Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia

Abstract

A avaliação da qualidade da imagem e a adesão ao protocolo de aquisição é uma área negligenciada na teledermatologia. Neste trabalho abordamos esse problema examinando se é viável utilizar métodos de aprendizado de máquina para automatizar a avaliação da entrega de exames a protocolos de aquisição de imagens. Utilizamos um conjunto de dados composto por 36.102 exames teledermatológicos realizados no Sistema Integrado de Telemedicina e Telessaúde do Estado de Santa Catarina (STT/SC) durante o ano de 2021. Neste estudo focamos nos critérios de qualidade de dois protocolos de aquisição de imagens: ( a) Imagem de Aproximação (b) Imagem Panorâmica, pois estão presentes em todos os protocolos de exames de teledermatologia atualmente empregados pelo STT/SC. Como nosso processo de validação, adotamos especificações padrão de aprendizado de máquina e um estudo de concordância entre avaliados com 11 dermatologistas. Para o protocolo de imagem de aproximação, empregamos o Mask-RCNN, uma arquitetura baseada em aprendizado profundo para detecção e segmentação de objetos, para identificar a presença de uma etiqueta de identificação da lesão e uma régua usada para fornecer uma referência de tamanho da lesão . Este método alcançou uma pontuação de 96% mAP. Para o protocolo de imagem panorâmica, empregamos Densepose, uma arquitetura de Aprendizado Profundo de estimativa de pose humana para avaliar a presença de todo o corpo do paciente e sua orientação. Este método apresentou 75% mAP. A combinação das duas abordagens foi adicionalmente validada através de um estudo de concordância interavaliadores entre especialistas e alcançou um nível de concordância de 96,68% com o método alfa de Krippendorff. resultados demonstram que é viável utilizar técnicas baseadas em aprendizado de máquina para automatizar a avaliação da qualidade da imagem e da adesão ao protocolo em teledermatologia, antes da análise manual do exame pelo especialista.

Abstract: Image quality and acquisition protocol adherence assessment is a neglected area in teledermatology. In this work we address this problem by examining if it is feasible to use machine learning methods to automate the assessment of the adherence of examinations to image acquisition protocols. We employed a dataset composed of 36102 tele-dermatological examinations performed at the Santa Catarina State Integrated Telemedicine and Telehealth System (STT/SC) during the year of 2021. In this study we focused on the quality criteria of two image acquisition protocols: (a) Approximation Image (b) Panoramic Image, as these are present in all teledermatology examination protocols currently employed by STT/SC. As our validation process, we adopted standard machine learning metrics and an inter-rater agreement study with 11 dermatologists. For the Approximation Image protocol, we employed the Mask-RCNN Object Detection Deep Learning architecture to identify the presence of a lesion identification tag and a ruler used to provide a frame reference of the lesion. This method achieved a score of 96% mAP. For the Panoramic Image protocol we employed Densepose, a human pose estimation Deep Learning architecture to assess the presence of a whole patient body and its orientation. This method presented 75% mAP. A combination of the two approaches was additionally validated through an inter-rater agreement study between specialists and achieved a level of agreement of 96.68% with the Krippendorff alpha score. Our results show the feasibility of machine learning based techniques to automate the image quality and protocol adherence assessment in teledermatology, prior to the specialist's manual analysis of the examination.prior to the specialist's manual analysis of the examination.