This thesis assesses the quality of preprocessed brain MRI using three machine learning methods. The three methods evaluated in this study are 3D convolutional neural networks (CNNs), 2D CNNs, and principal component analysis (PCA), as well as statistical classifiers that provide metrics for quality assurance of MRI scans, such as those used in the FSQC tool within the DeepMI framework. This study also employs the effectiveness of importance sampling and dataset augmentation in techniques to enhance model performance. The results show that importance sampling consistently outperforms uniform sampling by prioritizing challenging samples during training. This leads to faster convergence and higher accuracy. For 3D CNN importance sampling reached a test accuracy of approximately 0.70 and performed better than uniform sampling which reached 0.60 accuracy. For the 2D CNN importance sampling achieved approximately 0.65 compared to 0.55 for uniform sampling.PCA did not perform as well as the CNN methods but remained computationally efficient. When combined with a support vector machine (SVM), PCA achieved an accuracy of 0.70 for 3D MRI and 0.65 for 2D MRI.

The preprocessed MRI images used in this study were sourced from the ADNI dataset and consisted of brain MRI segmented into various regions by FreeSurfer toolbox. The segmentation included the following files: brainmask.mgz, lh.pial, rh.pial, lh.white, and rh.white. To enhance accuracy, the dataset was augmented by tripling its size through image rotation, which substantially improved the performance of all methods and emphasized the importance of data diversity. In terms of the FSQC method, which used a scoring formula for quality control, it reached an accuracy of 0.57 but it struggled to classify borderline cases. Furthermore, overfitting emerged as a persisted issue across the CNN models.

The study concluded that importance sampling and dataset augmentation are effective ways to optimize MRI quality control. Further studies can be explored into hybrid approaches by incorporating FSQC metrics and advanced sampling strategies which could enhance the model robustness and accuracy.

Denna uppsats jämför kvaliteten på hjärn-MRI med hjälp av tre maskininlärningsmetoder. De tre metoder som utvärderas är 3D konvolutionella neurala nätverk (CNN), 2D CNN samt principalkomponentanalys (PCA). En annan metod som utvärderas är statistiska klassificerare som ger mätvärden för kvalitetskontroll av MRI bilder tack vare FSQC verktyget inom DeepMI ramverket. Denna studie undersöker även hur effektiv importance sampling och datasetförstärkning genom tekniker för att förbättra modellprestandan. 

Resultaten visar att importance sampling konsekvent presterar bättre än uniform sampling genom att prioritera svåra exempel under träningen vilket leder till snabbare konvergens och högre noggrannhet. 3D-CNN uppnådde en testnoggrannhet på cirka 0.7 och presterade bättre än uniform sampling som nådde en noggrannhet på 0.60. För 2D-CNN uppnådde importance sampling cirka 0.65 jämfört med 0.55 för uniform sampling. PCA presterade inte lika bra som CNN-metoderna men den var beräkningsmässigt effektiv. När PCA kombinerades med supportvektormaskin (SVM) uppnåddes en noggrannhet på 0.7 för 3D-MRI och 0.65 för 2D-MRI. 

De förbehandlade MRI-bilder som användes i denna studie hämtades från ADNI-datasetet och bestod av hjärn-MRI segmenerade i olika regioner. Segmenteringen inkluderade följande filer: brainmask.mgz, lh.pial, rh.pial, lh.white och rh.whote. För att förbättra noggrannheten utökades datasetet genom att tredubbla dess storlek med hjälp av rotatera bilderna. Detta förbättrade noggrannheten avsevärt hos samtliga metoder och betonade vikten av datamångfald. 

För FSQC-metoden användes en poängformel för kvaliteteskontroll och den nådde en noggrannhet på 0.57 men den hade svårighetr att klassificera gransfall. Dessutom var överanpassning ett återkommande problem för CNN modellerna. 

Slutsatsen är att importance sampling och datasetförstärkning är effektiva metoder för att optimera kvalitetskontroll av MRI-bilder. För vidare studier kan man utforska hybridmetoder genom att integrera FSQC-mätvärden och avancerade samplingsstrategier, vilket skulle kunna förbättra modellernas robusthet och noggrannhet.