A carregar...
Publicação
Sistema automático de análise da qualidade técnica da radiografia frontal do tórax
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.37 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A radiografia do tórax permanece uma pedra angular da imagiologia de diagnóstico em todo o mundo. A sua capacidade de fornecer informações diagnósticas críticas, especialmente nas patologias pneumológicas, combinada com a acessibilidade, relação custo-eficácia e resultados rápidos, realça o seu papel insubstituível nos cuidados de saúde globais. Na radiografia do tórax, o correto posicionamento do paciente e a desprojeção das omoplatas é essencial. A sobreposição aos pulmões pode ocultar detalhes cruciais, potencialmente enganadores para médicos novatos e estudantes de radiologia. Garantir uma técnica de aquisição de imagem clara é fundamental para a deteção precisa de anomalias pulmonares. Ao tirar partido das capacidades da inteligência artificial (IA), este projeto visa desenvolver um modelo para detetar e segmentar a sobreposição da omoplata ao pulmão na radiografia frontal do tórax. Recorreu-se ao dataset público de radiografia do tórax do NIH, onde os 28.868 pacientes únicos com imagens de radiografia do tórax foram pré-processados. Posteriormente, um modelo PSPNet pré-treinado da biblioteca Torchxrayvision phyton foi utilizado para segmentar as principais estruturas anatómicas identificadas num exame de radiografia do tórax frontal. O algoritmo detetou a omoplata em 99.8% dos exames, sendo que 40% apresentaram sobreposição da omoplata. Verificou-se uma relação linear moderada, R=0.673, p<0.05, entre os lados esquerdo e direito, sugerindo um aumento simultâneo nas percentagens de sobreposição. Conclui-se que algoritmo desenvolvido deteta com eficácia a sobreposição da omoplata nas imagens de radiografia do tórax frontal, tornando-o numa valiosa ferramenta educacional e de controlo de qualidade da imagem. A sua sobreposição, muitas vezes mínima, denota a importância crucial do rigor da técnica de posicionamento por parte dos técnicos superiores de radiologia.
ABSTRACT Chest x-ray remains a cornerstone of diagnostic radiology worldwide. Its ability to provide critical diagnostic information, especially on pneumological medical conditions, combined with its accessibility, cost-effectiveness, and rapid results, underscores its irreplaceable role in global healthcare. In a chest x-ray image, correct scapula positioning is essential. Overlapping with the lungs can hide crucial details, potentially misleading novice clinicians and radiography students. Ensuring a clear imaging technique is key for accurate lung anomaly detection. Leveraging AI’s capabilities, this project aims to develop a model to detect and segment the scapula-lung overlap in frontal chest x-rays. Using the NIH chest x-ray public dataset, the 28.868 unique patients with frontal chest x-ray images were pre-processed. Secondly, a pre-trained PSPNet model from Torchxrayvision phyton library was used to segment the principal anatomic structures identified in a chest x-ray frontal exam. The algorithm detected the scapula in 99.8% of exams, with 40% showing scapula overlay. A moderate linear relationship, R=0.673, p<0.05, exists between sides, suggesting a simultaneous increase in overlap percentages. The developed algorithm effectively detects scapula overlap in frontal X-ray images, making it valuable for educational and quality assessment tools. Overlap, often minimal, suggests crucial positioning technique consistency from radiographers.
ABSTRACT Chest x-ray remains a cornerstone of diagnostic radiology worldwide. Its ability to provide critical diagnostic information, especially on pneumological medical conditions, combined with its accessibility, cost-effectiveness, and rapid results, underscores its irreplaceable role in global healthcare. In a chest x-ray image, correct scapula positioning is essential. Overlapping with the lungs can hide crucial details, potentially misleading novice clinicians and radiography students. Ensuring a clear imaging technique is key for accurate lung anomaly detection. Leveraging AI’s capabilities, this project aims to develop a model to detect and segment the scapula-lung overlap in frontal chest x-rays. Using the NIH chest x-ray public dataset, the 28.868 unique patients with frontal chest x-ray images were pre-processed. Secondly, a pre-trained PSPNet model from Torchxrayvision phyton library was used to segment the principal anatomic structures identified in a chest x-ray frontal exam. The algorithm detected the scapula in 99.8% of exams, with 40% showing scapula overlay. A moderate linear relationship, R=0.673, p<0.05, exists between sides, suggesting a simultaneous increase in overlap percentages. The developed algorithm effectively detects scapula overlap in frontal X-ray images, making it valuable for educational and quality assessment tools. Overlap, often minimal, suggests crucial positioning technique consistency from radiographers.
Descrição
Mestrado em Engenharia Biomédica
Palavras-chave
Inteligência Artificial Radiografia Tórax Radiologia convencional Controlo de qualidade Aprendizagem automática Deep learning CAD Artificial Intelligence Radiography Thorax Conventional radiology Quality assurance Machine learning