处理大型扩散权重和结构磁共振成像数据集的可扩展质量控制
Michael E Kim1, Chenyu Gao2, Nancy R Newlin1
1Vanderbilt University, Department of Computer Science, Nashville, Tennessee, United States of America.
PloS one
|August 1, 2025
概括
简化医学成像质量控制 (QC) 对于可靠的研究至关重要. 本研究介绍了大型数据集的高效视觉质量控制管道,确保数据完整性并节省宝贵的研究时间.
科学领域:
- 医疗成像医学成像
- 数据科学数据科学数据科学
- 神经科学研究 神经科学研究
背景情况:
- 大规模的医学成像数据集需要严格的质量控制 (QC),以防止错误的结论,并确保有效的机器学习模型培训.
- 目前用于QC的定量异常值检测方法不足以识别所有数据处理错误.
- 对于全面的质量控制,需要对数据处理输出进行可扩展的视觉检查.
研究的目的:
- 为大规模扩散加权和结构磁共振成像数据集设计和实施高效的质量控制 (QC) 管道.
- 为了使整个研究团队实现一致的质量控制管理.
- 为了方便快速可视化和汇总QC结果.
主要方法:
- 开发一种新的QC管道,具有基于团队的管理和高效的数据可视化的功能.
- 拟议的视觉QC方法与使用T1加权MRI数据的自动化QC方法的比较.
- 跨多个数据处理管道的评价者间变异性评估.
主要成果:
- 开发的质量控制管道允许在团队设置中减少时间和精力成本.
- 实验表明,在视觉QC期间,人类评分者之间存在很高的一致性.
- 当将拟议的方法与自动化QC进行比较时,观察到微小的差异.
结论:
- 拟议的视觉QC管道有效地简化了大型医学成像数据集的质量控制过程.
- 该方法确保数据的完整性和一致性在研究团队之间,而不会影响质量控制质量.
- 有效的视觉质量控制是可以实现的,在研究中平衡必要的严谨性与实际的时间限制.
