Kunstig intelligens i bilderekonstruksjonsprosessen ved MR

Abstract

Introduksjon: Sykehuset på Hamar har fått en ny MR-maskin. I forbindelse med testing av AI-bilderekonstruksjon på MS-pasienter utviklet det seg en bekymring for om den påvirket kontrasten og hva man så i bildet. Problemstilling: Hensikten med denne oppgaven er å finne ut i hvilken grad AI-bilderekonstruksjon påvirker bildekvaliteten på MR-bildene i forhold til høykontrastoppløsning, lavkontrast detekterbarhet og homogenitet? Metode: For å svare på problemstillingen har vi benyttet oss av en kvantitativ metode hvor vi samlet inn data ved hjelp av et ACR-fantom. Opptakene besto av en turbo-spinn-ekko sekvens i T1 og T2, da det er i disse sekvensene AI-bilderekonstruksjon blir brukt. Så rekonstruerte vi bildene uten AI-påvirkning og med ulik styrke av AI-påvirkningen. Støyreduserende påvirkning fra 1-8 og forbedring av skarpheten fra 1-5, til sammen 82 serier. Deretter analyserte vi seriene ved hjelp av ACR-guiden for høykontrast, lavkontrast og homogenitet. Høykontrasttesten og lavkontrasttesten gjorde vi hver for oss, mens vi samarbeidet om homogenitetstesten. Vi har også sett på pasientbilder av MS med og uten AI-påvirkning. Resultat: Alle seriene bestod ACR-testen og vi så ingen forskjeller mellom seriene med AI-påvirkning og de uten. Vi oppdaget heller ingen forskjell mellom seriene når en serie har blitt påvirket i sterk grad i forhold til liten grad av AI-påvirkning. På pasientbildene observerte vi at teksturen endret seg, man så flere detaljer i bildene og det påvirket hvordan plakkene kan oppfattes med AI-rekonstruksjon. Konklusjon: Etter å ha utført de tre ACR-testene og sett på pasientbilder konkluderer vi med at AI-bilderekonstruksjon ikke påvirker bildekvaliteten i forhold til høykontrast, lavkontrast og homogenitet på fantom. På pasientbildene så vi endringer og anbefaler at man tar hensyn til hvordan algoritmene oppfører seg og blir vant til en ny måte å tolke MS-bilder på.

Introduction: The hospital in Hamar has received a new MRI machine. During testing of the new AI on MS-images, a concern developed as to whether the AI affected the contrast and what was seen in the image. Objective: The purpose of this bachelor’s thesis is to find out to what extent AI image reconstruction affects the image quality of the MRI images in relation to high-contrast spatial resolution, low-contrast object detectability and image uniformity? Methods: We used a quantitative method where we collected data using an ACR phantom. The image acquisition consisted of a turbo spin-echo sequence in T1 and T2, as it is in these sequences AI image reconstruction is used. Then we reconstructed the images without AI influence and with different strength levels of AI influence. Noise reducing strength from 1-8 and enhancement level from 1-5, a total of 82 series. We then analyzed the series using the ACR guide for high-contrast spatial resolution, low-contrast object detectability and image uniformity. We did the high-contrast spatial resolution and low-contrast object detectability test separately, while we collaborated on the image uniformity test. We have also studied images of MS-patients with and without AI influence. Results: All series passed the ACR-test and we saw no differences between the series with AI influence and those without. We also did not detect any difference between the series when a series has been strongly influenced in relation to a small impact of AI influence. In the patient images, we observed that the image texture changed, more details were seen in the images and it affected how the plaques can be perceived with AI reconstruction. Conclusion: After performing the three ACR tests and looked at images of pasients, we conclude that AI image reconstruction does not affect the image quality in relation to high-contrast spatial resolution, low-contrast object detectability and image uniformity of phantom. In the patient images, we saw changes and recommend that radiologists take into account how the algorithms work and get used to a new way of interpreting MS-images.