Segmentazione automatica delle immagini di risonanza magnetica mediante Intelligenza Artificiale: revisione della letteratura con focus tecnico-percettivo

Background and objective The advent of new automatic segmentation methods is leading to significant advances in the field of Magnetic Resonance Imaging (MRI). The increase in MRI image data and the long segmentation times, subject to inter- and intra-operator variability, make the examination more complex. The objective of this review is to analyze the performance of the most widely used automatic segmentation methodologies in MRI images, assessing their impact on the technical workflow, and highlighting the developments these new methods introduce in the role of the radiographer. Materials and methods A thematic narrative literature review was conducted, selecting articles on automatic segmentation related to its operation and the changes implemented in the MRI workflow. Four research topics were analyzed: segmentation methodologies and architectures, image quality and requirements for AI segmentation, integration of AI algorithms into the MRI workflow, perceptual validation of imaging by the MRI technician, and experimental case study analysis focusing on the behavior of AI algorithms on MRI images in the presence of artifacts. Articles from the PubMed, Elsevier, Wiley, LiberKey, and IEEE databases were used, using PubMed and Consensus as search engines. Non-open access articles (visible with a Unipd institutional account) were also included. The MRI imaging acquisition parameters used at the AULSS 2 Marca trevigiana were analyzed to ensure proper functioning of the Icobrain Deep Learning automatic segmentation software. Results The literature highlights that Deep Learning algorithms, particularly architectures with variants of U-Net models, improve the efficiency of segmentation processes and reduce the time required compared to manual segmentation. Numerous studies report high performance in the delineation of pathological structures with high levels of accuracy, achieving very high Dice Similarity Coefficient values, around 0.96. However, in the presence of low-quality or artifactual input images, Dice Similarity Coefficient values ​​drop by 20%, reducing the reliability of automatic segmentation. Conclusion The radiographer plays a central role in supervising the radiological workflow, especially in the radiological image acquisition process and their perceptual validation, which is essential for avoiding low-quality input data and ensuring reliable segmentation. Keywords: automatic segmentation, Deep Learning, radiology technician, magnetic resonance imaging, perceptual validation, Icobrain, workflow

Introduzione e scopo L’avvento dei nuovi metodi di segmentazione automatica sta portando ad importanti evoluzioni nel campo dell’imaging diagnostico di Risonanza Magnetica (RM). L’aumento dei dati delle immagini in Risonanza Magnetica ed i tempi di segmentazione elevati e soggetti a variabilità inter e intra operatore rendono l’esame più complesso. L’obiettivo di questa revisione è andare ad analizzare lo stato dell’arte e i principi di funzionamento delle metodologie più diffuse nel campo della segmentazione automatica in immagini di Risonanza Magnetica, valutando il loro impatto nel workflow tecnico, evidenziando lo sviluppo che questi nuovi metodi introducono nel ruolo del tecnico di radiologia. Materiali e metodi È stata svolta una revisione della letteratura narrativa tematica, andando a selezionare articoli sulla segmentazione automatica relativi al suo funzionamento e ai cambiamenti apportati nel workflow di Risonanza Magnetica. Sono state analizzate quattro aree tematiche per la ricerca: metodologie e architetture di segmentazione, qualità dell’immagine e requisiti per la segmentazione con IA, integrazione degli algoritmi IA nel workflow RM, validazione percettiva dell’imaging da parte del TSRM e analisi di caso studio sperimentale con focus sul comportamento degli algoritmi di IA su immagini di RM in presenza di artefatti. Sono stati utilizzati articoli del database di Pubmed, Elsevier, Wiley, LiberKey e IEEE, utilizzando come motore di ricerca Pubmed e Consensus e prendendo anche articoli non open access (visibili con account istituzionale Unipd). Sono stati analizzati i parametri di acquisizione dell’imaging di RM in uso presso l’AULSS 2 Marca trevigiana per ottenere un corretto funzionamento del software di segmentazione automatica con Deep Learning Icobrain. Risultati La letteratura evidenzia che gli algoritmi di Deep Learning, in particolare le architetture con varianti di modelli U-Net, migliorano l’efficienza dei processi di segmentazione e permettono la riduzione dei tempi richiesti rispetto ad una segmentazione manuale. Numerosi studi riportano prestazioni elevate nella delimitazione di strutture patologiche con alti livelli di accuratezza, raggiungendo valori di Dice Similarity Coefficient molto alti, di circa 0.96. Tuttavia in presenza di immagini in input di bassa qualità o artefatte, i valori di Dice Similarity Coefficient calano del 20%, andando a ridurre l’affidabilità della segmentazione automatica. Conclusioni Il TSRM assume un ruolo centrale nella supervisione del workflow radiologico specie nel processo di acquisizione delle immagini radiologiche e nella loro validazione percettiva, fondamentale per evitare dati in input di bassa qualità e garantire una segmentazione affidabile. Parole chiave: segmentazione automatica, Deep Learning, tecnico di radiologia, Risonanza Magnetica, validazione percettiva, Icobrain, workflow