Dados do Trabalho

Título

Analysis of the calibration of magnetic resonance equipment through the application of Deep Learning on phantom images

Descrição sucinta do(s) objetivo(s)

O objetivo deste trabalho é a aplicação de uma rede Deep Learning (DL) para a análide das imagens de phantom, durante e após a calibração do equipamento de Ressonância Magnética (RM), previamente classificadas por um especialista em equipqmentos de RM e a comparação deste processo com o processo utilizado até hoje que faz a simples relação matemática da intensidade de sinal e a intensidade de ruído externo à imagem, denominado Signal to Noise Relation (SNR).

Material(is) e método(s)

Foram utilizados para este trabalho, imagens de phantom de ressonância de extremidades de 1.0T distintas, coletadas atrávés de um único protocolo de calibração denominado Daily Quality Assurance (DQA) em equipamentos estando calibrados e também sem estar completamente calibrados. Estas imagens foram analisadas por um especialista e pela rede de poucas amostras Few-Shot-Learning (FSL). Optou-se por FSL devido ao fato que durante a calibração do equipamento, geralmente são geradas muito poucas imagens.

Resultados e discussão

Como esperado, os resultados para 2 ou mais imagens de suporte são superiores de quando apenas uma imagem de suporte é utilizada, quando a acurácia de teste foi de 0,65% +/- 0,15%.
Para duas imagens de suporte a acurácia de teste foi de 0,77 % +/- 0,19%. Notou-se que para 3 ou mais imagens de suporte, o resultado permaneceu o mesmo com 0,97 % +/-0,04583% de assertividade.

Conclusões

A base de imagens utilizada para o estudo foi de 53 imagens, e os resultados obtidos foram extremamente satisfatórios principalmente para 3 ou mais imagens de teste. Como verificado, o uso do Few Shot Leraning e SNR na analise das imagens de phantom, garantem uma confiabilidade muito maior na avaliação da qualidade da calibração do equipamento, permitindo que o equipamento realize exames, apenas após ser aprovado pelos dois processos de avaliação da qualidade de calibração do equipamento (FSL + SNR). O processo de Few Shot Learning além de resultados proeminentes, levou em considração a geometria, posicionamento, artefatos, analisando a imagem de Phantom de uma forma completa.
A resposta deste trabalho apresentou uma melhor acurácia se comparado com o processo de (PCA+MLDA) apresentado por em 2021 considerando também poucas imagens.

Palavras Chave

FSL; SNR; INTELIGÊNCIA ARTIFICIAL

Arquivos

Área

Física/ Controle de Qualidade