Desarrollo de un método de control de calidad de imágenes de RMN cerebral usando Deep learning

Abstract

[ES] En medicina, se utilizan imágenes Resonancia Magnética Nuclear para obtener información volumétrica de las distintas partes del cuerpo humano. Para obtener esta información se han desarrollado sistemas informáticos basados en inteligencia artificial (como las redes neuronales), que extraen esta información de forma automática a partir de grandes bases de datos de imagen etiquetadas. Uno de los problemas es que entre esas imágenes de entrenamiento en ocasiones hay algunas de mala calidad que no sirven para entrenar la red, y el gran número de datos hace que filtrarlas manualmente lleve a gastar una enorme cantidad de tiempo en esta tarea. Este proyecto consiste en la creación de una herramienta que facilite y automatice este proceso de control de calidad de imagen. La herramienta tiene que ser capaz de identificar en una gran cantidad de imágenes pasadas por el usuario, en este caso RMN cerebrales, las imágenes de buena calidad y de mala calidad separando unas de otras con la mayor cantidad de aciertos posible. Para la implementación se usan tecnologías de aprendizaje profundo (Deep Learning). Finalmente, el problema se ha dividido en dos etapas, un primer acercamiento simplificado con imágenes de 2 dimensiones un segundo acercamiento más complejo usando las imágenes originales en 3 dimensiones.

[EN] In medicine, Nuclear Magnetic Resonance images is used to obtain volumetric information from different parts of the human body. To obtain this information, computer systems based on artificial intelligence (such as neuronal networks) have been developed, which automatically extract this information from large tagged image databases. One of the problems is that among those training images sometimes there are some of bad quality that are not useful to train the network, and the large number of data makes that filtering them manually leads to spend a huge amount of time in this task. This project consists on the creation of a tool that facilitates and automates this image quality control process. The tool must be able to identify in a big data base of images passed by the user, in this case brain MRI, the images of good quality and bad quality, separating them from each other with as many hits as possible. Deep Learning technologies are used for the implementation. Finally, the problem has been divided into two stages, a first simplified approach with 2-dimensional images and a second more complex using the original 3-dimensional images.