3D-QCNet——一种扩散MRI图像伪影自动检测流水线
图像与视频处理
2021-03-10 v1 计算机视觉与模式识别
摘要
伪影在扩散MRI（dMRI）扫描中十分常见。识别并去除它们对于确保对这些扫描进行的任何后处理的准确性和可行性至关重要。这使得质量控制（QC）成为对dMRI数据进行分析前的关键第一步。现有的若干用于伪影检测的QC方法存在需要人工干预以及无法跨不同伪影和数据集泛化等问题。在本文中，我们提出了一种自动化深度学习（DL）流水线，其利用3D-Densenet架构在扩散体数据上训练模型以实现伪影自动检测。我们的方法应用于一个由来自7个大型临床数据集的9000个体数据构成的庞大数据集。这些数据集包含来自多台扫描仪的扫描，具有不同的梯度方向、高和低b值、单壳层与多壳层采集。此外，它们代表了多样的对象人群特征，如是否存在病理。我们的QC方法在该异构数据上准确泛化，在测试集上平均正确检测出92%的伪影。在多样数据集上的一致表现凸显了我们方法的泛化能力，而目前这仍是阻碍自动化QC技术广泛采用的一大障碍。出于这些原因，我们认为3D-QCNet可集成到扩散流水线中，以有效自动化这一繁琐且耗时的伪影检测过程。
引用
@article{arxiv.2103.05285,
title = {3D-QCNet -- A Pipeline for Automated Artifact Detection in Diffusion MRI images},
author = {Adnan Ahmad and Drew Parker and Zahra Riahi Samani and Ragini Verma},
journal= {arXiv preprint arXiv:2103.05285},
year = {2021}
}