 3 mostra uma tela de exemplo de interface para o registro de resposta, onde o usuário pode ver a imagem da fatia e indicar os furos que entende como visíveis. [084] Dez profissionais treinados, 2 com nível de experiência avançado, 4 com nível de experiência intermediário e 4 com pouca experência, classificaram a visibilidade de furos de baixo contraste em 620 imagens dos cortes 8, 9 e 10 do phantom ACR.
[085] Finalmente, o algoritmo de aprendizagem de máquina foi alimentado com todas variáveis preditivas acompanhadas das respostas dos profissionais sobre a visibilidade dos furos.
[086] Construiu-se uma base de dados com todas as características ( features ) de imagem obtidas nos passos anteriores, tipo de hardware e nível de experiência do observador, além da variável resposta que é a classificação do furo pelo observador, como “estrutura resolvida” e “estrutura não resolvida”.
[087] Foram comparados cinco métodos de aprendizado machine learning com o objetivo de verificar qual reproduz as respostas dos operadores de maneira mais fidedigna. Os métodos utilizados no contexto dessa invenção foram: Logistic Regression (LR), Support Vector Machine (SVM), Random Forest (RF), Extreme Gradient Boosting (XGB) e Neural Network (NNet). A base de dados foi separada em dois, de maneira aleatória, com 70% dos registros utilizados para treinamento e os outros 30% para teste.
[088] Logistic Regression (LR): é o método mais utilizado em problemas de classificação binária, como o abordado no contexto desta invenção. Foi implementado usando o método padrão de modelo linear generalizado em R.
[089] Support Vector Machine (SVM): é um método de Machine Learning muito utilizado e é conhecido por ter um bom desempenho em problemas de classificação binária. Este algoritmo foi implementado usando o pacote e1071 do R.
[090] Random Forest (RF): é um método que constrói uma multiplicidade de árvores de decisão no momento de treinamento. Foi implementado usando o pacote random Forest do R. [091] Extreme Gradient Boosting (XGB): é um método que tipicamente faz uso de árvores de decisão e otimiza uma função de perda diferenciável. Foi usado o pacote xgboost do R.
[092] Neural Network (NNet): foi feito o uso de uma rede do tipo feed- forward com uma única camada oculta (hidden íayer ) de 10 nós. Foi implementada usando o pacote nnet do R.
[093] A Tabela II mostra os principais parâmetros utilizados em cada método. Para o método LR, o único parâmetro não padrão utilizado foi “family = binomial”. Selecionamos os parâmetros para o método XGB usando validação cruzada com gridsearch. Todos os outros métodos foram ajustados automaticamente usando o grid search padrão do pacote Caret do R.
Figure imgf000023_0001
Tabela II - principais parâmetros utilizados em cada método de aprendizagem de máquina [094] O de desempenho dos algoritmos de classificação foi estimado fazendo-se uso da UAC, que é área sob a curva ROC ( Receiver Operating Characteristic) e também do índice Krippendorffs alpha que é um índice não paramétrico que mede a concordância entre as leituras humanas e as respostas de máquina.
Análise de resultados para a validação da automação do teste de resolução em baixo contraste
[095] Entre os cinco métodos testados a Logistic Regression (LR) apresentou a maior AUC (0.878) e o maior índice Krippendorffs alpha (0.995), indicando que o algoritmo foi capaz de aprender a tarefa visual humana com grande precisão. Tendo sido descritos exemplos de concretizações da presente invenção, deve ser entendido que o escopo da presente invenção abrange outras variações possíveis do conceito inventivo descrito, sendo limitadas tão somente pelo teor das reivindicações anexas, aí incluídos os possíveis equivalentes.

Claims

REIVINDICAÇÕES
1 . Método para automação de teste de resolução em imagens digitais, caracterizado pelo fato de que compreende:
prover uma imagem digital com pelo menos uma estrutura que deve ser discernida na imagem;
extrair características dos dados da imagem digital, as referidas características incluindo características relacionadas à pelo menos uma estrutura que deve ser discernida;
classificar a pelo menos estrutura como resolvida ou não resolvida através de um algoritmo de aprendizagem de máquina, em que o algoritmo foi treinado com base em preditores de resolubilidade que incluem características extraídas de uma base de dados de imagem de estruturas previamente obtidos e dados de classificação dessas estruturas como resolvida ou não resolvida, sendo tal classificação realizada por pelo menos um operador humano.
2. Método, de acordo com a reivindicação 1 , caracterizado pelo fato de que a classificação dos dados da base de treinamento é realizada por pelo menos dois operadores com níveis de experiência diferentes e em que os níveis de experiência dos operadores são incluídos como preditores de resolubilidade.
3. Método, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que os preditores de resolubilidade incluem ainda dados sobre um equipamento de origem da imagem provida.
4. Método, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que:
a etapa de prover uma imagem compreende uma etapa de prover uma imagem de um phantom capturada uma máquina de aquisição de imagens médicas;
os dados extraídos são dados de imagem de pelo menos uma imagem de pelo menos um corte do phantom; e
a base de dados de imagem de estruturas previamente obtidas é uma base de dados de imagem de cortes do phantom previamente obtidos.
5. Método, de acordo com a reivindicação 4, caracterizado pelo fato de que os preditores de resolubilidade incluem ainda dados sobre a máquina de aquisição de imagens médicas.
6. Método, de acordo com a reivindicação 5, caracterizado pelo fato de que os preditores de resolubilidade incluem ainda dados sobre as condições de aquisição de imagens médicas.
7. Método, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que a formação da base de dados de imagem compreende
a coleta de imagens em diferentes máquinas de aquisição de imagens médicas; e o processamento das imagens coletadas para gerar novas imagens com características de resolução, contrate, homogeneidade e espalhamento de sinal variadas;
8. Método, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que a máquina de aquisição de imagens médicas é uma máquina de ressonância magnética, o phantom é um phantom do tipo ACR.
9. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que o teste de resolução é um teste de qualidade de resolução em baixo contraste, o phantom é um phantom do tipo que compreende uma pluralidade de furos diferentes diâmetros organizados em triplets radiais, em que:
os dados imagem são dados de imagem de pelo menos uma imagem de pelo menos uma fatia axial do phantom que abrange uma fatia axial da pluralidade de furos diferentes, a imagem compreendendo uma pluralidade de estruturas que podem ser discernidas, tais estruturas sendo definidas pela imagem dos furos; a extração de características das estruturas definidas pelos furos; e
os preditores de resolubilidade incluem características extraídas de uma base de dados de imagem de fatias axiais do phantom previamente obtidos e de dados de classificação, por um operador humano, dos furos como resolvido ou não resolvido.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que extração de características das estruturas é realizada com base quatro regiões de interesse: uma região do furo, uma região periférica ao furo, uma região adjacente ao furo e uma região em linha que passa pelos três furos de cada triplet.
1 1. Método, de acordo com a reivindicação 10, caracterizado pelo fato de que é obtido um sinal de imagem para cada região de interesse e extraídas informações sobre média e desvio padrão do sinal.
PCT/BR2019/050444 2018-10-16 2019-10-16 Método para automação de teste de resolução em imagens digitais WO2020077426A1 (pt)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
BRBR1020180712934 2018-10-16
BR102018071293A BR102018071293A2 (pt) 2018-10-16 2018-10-16 método para automação de teste de resolução em imagens digitais

Publications (1)

Publication Number Publication Date
WO2020077426A1 true WO2020077426A1 (pt) 2020-04-23

Family

ID=70282877

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/BR2019/050444 WO2020077426A1 (pt) 2018-10-16 2019-10-16 Método para automação de teste de resolução em imagens digitais

Country Status (2)

Country Link
BR (1) BR102018071293A2 (pt)
WO (1) WO2020077426A1 (pt)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100086182A1 (en) * 2008-10-07 2010-04-08 Hui Luo Diagnostic image processing with automatic self image quality validation
US7729524B2 (en) * 2005-04-15 2010-06-01 Carestream Health, Inc. Assessment of radiographic systems and operators using task-based phantom
US20170039706A1 (en) * 2014-03-04 2017-02-09 The Trustees Of Columbia University In The City Of New York Regularization of images
US9916525B2 (en) * 2015-10-13 2018-03-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7729524B2 (en) * 2005-04-15 2010-06-01 Carestream Health, Inc. Assessment of radiographic systems and operators using task-based phantom
US20100086182A1 (en) * 2008-10-07 2010-04-08 Hui Luo Diagnostic image processing with automatic self image quality validation
US20170039706A1 (en) * 2014-03-04 2017-02-09 The Trustees Of Columbia University In The City Of New York Regularization of images
US9916525B2 (en) * 2015-10-13 2018-03-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAMOS, J. E. ET AL.: "Automation of the ACR MRI Low-Contrast Resolution Test Using Machine Learning", EM: 2018 11TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI, 13 October 2018 (2018-10-13), pages 1 - 6, XP033511679, DOI: 10.1109/CISP-BMEI.2018.8633140 *

Also Published As

Publication number Publication date
BR102018071293A2 (pt) 2020-04-28

Similar Documents

Publication Publication Date Title
Mortamet et al. Automatic quality assessment in structural brain magnetic resonance imaging
US11116471B2 (en) Methods and apparatus for extended low contrast detectability for radiographic imaging systems
Rose et al. Efficient method for volumetric assessment of peak blood flow velocity using 4D flow MRI
Tucholka et al. An empirical comparison of surface-based and volume-based group studies in neuroimaging
JP4469594B2 (ja) 疾患関連組織変化を測定するシステム
JP4402436B2 (ja) 気道測定のための方法及びシステム
CN106688014B (zh) 用于确定放射摄影图像的图像质量的设备和方法
CN111933273A (zh) 基于人工智能的帕金森病诊断装置及方法
Ding et al. Reproducible automated breast density measure with no ionizing radiation using fat‐water decomposition MRI
Gedamu et al. Automated quality control of brain MR images
Vos et al. Multi-fiber tractography visualizations for diffusion MRI data
Hans et al. Comparison of three-dimensional visualization techniques for depicting the scala vestibuli and scala tympani of the cochlea by using high-resolution MR imaging
George‐Jones et al. Automated detection of vestibular schwannoma growth using a two‐dimensional U‐Net convolutional neural network
Gooijers et al. White matter organization in relation to upper limb motor control in healthy subjects: exploring the added value of diffusion kurtosis imaging
Eck et al. Prospective evaluation of repeatability and robustness of radiomic descriptors in healthy brain tissue regions in vivo across systematic variations in T2‐weighted magnetic resonance imaging acquisition parameters
Gibson et al. 3D prostate histology reconstruction: An evaluation of image‐based and fiducial‐based algorithms
Crombé et al. Assessment of repeatability, reproducibility, and performances of T2 mapping‐based radiomics features: a comparative study
Geng et al. Automated MR image prescription of the liver using deep learning: Development, evaluation, and prospective implementation
KR102144720B1 (ko) 기계 학습을 통해 분류된 나이그로좀 1 영역과 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단을 위한 정보제공 방법
KR102144719B1 (ko) 복수의 학습 모델에 의한 다중 예측 결과를 이용하는 인공지능 기반 파킨슨 병 진단 장치 및 방법
Soliman et al. A realistic phantom for validating MRI‐based synthetic CT images of the human skull
Tan et al. Denoising and Multiple Tissue Compartment Visualization of Multi‐b‐Valued Breast Diffusion MRI
Vaishnav et al. CT metal artifact reduction algorithms: toward a framework for objective performance assessment
Digma et al. Correcting B 0 inhomogeneity-induced distortions in whole-body diffusion MRI of bone
Pinto Pereira et al. Automated registration of diagnostic to prediagnostic x‐ray mammograms: Evaluation and comparison to radiologists’ accuracy

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19872983

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19872983

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19872983

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS (EPO FORM 1205A DATED 11.11.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19872983

Country of ref document: EP

Kind code of ref document: A1