Explorando aprendizado supervisionado para avaliar a influência de parâmetros de aquisição na qualidade de imagens de ressonância magnética: um estudo de caso com metadados DICOM reais

Abstract

A inteligência artificial (IA), especialmente através do Aprendizado de Máquina (ML), tem se tornado cada vez mais presente na prática de diversos serviços, incluindo a otimização do processo de reconstrução de imagens adquiridas por protocolos de ressonância magnética (RM). Em exames de imagem médica, como a RM, detalhes sutis podem ser determinantes para um diagnóstico preciso. Assim, a otimização dos protocolos de aquisição é fundamental para reduzir o tempo de exame e/ou melhorar a qualidade das imagens, exigindo monitoramento e aprimoramento contínuos. O controle de qualidade em serviços de RM é tradicionalmente realizado por físicos médicos, que deveriam conduzir essa otimização. No entanto, a alta demanda pelo uso dos equipamentos e a grande variedade de protocolos tornam essa tarefa desafiadora e, muitas vezes, inviável na prática hospitalar. Por isso, a literatura sugere que tecnólogos participem desse processo, idealmente sob a supervisão dos físicos médicos. Diante dessas dificuldades e do potencial do ML na otimização de protocolos radiológicos, este trabalho desenvolve e avalia uma abordagem baseada em ML para avaliar a influência de parâmetros de aquisição em imagens de RM. Para isso, são explorados os metadados das imagens DICOM, que contêm informações extraídas diretamente da prática dos exames. Foram geradas quatro bases de dados de exames de coluna por RM, com um atributo-alvo correspondente à classificação binária da qualidade da imagem (boa ou ruim). Cinco modelos treinados com ML super visionado foram utilizados para analisar as tendências dos parâmetros de aquisição em relação à qualidade da imagem, com base na teoria da RM. Essas tendências foram exa minadas por meio dos gráficos SHAP dos modelos treinados. Os modelos apresentaram desempenho F1 entre 77% e 83% em bases de dados com 292 instâncias ou mais, e as tendências identificadas mostraram coerência com os princípios teóricos. Os resultados indicam que a abordagem proposta reflete a realidade prática do serviço, oferecendo uma ferramenta capaz de auxiliar os físicos médicos no controle de qualidade da RM. Dessa forma, reforça-se a premissa de que o uso de ML pode contribuir para um processo mais eficiente e padronizado na otimização dos protocolos de RM.

Artificial intelligence (AI), primarily through machine learning (ML) algorithms, has be come increasingly present in various services, including the optimization of image recon struction processes in magnetic resonance imaging (MRI) protocols. In medical imaging exams such as MRI, subtle details can be crucial for an accurate diagnosis. Therefore, optimizing acquisition protocols is essential to reduce examination time and/or improve image quality, requiring continuous monitoring and improvement. Quality control in MRI services is traditionally performed by medical physicists, who should oversee this opti mization. However, the high demand for MRI equipment use and the wide variety of protocols make this task challenging and, in many cases, impractical in hospital settings. Consequently, the literature suggests that technologists should participate in this process, ideally under the supervision of medical physicists. Given these challenges and the po tential of ML in optimizing radiology protocols, this study develops and evaluates an ML-based approach to evaluate the influence of acquisition parameters on MRI. To this end, the study explores DICOMimagemetadata, which contains information dynamically extracted from real-world MRI examinations. Four MRI spine examination datasets were generated, with a target variable representing a binary image quality classification (good or poor). Five ML algorithms were employed to analyze trends in acquisition parame ters concerning image quality, based on MRI theory. These trends were examined using SHAP plots of the trained models. The models achieved F1 scores ranging from 77% to 83% for datasets with at least 292 instances, and the identified trends were consistent with theoretical principles. The results indicate that the proposed approach reflects the practical reality of MRI services, providing a tool capable of assisting medical physicists in quality control. Thus, ML can contribute to a more efficient and standardized process for optimizing MRI protocols.