Classificazione automatica degli artefatti in immagini MRI di fantoccio mediante tecniche di machine learning e deep learning

Abstract

Garantire un rigoroso controllo qualità (QC) nelle apparecchiature di Risonanza Magnetica (MRI) è fondamentale per prevenire errori diagnostici. In collaborazione con ASG Superconductors S.p.A., questa tesi sviluppa un framework computazionale automatizzato per classificare la gravità degli artefatti nelle immagini MRI di fantocci.L'obiettivo principale è automatizzare il rilevamento di artefatti strumentali (ripetizioni di doppi bordi e banding periodico dovuti ad alterazioni di fase nello spazio k), eliminando l'ispezione manuale soggettiva. Il dataset comprende 2306 scansioni DICOM suddivise in quattro classi ordinali di qualità (da 0 a 3), valutate rispetto a un "ground truth" basato sul consenso di esperti.Le immagini grezze a 12-bit sono state convertite a 8-bit e segmentate tramite operatori morfologici per isolare una ROI periferica. Sono stati estratti descrittori multidominio (texture GLCM, gradienti spaziali Sobel e frequenze FFT 2D), utilizzati per addestrare un Random Forest, confrontato parallelamente con un modello di Deep Learning end-to-end (ResNet-18) su un test set comune (N=462).Entrambi i modelli hanno azzerato i falsi negativi critici (da Classe 0 a 3). Tuttavia, la ResNet-18 ha ottenuto prestazioni superiori: 74% di Accuratezza e un QWK eccezionale di 0,85 (accordo quasi perfetto), superando il Random Forest (67%, QWK 0,79). La superiorità statistica è stata confermata dal test di McNemar (Pvalue < 0,05) e dal bootstrap appaiato (Delta QWK = +0,07, IC al 95% [0,0260, 0,1145]). Infine, l'applicazione preliminare in ASG Superconductors S.p.A ne ha validato l'efficacia nel monitorare i cambiamenti di taratura pre e post-processo nel giro di soli pochi minuti.

Ensuring rigorous quality control (QC) in MRI equipment is crucial to prevent misdiagnoses. In collaboration with ASG Superconductors S.p.A., this thesis develops an automated framework to classify artifact severity in phantom MRI images.The goal is to automate the detection of instrumental artifacts, repetitive double edges and periodic banding from phase alterations, eliminating subjective manual inspection. The dataset comprises 2306 DICOM scans across four ordinal quality classes (0 to 3), evaluated against an expert consensus ground truth.Raw 12-bit images underwent 8-bit quantization and morphological ROI segmentation to isolate peripheral boundaries. Multidomain features(GLCM textures, Sobel spatial gradients, and 2D-FFT frequencies) were extracted and fed into a Random Forest classifier. Concurrently, an end-to-end Deep Learning model (ResNet-18) was trained on a shared test set (N=462). Both models eliminated critical false negatives (Class 0 to 3). However, ResNet-18 achieved superior results: 74% Accuracy and an exceptional Quadratic Weighted Kappa (QWK) of 0.85, outperforming Random Forest (67% accuracy, 0.79 QWK). Statistical superiority was confirmed via McNemar's test (Pvalue < 0.05) and paired bootstrap analysis (Delta QWK = +0.07, 95% CI [0.0260, 0.1145]).Finally, deployment at ASG Superconductors S.p.A. validated its effectiveness in monitoring pre- and post-calibration shifts in only few minutes.