Riconoscimento degli Artefatti nelle MRI

I grandi dataset di immagini mediche stanno diventando uno standard, ma resta una sfida cruciale: garantire che ogni scansione MRI sia di qualità sufficiente, senza artefatti che possano compromettere le successive analisi o il percorso diagnostico.

Motivazioni & Obiettivi

• Automatizzare il controllo qualità delle immagini MRI, riducendo il lavoro manuale e i bias soggettivi.
• Superare la scarsità di dati reali affetti da artefatti attraverso il data augmentation sintetico, abilitato da simulatori basati sulla fisica dell’MRI.
• Fornire strumenti rapidi, efficienti e affidabili — a supporto di pipeline cliniche high-throughput.

Metodi

• Generatori di artefatti ispirati alla fisica della risonanza magnetica (MRI) per simulare errori, distorsioni e rumore su immagini cerebrali.
• Estrazione di feature astratte e ingegnerizzate, capace di descrivere compattamente le immagini e facilitare la classificazione degli artefatti.
• Selezione automatica delle feature specifica per ciascun tipo di artefatto, ottenendo il massimo potere discriminativo per la detection multisito/multiscanner.
• Classificatori SVM robusti, addestrati su feature selezionate, per identificare automaticamente nove tipologie di artefatto MRI.

Novità & Contributi

• Generatori di artefatti fisici per ampliare enormemente i dataset, rendendo meno essenziale la raccolta manuale di casi rari.
• Definizione e validazione di un pool ampio di feature per la detection di nove classi di artefatti nell’MRI strutturale.
• Modulo di feature selection specifico per artefatto — ottimizzazione “classe per classe”.

Risultati & Validazione

• Performance valutate su database misti (artefatti sintetici e trial clinico su sclerosi multipla con label esperti): fino a +12,5 punti percentuali di incremento in accuratezza, F1, F2, precisione e richiamo rispetto ai metodi convenzionali.
• Pipeline computazionalmente leggera: <1 secondo a scansione, ideale per implementazione real-time in reparti clinici e grandi biobanche.

Articoli Scientifici Correlati

• An efficient semi-supervised quality control system trained using physics-based MRI-artefact generators and adversarial training
  arXiv preprint arXiv:2206.03359 (2022)
  PubMed
  Autori: Daniele Ravi, Frederik Barkhof, Daniel C. Alexander, Lemuel Puglisi, Geoffrey JM Parker, Arman Eshaghi (per ADNI)

Codice Repository

• Automatic Quality Control (artifact generator, SVM, feature selection): daniravi/automatic-quality-control
  Principali componenti: src/qcs/artefacts/ (generatori artefatti), src/qcs/feature_extraction.py (feature), src/qcs/feature_selection.py

Team & Autori