基于注意力门控的卷积网络用于扫描器无关的质量评估
计算机视觉与模式识别
2026-04-17 v1
摘要
运动伪影在结构性磁共振成像（sMRI）中 presents a significant 挑战，常常损害临床诊断和大规模自动化分析。虽然手动质量控制（QC）仍是金标准，但对于大型纵向研究而言正变得难以扩展。为此，我们提出一种混合CNN-注意力框架，旨在实现稳健、站点无关的MRI质量评估。我们的体系结构集成了用于局部空间特征提取的层次化2D CNN 编码器，以及用于建模全局依赖关系的多头交叉注意力机制。这种协同作用使模型能够优先关注与运动相关的伪影特征，如环形和模糊，同时动态过滤出站点特定的强度变化和背景噪声。该框架在包含200名受试者的平衡队列中，对MR-ART数据集进行端到端训练。性能在两个层级上进行评估：在保留的MR-ART数据集分区上的_seen 站点评估，以及使用来自ABIDE档案中17个异构站点的200名受试者的_未见 站点评估。 在_seen 站点上，模型实现了0.9920的扫描级准确率和0.9919的F1分数。关键是，它在未见的ABIDE站点上保持了强大的泛化能力（准确率=0.755），无需任何重新训练或微调，显示出对域迁移的高韧性。这一结果表明，基于注意力的特征重加权成功地捕获了通用伪影描述符，弥合了不同成像环境和扫描器制造商之间的性能差距。
引用
@article{arxiv.2604.15059,
title = {Attention-Gated Convolutional Networks for Scanner-Agnostic Quality Assessment},
author = {Chinmay Bakhale and Anil Sao},
journal= {arXiv preprint arXiv:2604.15059},
year = {2026}
}