An Automatic Algorithm for Quality Assurance of MRI Scanners using a DWI Phantom
Translated title
En Automatisk Algoritme til Kvalitetssikring af MR-Scannere ved brug af et DWI Fantom
Authors
Faulkner, Mathias ; Ormstrup, Andreas
Term
4. term
Publication year
2018
Submitted on
2018-06-07
Pages
127
Abstract
Funktionelle diffusionskort (fDM) bruger den tilsyneladende diffusionskoefficient (ADC) – et mål for, hvordan vandmolekyler bevæger sig i væv – til at vurdere behandlingsrespons over tid. Diffusionsvægtet MR kan være støjfyldt og have artefakter, så løbende kvalitetskontrol (QA) af MR-scannere er vigtig. Vi udviklede en automatiseret algoritme i Python til QA, der analyserer billeder af et diffusionsfantom (et standard testobjekt). Med en ADC-indsats og en Siemens-stjerne-indsats i fantomet kvantificerede algoritmen nøjagtighed og præcision af ADC-målinger samt billedskarphed. I et konsistensdatasæt identificerede algoritmen de relevante snit af ADC-rampe og Siemens-stjerne korrekt i 100% af tilfældene. Dens skarphedsmetrik korrelerede med en radiologs visuelle analoge skala (VAS). Et interesseområde (ROI) på ADC-rampen blev brugt til at beregne middel-ADC, som kun afveg lidt fra radiologens måling. Vi undersøgte dag-til-dag-variation i ADC-målinger og anvendte temperaturkorrektion for at forbedre konsistensen. Behovet for QA blev yderligere understreget, da en fejl i et postprocesseret ADC-kort fra en 3 tesla MR-scanner blev fundet.
Functional diffusion maps (fDM) use the apparent diffusion coefficient (ADC)—a measure of how water molecules move in tissue—to evaluate treatment response over time. Diffusion-weighted MRI can be noisy and show artifacts, so regular quality assurance (QA) of MRI scanners is essential. We developed an automatic Python algorithm for QA that analyzes images of a diffusion phantom (a standard test object). Using an ADC insert and a Siemens star insert in the phantom, the algorithm quantified the accuracy and precision of ADC measurements and assessed image sharpness. In a consistency dataset, the algorithm correctly identified the relevant slices of the ADC ramp and the Siemens star in 100% of cases. Its sharpness measure correlated with a radiologist’s visual analog scale (VAS) score. A region of interest (ROI) on the ADC ramp was used to compute the mean ADC, which differed only slightly from the radiologist’s measurement. We examined day-to-day variation in ADC measurements and applied temperature correction to improve consistency. The importance of QA was underscored when an error was found in a post-processed ADC map from a 3 tesla MRI scanner.
[This abstract was generated with the help of AI]
Keywords
fantom ; DWI ; MRI ; fDM ; Siemens stjerne ; ADC ; kvalitetssikring ; kvantificering ; automatisk algoritme ; diffusion
Documents