Radiological quality assurance in digital chest x-ray imaging

Abstract

Casi el 30% de las radiografías tomadas en todo el mundo nunca son vistas por un radiólogo cualificado, lo que supone una enorme disminución en la salud de las personas. Este valor aumenta constantemente con el tamaño de la población, y debe ser contenido. La inteligencia artificial se ha acercado a este problema de varias maneras, pero aún carece de la capacidad de mejorar la calidad y la eficiencia del trabajo del médico radiólogo. En el siguiente documento, desarrollamos un sistema basado en IA para determinar los estándares de calidad en imágenes de rayos X de tórax. Para ello, estudiamos los estándares médicos de calidad de imagen, determinando un sistema de garantía de calidad en dos pasos. Dado que la calidad de la imagen médica de rayos X de tórax depende de las estructuras semánticamente visibles presentes en la cavidad torácica, primero estudiamos múltiples variaciones de modelos U-Net para la segmentación estructural, seguido de la evaluación de técnicas de image processing basadas en la pre-segmentación de órganos para la determinación de la calidad. Dentro del estudio de modelos de visión por computador, se ha demostrado que las capas atencionales mejoran el rendimiento, permitiendo al modelo ``elegir dónde ver'', aumentando la eficiencia y reduciendo el número de imágenes necesarias en el momento del entrenamiento. Para ello, se estudian varias arquitecturas estado-del-arte de segmentación de rayos X de tórax, basadas en U-Net y modificadas con mecanismos attencionales, presentando técnicas convolucionales, atencionales y mixtas para la resolución del problema propuesto. Estos modelos son entrenados y evaluados sobre cuatro datasets públicos independientes, siendo estos, los datasets correspondientes a: Montgomery County, Shenzhen Tuberculosis, JSRT y VinDr-RibCXR. Para la determinación de la calidad radiológica, se aplican algoritmos de image processing a las segmentaciones dadas, los cuales permiten la definición de ciertas métricas de calidad en cada una de las áreas definidas. Como resultado, se observa una mejora en el rendimiento, precisión y robustez de los modelos de segmentación presentados, junto con una disminución en el número de imágenes necesarias para entrenar estos sistemas. Esta mejora se observa en hasta un 6,4% de incremento en el valor DICE respecto al modelo U-Net entrenado en 222 imágenes de entrenamiento y un 2,9% de incremento para 610 imágenes, mostrando resultados aceptables en la calidad, siendo 48%, 23% y 22% de accuracy para las categorías respectivas.