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

• Ano de defesa: 2025
• Autor(a) principal: Vian, Alice Bordignon
• Orientador(a): Recamonde-Mendoza, Mariana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Inteligência artificial; Aprendizado de máquina; Ressonância magnética; Imagem : qualidade
• Palavras-chave em Inglês: Magnetic resonance imaging; Medical image quality; Model interpretability
• Link de acesso: http://hdl.handle.net/10183/293170

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.