Az orvosi képalkotó eljárásokkal készült felvételek elemzésében egyre nagyobb szerepet kapnak a mesterséges intelligencián alapuló megoldások. Ezek a rendszerek segíthetik a klinikai döntéshozatalt és az orvosbiológiai kutatásokat egyaránt. Mind a tudományos kutatások, mind a klinikai alkalmazások szempontjából kiemelkedő fontosságú az elkészült felvételek minőség-ellenőrzése. Az MRI felvételek minőség-ellenőrzésének automatizálása jelentős idő- és pénzmegtakarítást eredményezhet, és egyben növelheti az eredmények megbízhatóságát.

A legkorszerűbb képfelismerő technológiák mélytanuláson alapuló mesterséges neurális hálózatokat alkalmaznak a felvételek elemzésére. Az MR képminőség-ellenőrzés területén azonban nehézséget jelent az, hogy többnyire nem áll rendelkezésre kellő mennyiségű, szakértők által értékelt felvétel, mely lehetővé tenné az ilyen komplex hálózatok eredményes tanítását és alkalmazást. Ilyen adathiányos környezetben neurális hálózatok helyett az előre meghatározott képi jellemzőkön alapuló hagyományos gépi tanulási módszerek állnak rendelkezésre segítségül. Ugyanakkor ezeknek a módszereknek a hátránya, hogy esetükben a képi jellemző kinyerése meglehetősen hosszú időt vesz igénybe, szemben a neurális hálózatokkal, melyek akár a másodperc tört része alatt is képesek döntést hozni a felvételről.

Jelen kutatásban egy szisztematikus összehasonlító vizsgálat keretén belül a TTK Agyi Képalkotó Központ kutatói arra keresték a választ, hogy a standard képi jellemzőkön alapuló gépi tanulási modellek teljesítménye mennyire közelíthető mélytanulási módszerekkel.

A vizsgálatban publikusan hozzáférhető és saját gyűjtésű agyi képalkotási adatokat használtak fel. A képek minőségét egy radiológus szakértőkből álló csoport értékelte a klinikai diagnosztikai célú felhasználhatóság szempontjából. Sikerült kidolgozni egy alacsony komplexitású mesterséges neurális hálózatot, ami a szakértői minősítések alapján megtanulta a felvételeketet osztályozni aszerint, hogy azok alkalmasak-e az agyi elváltozások azonosítására vagy sem. A hálózat a tesztelés során kiemelkedően jó, 94% fölötti pontossággal osztályozta a korábban még nem látott felvételeket. Hasonló osztályozási teljesítményt sikerült elérniük a származtatott képi jellemzőket használó klasszikus gépi tanulási modellekkel ugyanebben a feladatban. Az egész tudományterület szempontjából kiemelt jelentőséggel bír, hogy a kutatások eredményeként sikerült igazolni  a mélytanuláson alapuló módszerek alkalmasságát az agyi MR felvételek minőségének gyors,  klinikai szempontból történő kiértékelésére. A kidolgozott mélytanulási modell ígéretes új lehetőségeket nyújt a minőség-ellenőrzés automatizálásához az orvosi képalkotás további területein, elősegítve ezzel a hatékony klinikai döntéshozatalt.

A TTK Agyi Képalkotó Központ GINOP és ERANET (GINOP-2.2.1-18-2018-00001, 2019-2.1.7-ERA-NET-2020-00008) pályázatainak támogatásával elért eredményei a terület legrangosabb folyóiratában, a Medical Image Analysis-ban kerültek közlésre.

Pál Vakli*, Béla Weiss*, János Szalma, Péter Barsi, István Gyuricza, Péter Kemenczky, Eszter Somogyi, Ádám Nárai, Viktor Gál, Petra Hermann, Zoltán Vidnyánszky, 2023. Automatic brain MRI motion artifact detection based on end-to-end deep learning is similarly effective as traditional machine learning trained on image quality metrics. Medical Image Analysis, https://doi.org/10.1016/j.media.2023.102850