小动物MR神经成像数据的自动化质量控制
Aref Kalantari1, Mehrab Shahbazi2, Marc Schneider1
1University of Cologne, Faculty of Medicine and University Hospital Cologne, Department of Neurology, Cologne, Germany.
Imaging neuroscience (Cambridge, Mass.)
|April 11, 2025
概括
AIDAqc是一个新的自动化工具,使用机器学习来评估小动物磁共振成像 (MRI) 数据的质量. 它有效地识别了质量差的扫描,提高了研究可靠性.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 磁共振成像 (MRI) 对于研究动物模型中的大脑结构和功能至关重要.
- 越来越多的公共MRI数据集在识别和过低质量的数据方面存在挑战.
- 手动核磁共振成像数据的质量控制是耗时的,并且具有较低的评级者间可靠性.
研究的目的:
- 开发和验证AIDAqc,用于小动物MRI质量评估的机器学习辅助自动化Python工具.
- 提供一种高效可靠的方法来检测异常扫描在大型,异质的MRI数据集.
- 提高利用小动物MRI数据进行研究的可复制性.
主要方法:
- AIDAqc自动计算质量控制特征,包括信号与噪声比 (SNR),时间SNR和运动.
- 异常值检测结合了传统方法 (四分位数范围) 和机器学习算法 (一类SVM,隔离森林,LOF,圆包裹).
- 使用噪音和运动的模拟来评估度量可靠性,并对来自19个国际实验室的各种数据集进行了测试.
主要成果:
- AIDAqc成功地识别了带有诱导文物的模拟异常扫描.
- 手动质量评估显示,评价者之间的一致性很低 (Fleiss Kappa = 0.17),强调了需要自动化.
- 在后期验证中,AIDAqc表现出高精度 (>70%),并确定了可能对下游分析产生重大影响的异常数据.
结论:
- AIDAqc为小型动物MRI数据的自动质量评估提供了高效和有效的解决方案.
- 该工具解决了手动质量控制的局限性,提高了临床前研究中的数据可靠性和可重复性.
- 实施AIDAqc可以显著提高功能和结构连接性分析中使用的数据的质量和一致性.
