BrainQCNet:一个基于深度学习的注意力模型,用于在脑结构性MRI扫描中自动检测文物

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 结构性MRI (sMRI) 分析需要严格的质量控制 (QC) 进行可复制和可泛化的研究.
• 手动QC是耗时和资源密集的,特别是随着神经成像中的大数据不断增长.
• 需要自动化工具来有效评估sMRI扫描质量.

研究的目的:

• 开发和验证可解释的深度学习 (DL) 模型,用于自动化文物检测和脑sMRI扫描的质量评估.
• 减少手动质量检查所需的时间和精力,从而最大限度地提高数据保留和研究效率.
• 为神经成像社区提供可靠,快速的质量控制工具.

主要方法:

• 在ABIDE 1数据集 (n=980) 的手动注释的2DsMRI切片上训练了一个可解释的DL模型 (ProtoPNet).
• 在ABCD T1加权MRI扫描 (n=2141) 上评估模型,并使用黄金标准手册QC注释.
• 在ABIDE 2 (n=799) 和ADHD-200 (n=750) T1w MRI数据集上验证了模型的性能.

主要成果:

• 在分类扫描质量方面取得了高精度:82.4%的好质量 (通过) 和91.4%的中低质量 (失败).
• 与现有的机器学习 (ML) 模型具有可比或更高的准确性.
• 展示了快速的处理和预测时间 (GPU上每次扫描1分钟),在检测质量差的扫描中超过传统DL模型.

结论:

• 开发的可解释DL模型为结构性MRI扫描提供了快速,准确和可靠的自动化质量控制.
• 这种工具提高了神经成像研究的效率,允许最大限度地保留数据,并减少了人工质量控制负担.
• 该模型作为BIDS应用程序共享,以支持神经成像社区更快,更准确的QC预测.