Metodi di visione artificiale per la calibrazione automatica dei volumi nelle immagini mediche di risonanza magnetica

Abstract

La calibrazione del volume della risonanza magnetica (MRI), che definisce la regione di scansione 3D, attualmente dipende dall'operatore e richiede molto tempo (circa 30 secondi). Questa operazione viene a partire da tre ricostruzioni planari di risonanza magnetica acquisite nei piani sagittale, coronale e assiale. Questa ricerca studia una pipeline di calibrazione automatica della risonanza magnetica MRI automatizzata utilizzando il deep learning e il transfer learning, che può migliorare l'efficienza la standardizzazione del flusso di lavoro. La metodologia esplora diverse architetture per localizzare con precisione punti di riferimento anatomici nelle immagini di scout MRI. L'apprendimento per trasferimento viene sfruttato per superare i problemi dati dai scarsi dati di formazione medica. Il modello viene preaddestrato su immagini naturali e poi messo a punto su serie di dati di imaging medico. In questo modo è possibile trasferire caratteristiche visive generiche alle immagini mediche. Ulteriori vantaggi si ottengono combinando l'apprendimento per trasferimento tra più compiti di imaging medico, consentendo l'apprendimento di caratteristiche multi-task. La pipeline ottimizzata con l'apprendimento per trasferimento è stata convalidata su scansioni di risonanza magnetica reali, dimostrando il potenziale per la calibrazione automatizzata nonostante i dati limitati. In sintesi, questa ricerca propone una di calibrazione della risonanza magnetica utilizzando il deep learning e il transfer learning per aumentare le prestazioni, ridurre il carico di lavoro e migliorare la standardizzazione.

Magnetic resonance imaging (MRI) volume calibration, which defines the 3D scan region, is currently operator-dependent and time-consuming (approximately 30 seconds). This is done starting from three planar magnetic resonance reconstructions acquired in the sagittal, coronal, and axial planes. This research investigates an automated MRI calibration pipeline using deep learning and transfer learning, which can improve workflow efficiency and standardization. The methodology explores various architectures to accurately locate anatomical landmarks in MRI scout images. Transfer learning is leveraged to overcome scarce medical training data. The model is pretrained on natural images then fine-tuned on available medical imaging datasets. This allows transferring generic visual features and adapting to medical images. Additional gains are realized by combining transfer learning across multiple medical imaging tasks, enabling multi-task feature learning. The optimized pipeline with transfer learning is validated on real MRI scans, showing potential for automated calibration despite limited data. In summary, this research proposes an automated MRI calibration pipeline using deep learning and transfer learning to boost performance, reduce workload, and enhance standardization.