一个3D稀缺的自动编码器,用于大数据大脑MRI研究中完全自动化的同源注册的质量控制

科学领域:

• 医学成像分析 医学成像分析
• 在神经成像中使用机器学习.

背景情况:

• 大规模的神经成像研究需要对MRI数据进行强有力的质量控制.
• 关联注册对于对准MRI扫描至关重要,但可能容易出现错误.
• 需要自动化质量控制方法来处理日益增加的MRI数据量.

研究的目的:

• 开发和验证一个完全自动化的管道,用于在T1加权 (T1w) 和T2加权 (T2w) MRI研究中对亲属注册的质量控制.
• 评估稀疏卷积自编码器用于检测错位MRI数据的性能.
• 建立一个特定于数据集的值方法,以便在各种数据集中进行准确的质量控制.

主要方法:

• 一个定制的3D卷积编码器-解码器 (自动编码器) 框架被训练在完全无监督的方式.
• 根据自动编码器的重建错误评估了亲缘注册的质量.
• 特定数据集的最佳值是通过对对齐和人工失调图像的子集进行接收器操作特征 (ROC) 分析来确定的.

主要成果:

• 拟议的框架在人类连接体项目年轻成年人 (HCP-YA) 数据集上实现了100%的质量控制准确性.
• 在四个未见的数据集 (ABIDE I,IXI,OASIS4,"食物和大脑"研究) 上观察到出色的性能,准确度从81.81%到97%不等.
• 在检测真实登记失败时,获得了高灵敏度 (100%的"食物和大脑"T1w,80%的OASIS4T2w) 曲线下的面积 (AUC) > 0.88.

结论:

• 开发的自动化管道为在大型T1w和T2wMRI研究中对亲属注册的质量控制提供了有效和可通用的解决方案.
• 使用稀疏卷积自编码器的无监督学习方法在识别不整齐的MRI数据方面表现出高准确度和灵敏度.
• 这种方法可以显著提高神经成像数据处理管道的可靠性和效率.