Исследование возможностей алгоритмов автоматизированного контроля качества DICOM-метаданных рентгенографических исследований органов грудной клетки

Цель исследования: оценить качество заполнения DICOM-тегов, отвечающих за ориентацию, область сканирования и цветовую интерпретацию изображения, а также разработать и протестировать алгоритмы автоматического определения истинных значений данных тегов для рентгенограмм (РГ) и флюорограмм органов грудной клетки (ОГК).

Материал и методы. Для оценки качества заполнения DICOM-тегов было использовано 1885 исследований, полученных из Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы города Москвы (ЕРИС ЕМИАС). Для обучения и валидации алгоритмов автоматического определения истинных значений тегов использовались наборы РГ ОГК в стандартных прямой и боковой проекциях, взятые из ряда открытых источников, а также из ЕРИС ЕМИАС общим объемом 12920 исследований. Основой для создания алгоритмов выбрана глубокая нейросетевая архитектура VGG19.

Результаты. Выявлено, что частота пропущенных значений в DICOM-тегах может составлять от 6 до 75% в зависимости от тега. При этом в заполненных значениях тегов встречается до 70% ошибок. Были построены модели: модель определения анатомической области рентгенографического исследования, модель определения проекции на РГ ОГК, модель определения фотометрической интерпретации изображения. Все полученные алгоритмы имеют высокие показатели качества классификации. AUC для каждой из полученных моделей составила более 0,99.

Заключение. Наше исследование показывает, что большое количество исследований на потоке содержит некорректные значения DICOM-тегов, что может критически сказываться на внедрении программного обеспечения (ПО) на основе технологии искусственного интеллекта в клиническую практику. Разработанные нами алгоритмы могут быть встроены в процесс разработки такого ПО, а также использоваться при предобработке изображений перед их анализом.

1. McDonald R.J., Schwartz K.M., Eckel L.J. et al. The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad. Radiol. 2015; 22 (9): 1191–1198. https://doi.org/10.1016/j.acra.2015.05.007

2. van Leeuwen K.G., de Rooij M., Schalekamp S. et al. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatr. Radiol. 2022; 52 (11): 2087–2093. https://doi.org/10.1007/s00247-021-05114-8

3. Chetlen A.L., Chan T.L., Ballard D.H. et al. Addressing Burnout in Radiologists. Acad. Radiol. 2019; 26 (4): 526–533. https://doi.org/10.1016/j.acra.2018.07.001

4. Hosny A., Parmar Ch., Quackenbush J. et al. Artificial intelligence in radiology. Nat. Rev. Cancer. 2018; 18 (8): 500–510. https://doi.org/10.1038/s41568-018-0016-5

5. Rubin D.L. Artificial Intelligence in Imaging: The Radiologist’s Role. J. Am. Coll. Radiol. 2019; 16 (9): 1309–1317. https://doi.org/10.1016/j.jacr.2019.05.036

6. Savadjiev P., Chong J., Dohan A. et al. Demystification of AI-driven medical image interpretation: past, present and future. Eur. Radiol. 2019; 29 (3): 1616–1624. https://doi.org/10.1007/s00330-018-5674-x

7. Acosta J.N., Falcone G.J., Rajpurkar P. The Need for Medical Artificial Intelligence That Incorporates Prior Images. Radiology. 2022; 304 (2): 283–288. https://doi.org/10.1148/radiol.212830

8. Павлов Н.А., Андрейченко А.Е., Владзимирский А.В., Ревазян А.А., Кирпичев Ю.С., Морозов С.П. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике. Dig. Diagn. 2021; 2 (1): 49–66. https://doi.org/10.17816/DD60635

9. Willemink M.J., Koszek W.A., Hardell C. et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020; 295 (1): 4–15. https://doi.org/10.1148/radiol.2020192224

10. Park S.H., Han K. Methodologic Guide for Evaluating Clinical Performance and Effect of Artificial Intelligence Technology for Medical Diagnosis and Prediction. Radiology. 2018; 286 (3): 800–809. https://doi.org/10.1148/radiol.2017171920

11. European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. Insights. Imaging. 2019; 10 (1): 44. https://doi.org/10.1186/s13244-019-0738-2

12. Борисов А.А., Семенов С.С., Арзамасов К.М. Использование трансферного обучения для автоматизированного поиска дефектов на рентгенограммах органов грудной клетки. Медицинская визуализация. 2023; 27 (1): 158–169. https://doi.org/10.24835/1607-0763-1243

13. Juszczyk J., Badura P., Czajkowska J. et al. Automated size-specific dose estimates using deep learning image processing. Medical Image Analysis. 2021; 68: 101898. https://doi.org/10.1016/j.media.2020.101898

14. Keshavamurthy K.N., Elnajjar P., El-Rowmeim A. et al. Application of Deep Learning Techniques for Characterization of 3D Radiological Datasets – A Pilot Study for Detection of Intravenous Contrast in Breast MRI. Proc. SPIE Int. Soc. Opt. Eng. 2019; 10954: 109540X. https://doi.org/10.1117/12.2513809

15. DICOM standart // URL: https://www.dicomstandard.org/ (дата обращения 10.01.2023)

16. CheXpert Dataset //URL: https://stanfordmlgroup.github.io/competitions/chexpert/ (дата обращения 23.12.2022)

17. Chest X-rays dataset // URL: https://www.kaggle.com/datasets/raddar/chest-xrays-indiana-university (дата обращения 26.12.2022)

18. Chest X-Ray Images (Pneumonia)// URL: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (дата обращения 20.12.2022)

19. NIH ChestX-ray14 //URL: https://nihcc.app.box.com/v/ChestXray-NIHCC (дата обращения 20.12.2022)

20. Han B., Du J., Jia Y. et al. Zero-Watermarking Algorithm for Medical Image Based on VGG19 Deep Convolution Neural Network. J. Healthc. Eng. 2021; 2021: 5551520. https://doi.org/10.1155/2021/5551520

21. Karacı A. VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm. Neural. Comput. Appl. 2022; 34 (10): 8253–8274. https://doi.org/10.1007/s00521-022-06918-x

22. ROC-инструмент ГБУЗ НПКЦ ДиТ ДЗМ // URL: https://roc-analysis.mosmed.ai/

23. Mustra M., Delac K., Grgic M. et al. Overview of the DICOM standard. ELMAR, 2008. 50th International Symposium. Zadar, Croatia: 39–44. ISBN 978-1-4244-3364-3

24. Gueld M.O., Kohnen M., Keysers D. et al. Quality of DICOM header information for image categorization. Proc. SPIE 4685. Medical Imaging 2002: PACS and Integrated Medical Information Systems: Design and Evaluation. https://doi.org/10.1117/12.467017

25. Santosh K.C., Wendling L. Angular relational signature-based chest radiograph image view classification. Med. Biol. Eng. Comput. 2018; 56 (8): 1447–1458. https://doi.org/10.1007/s11517-018-1786-3

26. Urinbayev K., Orazbek Y., Nurambek Y. et al. End-to-End Deep Diagnosis of X-ray Images. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) in conjunction with the 43rd Annual Conference of the Canadian Medical and Biological Engineering Society. https://doi.org/10.1109/EMBC44109.2020.9175208